• +90 532 065 4739

  • info@virmode.com

   

DİJİTAL İKİZ YAZILIMI GELİŞTİRME


DİJİTAL İKİZ TEKNOLOJİSİ


Dijital ikiz terimi Endüstri 4.0 kapsamında ortaya atılmış, ilk olarak 2002 yılında Michigan Üniversitesi’nden Michael Grieves tarafından tanımlanmış bir terimdir. IoT – Nesnelerin İnterneti (Internet of Things) temelli çalışan bir veri analiz metodudur.

Dijital ikiz, gerçek zamanlı verileri kullanarak fiziksel bir nesnenin veya sistemin gerçek olarak davranacak şekilde modellenmiş sanal bir kopyasıdır. Bu teknoloji dijital nesneleri fiziksel nesnelerle eşleştiren dinamik ve öğrenen bir teknolojidir.

Dijital ikiz teknolojisi, SCADA sistemlerinden çok temel bir noktada ayrışmaktadır. Bu da D.İKİZ yazılımları üzerinden çalışan bir sisteme, tezgaha, üretim hattına, lojistik unsurlarına uzaktan müdahele edilerek operasyonu süren işin değiştirilmesi amacında olmamasıdır. D.İKİZ yazılımları izleme ve takip görevlerini (monitoring) üstlenen ve sürekli olarak süreçleri kaydederek büyük veri (big data) toplamasıdır. Bir dijital ikiz sistemi kuran endüstriyel işletmenin kısa sürede verim alması oldukça zordur. Çünkü D.İKİZ yazılımının arkasına (back-end) bir yapay zeka yazılımı koyulması gerekmektedir. Ve bir yapay zekayı, diğer bir yapay zekadan ayıran en önemli üstünlüğü elindeki verinin miktarının ve kalitesidir. Dolayısıyla D.İKİZ sistemi kuran bir işletmenin, zaman içerisinde toplanan veriler ışığında karar süreçlerine destek verecek, rehber olabilecek veriler ve öneriler alması beklenmektedir.



FAYDALARI


- Geriye dönük kök neden analizlerinin daha kısa zamanda, düşük maliyet ve daha gerçekçi doğrulukla yapılabilmesine olanak sağlar.

- Müşterilere şeffaflık sağlar ve raporlama araçlarına daha detaylı bilgi girilebilmesini sağlar.

- Endüstri 4.0 ve IOT’nin temellerinden olup, karar destek süreçlerine büyük katkı sunar.

- İş sahalarının dinamik yerleşim planlamasını yaparak, elindeki geçmişe dönük verileri ve operasyon fazlarını kullanarak yerleşim planlamasının değiştirilmesine dönük simülasyon yapılmasına ve karşılaştırılmasına olanak sunar.

- Kapalı ortam konum belirleme sistemi kurularak hareketli unsurların saha yoğunluk analizleri çıkartılabilir. Kullanım alanlarının sıklığı yoğunluk dağılım haritası ile görülebilir.

- İşletmenin kendi tezgah ve robotlarının durumları ile üretip müşteriye gönderdiği cihazların, özellikle de makinelerin, zaman içerisindeki verileri ışığında kestirimci bakım yöntemi ile arızaların önlenmesi, kayıp zamanların azaltılması sağlanır.

- İş hedefleri ile süreçlerin uyumluluklarının analizi yapılır.

- Süreç tahlil, tahmin ve performans optimizasyonu için görselleştirilebilir veri sunar.

- Trend analizlerini en derin ayrıntıya kadar hesaplayarak pazarlama ve ön satış faaliyetlerine öneriler sunar.

- Teslimatların doğrulukları ve depo kullanımı verileri sunar.

- Her bir iş süreçlerinin modellenmemiş fazları ve kayıp zamanları ortaya çıkartılabilir ve ömür çevrimi (ürün yaşam döngüsü) iyileştirmeleri yapılabilir.

- Parti başına gerçek maliyetlerin çıkartılabilmesini sağlar.

- Yalın üretim sistemlerinin analiz edilmesi ve yalın üretim araçları (prensipleri) ile üzerinden değerlendirilmesine olanak sağlar.

- Karmaşık ürünler üzerinde tümleşik bir veri, model ve analiz aracı olarak ürün tasarımı, gerçek zamanlı simülasyonu, takibi ve optimizasyonu konularında üreticilerin ürünlerini daha iyi anlayabilmeleri ve bu doğrultuda analizler yapabilmelerini mümkün kılar.

- Gerçek hayatta test etmenin maliyetli ve zor olduğu kompleks ürünlerden elde edilen verilerle oluşturulmuş bir dijital ikiz üzerinde testler yapmak, ürünü fiziksel dünyaya sunmadan önce kolay yoldan denemeyi sağlar.



SİSTEM KURULUM AŞAMALARI


1. Saha analizi. Bu adımda unsurlar ve değişkenler belirlenir.
     Kendisine bir kimlik numarası tanımlamak suretiyle sınıflandırılan makine, tezgah, işbirlikçi robot, ürün tipi / sınıfı, forklift, palet, depo raf numaraları vb. elementler, unsur olarak tanımlanır.
     Değişkenler ise, bu süreç zarfında takip edilecek ürün veya sevkiyatdaki izlenmesi gereken parametrelerdir. Örn. Sıcaklık, ebat, ağırlık, radyasyon, zaman, denge (rotation) verileridir.

