- Otomotiv yan sanayide yapay zeka, her parçanın kamerayla muayenesini ve üretim geçmişinin dijital kaydını (izlenebilirlik) otomatikleştirerek PPAP ve 8D süreçlerini hızlandırır.
- Konya, ülkedeki motor supap, piston, krank ve conta üretiminin merkezi; ~2.000 firmanın yaklaşık 500'ü OEM'lere ihracat yapıyor ve kalite belgesi zorunlu.
- Eğitilmiş görüntü işleme modelleri yüzey kusurlarını insan muayenesinden daha kararlı yakalar; elle muayenede tipik yakalama oranı %70-85 bandındadır.
- İzlenebilirlik, bir hata çıktığında hangi partinin geri çağrılacağını dakikalar içinde gösterir; 8D'de kök neden analizini veriyle destekler.
- Doğru başlangıç: tek bir kritik parçada, tek bir kusur tipiyle pilot kurmak; PPAP kanıt paketini otomatik biriktirmek.
Otomotiv yan sanayide yapay zeka, üretilen her parçanın (supap, piston, krank, conta) yüzey ve boyut muayenesini kameralarla otomatikleştiren ve o parçanın hangi tezgâhta, hangi hammadde partisiyle, hangi ölçüm değerleriyle üretildiğini dijital olarak kaydeden bir teknoloji bütünüdür. Bu iki yetenek — otomatik muayene ve izlenebilirlik (traceability) — otomotiv kalite dünyasının iki temel dokümanı olan PPAP ve 8D'yi doğrudan besler. Konya için bu, teorik değil oldukça somut bir konudur: Konya Yatırım Ofisi verilerine göre şehirde otomotiv yan sanayide yaklaşık 2.000 firma faaliyet gösterir, bunların yaklaşık 500'ü OEM'lere ihracat yapar ve ülkede imal edilen araçlar için gereken parçaların %90'ını karşılayabilecek düzeydedir.
Otomotiv yan sanayide yapay zeka tam olarak ne işe yarar?
Yapay zeka, seri üretimde iki noktada değer üretir: her parçayı tek tek muayene ederek kusurluyu hattayken ayıklar ve her parçanın üretim geçmişini kaydederek sonradan sorgulanabilir hale getirir. Böylece müşteriye giden hata (escape) düşer, bir sorun çıktığında sorumlu parti hızla izole edilir ve kalite kanıtı elle değil otomatik toplanır. Sonuç: daha az iade, daha hızlı onay.
Konya'nın supap, piston ve krank üreten fabrikaları için bu, ihracat pazarında rekabetin doğrudan içindedir. Konya Yatırım Ofisi firmaların yalnızca yarısının uluslararası kalite belgelerine sahip olduğunu belirtiyor; oysa OEM tedarikçiliğinde bu belgeler ve arkalarındaki kanıt disiplini pazara giriş şartıdır. Yapay zeka, bu kanıt disiplinini insan gücüne bağımlı olmaktan çıkarır. Kamera tabanlı muayenenin nasıl kurulduğunu ayrıntılı ele aldığımız yapay zeka ile kalite kontrol rehberimiz bu adımın teknik temelini sunuyor.
PPAP nedir ve yapay zeka bu süreci nasıl hızlandırır?
PPAP (Production Part Approval Process / Üretim Parçası Onay Süreci), bir tedarikçinin ürettiği parçanın müşteri gereksinimlerini karşıladığını kanıtladığı, AIAG tarafından standartlaştırılmış 18 elemanlı bir doküman paketidir. Otomotiv kalite yönetim standardı IATF 16949'un temel araçlarından (Core Tools: APQP, PPAP, FMEA, SPC, MSA) biridir. "Parça uygundur" demek yetmez; ölçüm sonuçları, kontrol planı, süreç yeterlilik verisi ve numune raporlarıyla kanıtlanması gerekir.
