- Dökümde yapay zeka, görüntü işleme ve sensör verisini kullanarak porozite, çatlak ve cüruf gibi kusurları tespit eden ve ergitme ocağındaki enerjiyi yöneten karar destek sistemidir.
- Görüntü işleme modelleri, röntgen ve yüzey kamerası görüntülerinden iç ve dış döküm kusurlarını insan gözünün kaçırdığı hassasiyette ayıklayabiliyor.
- Ergitme, bir dökümhanenin enerjisinin yaklaşık yarısından fazlasını, çoğu tesiste %50-70'ini tüketir; ocak yönetimi optimizasyonun ilk hedefidir.
- Konya'nın pik/çelik döküm ve otomotiv yan sanayi kümesi için en hızlı kazanç, hurda oranını ve elektrik faturasını düşürmekte.
- Başlangıç için pahalı bir sistem değil; mevcut röntgen/kamera ve ocak verisiyle pilot kurulabilir.
Dökümde yapay zeka (AI), bir dökümhanenin ürettiği görüntü ve sensör verisini değerlendirerek kusurlu parçayı tespit eden, ergitme ocağının enerji tüketimini ve proses parametrelerini izleyip öneri üreten yazılım katmanıdır. Pratikte iki ana iş yapar: birincisi, röntgen ya da yüzey kamerası görüntülerinden porozite, çatlak, soğuk birleşme ve cüruf kalıntısı gibi kusurları ayıklamak; ikincisi, ergitme ocağındaki sıcaklık, şarj ve güç verilerini okuyup enerji israfını azaltmak. İkisi de Konya döküm kümesinin en çok kanadığı iki yerdir: hurda oranı ve elektrik faturası.
Konya, Türkiye'nin sayılı döküm merkezlerinden biri; pik döküm, sfero, çelik döküm ve otomotiv yan sanayine parça besleyen küçük-orta ölçekli onlarca tesis burada yoğunlaşmış. Bu işletmelerin çoğu hâlâ kusur kontrolünü deneyimli ustaların gözüne, ocak yönetimini ise vardiya alışkanlığına bırakıyor. Yapay zekanın buraya kattığı şey sihir değil; tutarlılık ve ölçülebilirlik. İki ustanın aynı röntgene farklı not vermesi ya da bir vardiyanın ocağı gereğinden uzun sıcak tutması, yıl sonunda toplandığında ciddi paraya denk gelir. Aşağıda hangi sorunu nasıl çözdüğünü, sahadaki terimlerle anlatıyorum.
Dökümde yapay zeka tam olarak hangi işi yapıyor?
Dökümde yapay zeka, parçanın görüntüsünü ve prosesin sensör verisini öğrenip iki kararı otomatikleştirir: parça sağlam mı, ocak verimli çalışıyor mu. Kusur tespitinde görüntü işleme, enerji tarafında ise geçmiş döküm verisiyle eğitilmiş tahmin modelleri devreye girer. Amaç ustanın yerini almak değil, kararını veriyle desteklemek.
Klasik kalite kontrolde bir parçanın iç yapısı röntgenle çekilir, bir uzman ekrana bakıp porozite ya da çatlak arar. Bu yorucu, yavaş ve kişiden kişiye değişen bir iştir; aynı görüntüye iki farklı operatör farklı not verebilir. Yapay zeka burada binlerce etiketlenmiş görüntüden "kusurlu neye benzer" örüntüsünü öğrenir ve her parçaya aynı ölçütle bakar. Ergitme tarafında ise model, geçmiş şarjlardaki sıcaklık eğrisi, güç çekişi ve döküm sıcaklığı ilişkisini öğrenip operatöre "bu şarjda gereksiz enerji yakıyorsun" sinyali verir. İki işin ortak yanı şu: ikisi de kâğıttaki değil, sahadaki ölçülebilir veriyle çalışır.
Görüntü işleme döküm kusurlarını gerçekten yakalıyor mu?
Evet, özellikle iç kusurlarda. Derin öğrenme tabanlı görüntü modelleri, röntgen ve yüzey görüntülerinden porozite, büzülme boşluğu ve mikro çatlak gibi kusurları yüksek doğrulukla ayırt edebiliyor; üstelik insan operatörün yoruldukça düşen dikkatinden etkilenmeden, her vardiyada aynı tutarlılıkla. Yani gece üçteki parçayla sabahki parça aynı titizlikle bakılır.