2. İsterler tespit edilir.

3. Projenin kapsamı belirlenir.

4. İş planı ve proje kaynak planlaması yapılır.

5. Altyapı ve network tarafında kurulumlar yapılır.

6. İş sahalarının ve unsurlarının üç boyutlu modellemesi yapılır ve süreçler matematiksel olarak modellenir.
     Burada üç temel etmen bulunmaktadır.
     a. Dijital ikizi oluşturulacak ürünün gerçek ortamdaki hali
     b.Gerçek ortamdaki ürünü sanal ortama taşımamızı sağlayacak gerçek ürün ile sanal ürün arasında köprü konumunda olacak verile
     c.Ürünün sanal ortamdaki dijital hali

7. Sahadaki sensörlerden veya geçitlerden (gateway) veriler toplanmaya ve sınıflandırılmaya başlanır.

8. Veriler ışığında istenilen analizler çıkartılır. Veya yapay zeka tarafından öneriler toplanmaya başlanır.



DİJİTAL İKİZ KURULUMUNU PLANLAYAN İŞLETMELERE TAVSİYELER


> Dijital İkizin bir ERP veya CRM sistemi olmadığının bilincinde olunması gerekir. Ancak kullanılan ERP vb. iş yazılımları ile ne kadar entegre olursa o kadar verimli sonuçlar alınabileceği gerçeği de gözden kaçırılmamalıdır.

> D.İKİZ kurulumla biten anahtar teslim projeler grubuna girmemektedir. Uzun soluklu bir süreçtir ve elde edilen faydaların uzun vadede katkısı yüksektir.

> İnsan davranışı faktörlerinin modellenmesi zaman içerisinde oturtulabilir.

> Müşteri bilgilerinin mahremiyeti, bu süreçte kesinlikle unutulmaması gereken kritik konulardandır.

> Ürün, parti, sevkiyat, vb. takip edilmesi beklenen ögelerin eşsiz birer kimlik ile uçtan uca takib edilebilmesi için GS1 barkod sisteminin kullanılması kolaylık ve avantaj sağlar.



TANIMLAR:

Endüstri 4.0 ve Nesnelerin İnterneti (IoT), fiziksel nesnelerin üzerine yerleştirilmiş olan sensörler sayesinde sensörlerin izlediği tüm verileri alan ve işleyen bulut tabanlı bir sisteme bağlanması sonucunda, ürünün gerçek zamanlı verilerini almamızı mümkün kılıyor. Böylece dijital ikizini oluşturmak istediğimiz gerçek ürünün fiziksel özelliklerini bütünüyle yansıtabilmesi için gerekli verileri toplayabiliyoruz.

Derin öğrenme, beyindeki dentrit ve aksonların birbirine bağlanarak oluşturduğu ağlardan ilham alınarak oluşturulmuş bir yapı ve bu yapının kullanılmasıyla mevcut verilerden yola çıkarak bilinmeyene dair tahminlerde bulunuluyor. Derin öğrenme veya makine öğrenme metotlarının uygulanacağı sistem, başlangıçta yeni doğmuş bir birey olarak düşünülebilir. Dolayısıyla öğretilen materyallerin mantıksal açıdan doğru ve yanlışlığını anlamaktan çok, öğretilen diğer materyaller arasındaki ilişkinin anlaşılmasına çalışılır. Örneğin bir “c” harfinin tanınması istenildiğinde, rastgele bir harf ile geri dönüş yapılırsa, alınan geri bildirimlere göre o cevabın verilmesini sağlayan yapay sinir ağı kuvvetlendirilir veya zayıflatılır. Çok sayıda deneme ve yanılmanın ardından, “c” harfini doğru tanıyan bir model oluşmuş olur.



DİJİTAL İKİZDE YAPAY ZEKA VE DERİN ÖĞRENME NEDEN ÖNEMLİ?

Günümüzde derin öğrenme metotlarının kullanılması ve bu yöndeki kullanım ihtiyacının artmasındaki temel sebeplerden biri, elimizdeki veri miktarının artmasıdır. Diğer bir sebep ise eskiden binlerce veriyi işleyebilecek donanımlar yetersiz ve çok pahalıyken, bugün grafik kartları ve paralel işlem yapabilen donanımlara ulaşımın hem çok kolay olması hem de bu donanımların çok ucuza mal olmasıdır. Endüstri 4.0 ve Nesnelerin İnterneti ile birlikte veri kullanımı giderek artıyor. İnsanoğlunun, zamanın başlangıcından 2005 yılına kadar üretmiş olduğu 130 exabayt verinin üstel olarak artması sebebiyle, 2020 yılında bu veri miktarın 40 bin exabayt boyuna ulaşacağı öngörülüyor. Dolayısıyla bu boyuttaki verileri işlemek için insanlar zamanla yetersiz kalacak. Bu verilerin makineler tarafından işlenmesi bile onlarla birlikte “makine öğrenmesi” veya “derin öğrenme” metotları kullanılmadan yetersizleşecek. Uzmanlar, daha fazla veri işlemenin, ancak ve ancak makine öğrenmesi ve derin öğrenme algoritmalarının potansiyeliyle gerçekleşebileceğini düşünüyor.

© Tüm hakları saklıdır Virmode Ltd.