İşte yapay zekanın en somut katkısı burada başlar. Otomatik muayene ve izlenebilirlik sistemi çalışırken, PPAP'ın istediği kanıtların büyük kısmını zaten üretir: her parçanın boyut ölçümleri, kusur görüntüleri, süreç parametreleri ve istatistiksel proses kontrol (SPC) grafikleri gerçek zamanlı olarak birikir. Elle günlerce hazırlanan bir PPAP dosyası, verinin otomatik toplandığı bir hatta çok daha kısa sürede ve daha az insan hatasıyla derlenir. Aşağıdaki tablo tipik farkı özetliyor:
| PPAP kanıtı | Elle yöntem | Yapay zeka destekli hat |
|---|---|---|
| Boyutsal ölçüm raporu | Numune ölçüp forma yazma | Her parçadan otomatik ölçüm, otomatik kayıt |
| Yüzey kusuru kaydı | Gözle bakıp not alma | Kamera görüntüsü + sınıflandırma arşivi |
| Süreç yeterliliği (Cpk) | Ayrı SPC yazılımına veri girme | Canlı SPC, anlık uyarı |
| İzlenebilirlik | Parti bazlı kâğıt/Excel | Parça bazlı dijital kayıt |
Bu tabloda görünmeyen ama en sık atlanan kalem SPC'dir. Supap boyu, piston çapı veya krank muylu ölçüsü gibi kritik karakteristikler her parçada ölçülüp anlık işlendiğinde, süreç yeterlilik katsayısı (Cpk) canlı izlenir. Ölçü, üst tolerans sınırına doğru kaymaya başladığında sistem hattı durdurmadan operatörü uyarır — yani kusur oluşmadan önce süreç düzeltilir. Elle numune ölçümünde ise bu kayma çoğu zaman ancak birkaç yüz parça hurdaya çıktıktan sonra fark edilir.
8D problem çözmede yapay zeka nasıl kullanılır?
8D (Eight Disciplines), bir kalite sorununun ekipçe ve sistematik biçimde çözülmesini sağlayan sekiz adımlı bir yöntemdir; özellikle otomotivde müşteri şikâyetlerine yanıt olarak istenir. Ekip kurulumundan (D1) geçici önlem ve kalıcı düzeltici faaliyete kadar ilerler, ama omurgası D4 kök neden analizidir: "Bu kusur neden oluştu?" Bu soruya yanlış yanıt verilirse sonraki tüm adımlar boşa gider.
Yapay zekanın burada rolü, sezgiyi veriyle değiştirmektir. İzlenebilirlik kaydı sayesinde kusurlu çıkan parçaların ortak paydası — aynı vardiya mı, aynı hammadde partisi mi, aynı kalıp sıcaklığı mı — dakikalar içinde ortaya konur. Fabrikadaki ham veriyi bu tür kararlara dönüştürmenin adımlarını üretim verisini yapay zeka ile karara çevirme yazımızda ayrıntılı anlattık. Böylece D4 tahminle değil, korelasyonla ilerler; D5-D7 düzeltici faaliyetlerinin etkisi de yine veriyle doğrulanır.
Parça izlenebilirliği yapay zeka ile nasıl sağlanır?
İzlenebilirlik, tek bir parçanın hangi hammadde partisinden, hangi tezgâhta, hangi ayarlarla ve hangi ölçüm sonuçlarıyla üretildiğinin baştan sona kayıt altında olmasıdır. Klasik yöntemde bu bilgi parti bazlı ve çoğu zaman kâğıt üzerindedir; bir sorunda koca partinin geri çağrılması gerekir.
Yapay zeka destekli sistemde her parça bir kimlik (data matrix, lazer işaret veya seri numara) taşır ve muayene istasyonu bu kimlikle ölçüm verisini eşleştirir. Bir OEM'den "şu tarihli sevkiyatta titreşim şikâyeti var" bilgisi geldiğinde, geri çağrılacak parti binlerce parça yerine yalnızca etkilenen birkaç yüz parçaya daralır. Bu, hem maliyet hem itibar açısından belirleyicidir. Görme yeteneği kazanan işbirlikçi robotların (kobot) bu akıştaki yerini Konya fabrikası için kobot giriş rehberimizde ele aldık.
Görsel muayenede yapay zeka insandan daha mı doğru?