Somut bir örnek: MDPI'nin Applied Sciences dergisinde 2025'te yayımlanan, alüminyum basınçlı dökümde otomatik kusur tespitini ele alan bir saha çalışması (Hengst SE üretim hattında), seri üretimdeki parçaların röntgen görüntülerinde YOLOv5 ve Faster R-CNN gibi nesne tespit modellerini gerçek zamanlı donanım kısıtları (görüntü başına iki saniyenin altı) altında karşılaştırmış; en iyi modeller 0,87'ye varan F1 skoruyla porozite gibi iç kusurların standart endüstriyel donanımda otomatik ayıklanabilirliğini göstermiş (çalışma: mdpi.com/2076-3417/15/24/13134). Bu çalışmanın altını çizdiği bir nokta sahada da geçerli: en büyük zorluk modeli kurmak değil, yeterli sayıda ve doğru etiketlenmiş kusurlu görüntü toplamak. Az rastlanan bir çatlak tipini model ancak yeterince örnek gördüyse tanır; o yüzden ilk aylar genellikle kusurlu parça arşivini düzgün biriktirmekle geçer.
Konya'daki pik ve sfero döküm için bunun karşılığı net. Yüzey kusurları (soğuk birleşme, gaz boşluğu izi, kum yapışması) için ışıklandırılmış bir kamera ve görüntü modeli; iç kusurlar (porozite, büzülme, cüruf kalıntısı) için mevcut röntgen cihazına bağlanan bir analiz katmanı kuruluyor. Kameralı yüzey kontrolünün mantığını ayrı bir yazıda daha ayrıntılı anlattık: yapay zeka ile kamera tabanlı kalite kontrol. İşin püf noktası, sistemi kendi parçalarınızın gerçek kusur görüntüleriyle eğitmek; hazır bir modeli kutudan çıkarıp takmak değil. Başka bir tesisin sfero parçası için eğitilmiş model, sizin pik dökümünüzde aynı performansı vermez.
Ergitme ocağında enerji optimizasyonu neden bu kadar önemli?
Çünkü ergitme, bir dökümhanenin en pahalı kalemidir. Sektör verilerine göre ergitme ve metal tutma fırınları, bir tesisin toplam enerjisinin çoğunlukla %50 ila %70'ini tüketir. Elektrik faturasının yarısından fazlası tek bir prosesten geliyorsa, yapay zekanın ilk hedefi de tartışmasız orası olmalı.
ABD Enerji Bakanlığı ve EnergyStar'ın metal döküm enerji kılavuzları, ergitme ve tutma fırınlarının tesis enerjisinin %50-70'ini, gizli (tacit) enerji hesaba katıldığında yaklaşık %72'sini oluşturduğunu belgeliyor (EnergyStar Metal Casting Energy Guide). İndüksiyon ocaklarının verimi yaklaşık %70-85 aralığında olabiliyor; ama bu rakam ancak ocak doğru şarj edilir, gereksiz boşta beklemez ve aşırı ısıtılmazsa yakalanıyor. Sahada en sık görülen israf da tam burada: parça hazır değilken ocağın sıvı metali fazladan ısıtarak beklemesi. Her on dakikalık gereksiz tutma, hem kilovatsaat hem de astar ömrü olarak faturaya yazılır.
Yapay zeka tarafı şöyle çalışıyor: model, geçmiş şarjlardaki güç çekişi, şarj kompozisyonu, hedef döküm sıcaklığı ve gerçekleşen sıcaklık arasındaki ilişkiyi öğrenir; sonra her şarjda "şu güç profiliyle hedef sıcaklığa daha az kilovatsaatle ulaşırsın" ya da "bu metal bekleme süresi gereksiz" gibi öneriler üretir. Literatürde indüksiyon ocaklarında LSTM tabanlı uyarlanabilir bulanık mantık kontrolüyle güç tüketimini düşürmeye ve buna bağlı karbon salımını azaltmaya dönük çalışmalar mevcut (ResearchGate: Induction Furnace Power Optimization). Enerji tarafının daha geniş resmi için: fabrikada yapay zeka ile enerji tasarrufu.
Kestirimci bakım döküm hattına ne katıyor?
Kusur ve enerji dışında üçüncü kazanç bakımda. Ocağın indüksiyon bobini, hidrolik basınçlı döküm makinesi ya da kum hazırlama hattı arızalandığında üretim durur; yapay zeka, titreşim ve sıcaklık verisinden bu arızayı erkenden haber verir. Plansız duruş, döküm gibi sürekli proseslerde en pahalı kayıptır; çünkü duran sadece tek makine değil, sıradaki tüm döküm planıdır.
Kestirimci bakım, makinedeki sensörlerin verisini sürekli okuyup "normal" davranıştan sapmayı yakalar. Bir indüksiyon bobininin sıcaklık profili yavaşça bozuluyorsa ya da basınçlı döküm makinesinin hidrolik basıncı kararsızlaşıyorsa, model bunu insan fark etmeden günler önce işaretler. Bu sayede bakım, arıza anında değil, planlı bir duruşta yapılır. Dökümde özellikle değerli bir uygulama, ocak astarının (refrakter) aşınmasını izlemek; vaktinden önce sökmek paradan olmak, geç kalmak ise sıvı metal kaçağı riski demektir; sensör verisi bu kararı tahmine değil eğilime bağlar. Mantığını ayrı bir yazıda topladık: kestirimci bakım nedir ve nasıl kurulur. Döküm için kritik nokta, en pahalı duruşa yol açan ekipmandan başlamak; tüm hattı bir anda sensörle donatmaya çalışmak değil.
Konya'daki bir döküm KOBİ'si nereden başlamalı?
Küçük başlayın. Önce en çok para kaybettiren tek bir noktayı seçin: yüksek hurda oranı veren bir parça ailesi mi, yoksa şişkin elektrik faturası mı. O noktadaki mevcut veriyle (röntgen görüntüleri, ocak güç kayıtları) bir pilot kurun, üç ay ölçün, sonra yaygınlaştırın. Baştan tüm fabrikayı dijitalleştirmeye kalkmak çoğu KOBİ'yi yarı yolda bırakır.
Pratik bir karşılaştırma:
| Uygulama | Gereken veri | Tipik ilk hedef | Başlangıç zorluğu |
|---|---|---|---|
| Görüntüyle kusur tespiti | Etiketli röntgen/yüzey görüntüleri | Hurda ve müşteri iadesini düşürmek | Orta (veri etiketleme emek ister) |
| Ergitme enerji optimizasyonu | Ocak güç ve sıcaklık kayıtları | Şarj başına kilovatsaati düşürmek | Düşük-orta (veri çoğu ocakta zaten var) |
| Kestirimci bakım | Titreşim/sıcaklık sensör verisi | Plansız duruşu azaltmak | Orta (sensör yatırımı gerekebilir) |
Çoğu Konyalı dökümcü için en mantıklı ilk adım enerji tarafıdır, çünkü ocak güç ve sıcaklık verisi genelde zaten kayıtlıdır; görüntüyle kusur tespiti daha yüksek getirir ama önce kendi parçalarınızın etiketli arşivini biriktirmenizi ister. Konya özelinde sektörün geneline yapay zekanın nasıl girdiğini gösteren bir derlemeye de bakabilirsiniz: Konya sanayisinde yapay zeka 9 kullanım alanı. Konuya sıfırdan giriyorsanız temel kavramlar için KOBİ'ler için yapay zeka rehberi iyi bir başlangıç.
Önemli bir uyarı: piyasadaki hazır rakamların çoğu pazarlama amaçlı ve kendi tesisinize birebir yansımaz. "Şu kadar tasarruf garanti" diyen kimseye değil, kendi üç aylık pilot verinize güvenin. Ölçülebilir bir kayıp noktanız, o noktanın geçmiş verisi ve net bir başarı kriteriniz varsa dökümde yapay zeka yatırımı kendini hızlı amorti eder. Tesisinize özel bir pilot tasarlamak için yapay zeka çözümlerimize göz atabilirsiniz; doğru başlangıç noktasını birlikte seçmek çoğu zaman teknolojiden daha önemli.