Kontrollü koşullarda ve yeterli veriyle eğitildiğinde, evet — özellikle tekrarlı ve yüksek hacimli muayenede. İnsan gözü yorulur, dikkat dağılır; elle yüzey muayenesinde tipik kusur yakalama oranı literatürde çoğu zaman %70-85 bandında anılır. Eğitilmiş derin öğrenme modelleri ise aynı kusur tipinde daha kararlı ve daha hızlı sonuç verir.
Konya'nın ürettiği parçalarda bu somutlaşır: supap tablasındaki mikro çatlak, piston eteğindeki çizik, krank muylusundaki işleme izi veya conta yüzeyindeki gözeneklilik — hepsi belirli görsel imzalara sahiptir. Model bu imzaları binlerce örnekten öğrendiğinde, saniyeler içinde ve gece vardiyasında da aynı kararlılıkla ayırır. Ancak dürüst olmak gerekir: bu üstünlük "her kusuru yakalar" anlamına gelmez. Otomotiv kalitesinde yapay zeka üzerine akademik derlemelerin ortak bulgusu nettir — başarı, veri kalitesine, aydınlatmaya ve kusur çeşitliliğine sıkı biçimde bağlıdır. Supap yüzeyindeki çatlak ile krank üzerindeki işleme izini ayırt edecek model, ancak yeterli ve doğru etiketlenmiş görüntüyle güvenilir olur. Bu yüzden pilot aşaması pazarlık konusu değildir.
Bu kalite yatırımı Konya KOBİ'si için pahalı mı?
Peşin bakılınca kamera, aydınlatma, endüstriyel bilgisayar ve yazılım bir maliyettir; ama doğru soru "kaça mal olur" değil, "kalitesizlik bize şu an kaça mal oluyor" olmalıdır. Bir OEM'e giden tek bir kusurlu supabın yol açtığı 8D süreci, iade, hat durdurma ve itibar kaybı çoğu zaman sistemin kendisinden pahalıdır.
Geri dönüş üç kalemden gelir: azalan hurda ve yeniden işleme, kısalan PPAP hazırlık süresi ve daralan geri çağırma kapsamı. Bir parçanın izlenebilir olması sayesinde binlerce yerine yüzlerce parça geri çağırmak, tek başına yatırımı karşılayabilir. Yatırımın geri dönüşünü hangi kalemlerle hesaplayacağınızı yapay zeka ROI hesaplama rehberimizde adım adım gösterdik. Ölçeklemeden önce pilotun bu sayıları kanıtlaması şarttır; kanıtlamıyorsa yatırımı ertelemek doğru karardır.
Konya otomotiv yan sanayi için nereden başlamalı?
Doğru başlangıç, tüm fabrikayı bir anda dönüştürmek değil; tek bir kritik parçada, tek bir kusur tipiyle küçük bir pilot kurmaktır. En çok iade veya en pahalı hurdaya yol açan operasyonu seçin — çoğu Konya atölyesinde bu, supap veya piston yüzey muayenesidir.
Pilotta hedef üç şeyi kanıtlamaktır: model bu kusuru yeterli doğrulukla yakalıyor mu, izlenebilirlik kaydı PPAP kanıtına dönüşüyor mu ve yatırımın geri dönüşü gerçekçi mi. Bu üç soruya "evet" alındığında ölçeklemek kolaydır. Konya sanayisinde yapay zekanın nerelerde işe yaradığına dair daha geniş bir haritayı Konya sanayisinde 9 kullanım alanı yazımızda, temel kavramlardan başlamak isteyenler içinse konuyu adım adım kuran KOBİ'ler için yapay zeka rehberimizde bulabilirsiniz.
Unutulmaması gereken son nokta veri sahipliğidir: muayene görüntüleri ve üretim verisi işletmenin en değerli varlığıdır. Tedarikçiyle sözleşmede bu verinin kime ait olduğu, nerede saklandığı ve KVKK uyumu baştan yazılmalıdır. Yapay zeka bir "sihir" değil, disiplinli veriyle çalışan bir kalite aracıdır; kalite kültürünü değil, o kültürün kanıt üretme hızını ve güvenilirliğini artırır.