Optik fiber kablo üretiminde süreç sapmalarını tespit etmek için kesirli mertebeli sinir ağı

Kablo fabrikalarındaki küçük aksaklıklar neden önemlidir

Her görüntülü görüşme, bulut yedeği ve çevrimiçi oyun, milimetrenin altında ince cam lifler boyunca ışığın hızla ilerlemesine dayanır. Bu liflerin üretimi hassas bir iştir: sıcaklıkta veya gerilimdeki ufak bir dalgalanma kilometrelerce kabloyu pahalı hurdaya dönüştürebilir. Bu makale, fiber optik üretim hattını gerçek zamanlı izleyen ve nihai kalite kontrollerinde ortaya çıkmadan çok önce ince sorunları fark etmeyi öğrenen yeni bir yapay zeka türünü anlatıyor; böylece malzeme, enerji ve para tasarrufu sağlanıyor.

Bir fiber fabrikasının nabzını izlemek

Modern fiber optik kablolar birkaç aşamada üretilir: cam ince lifler halinde çekilir, koruyucu polimerlerle kaplanır, plastik borulara itilir, demetler halinde bükülür ve dış kılıflarla sarılır. Her adımda onlarca sensör basınçları, sıcaklıkları, hızları ve gerilimleri izler. Burada incelenen ekstrüzyon hattında 232 sensör yıllarca her saniye yeni bir ölçüm gönderir. Çoğunlukla hat sorunsuz çalışır, ancak kusurlar genellikle üretimin en sonunda, bitmiş kablonun sinyal kaybı veya mekanik kusurlar açısından test edildiği sırada keşfedilir. Bu gecikme arızanın ne zaman ve neden başladığını belirlemeyi zorlaştırır ve veri hacminin büyüklüğü manuel izlemeyi imkansız kılar.

Makinelere anormallikleri kendi başlarına öğretmek

Bunun üstesinden gelmek için araştırmacılar, konuşma, metin veya sensör akışları gibi dizileri okumakta iyi olan tekrarlı sinir ağları (recurrent neural networks) ailesine yöneldi. Model, her kusurun tam olarak nasıl göründüğü söylenmek yerine yalnızca zayıf ipuçları alır: bazı üretim parçaları sorunlu, bazıları temiz olarak etiketlenmiştir. Ekip önce ham sensör verisini kısa ve uzun dönem desenlere ayıran dalgacık dönüşümü (wavelet transform) adlı matematiksel araçla sıkıştırır. Ardından bu desenleri kümeleyerek normal işletmeden birkaç tip anormal davranışa kadar uzanan tipik süreç “durumları” setini oluştururlar. Bu durumlar yaklaşık eğitim etiketleri olarak hizmet ederek ağın kötü ürünleri takip eden zaman desenlerini öğrenmesine olanak tanır.

Sinir ağları için yeni bir tür bellek

Çalışmanın merkezî yeniliği ağın içindeki yeniden tasarlanmış bir bellek hücresidir ve FD‑LSTM (Kesirli Türevli Uzun Kısa Süreli Bellek) olarak adlandırılmıştır. Standart LSTM hücreleri her zaman adımında geçmişin ne kadarını hatırlayıp unutturacaklarını sabit matematiksel fonksiyonlarla belirler. Yazarlar bunları, modelin uzak geçmişe ayarlanabilir, dereceli bir bellek vermesini sağlayan “kesirli” versiyonlarla değiştirir. Sadece yakın zamanda alınan sensör okumalarına tepki vermek yerine, FD‑LSTM dakikalar önce gerçekleşmiş olayları da düzgün bir şekilde ağırlıklandırabilir; bu, basınç, sıcaklık veya fiber gerilimindeki yavaş sürüklenmelerin kademeli olarak kusurlara yol açtığı bir süreçte kritik öneme sahiptir.

Modeli canlı üretim hattında test etmek

Ekip, yaklaşımını bir sanayi tesisindeki fiber‑tüp ekstrüzyon hattından alınan 2,5 yıllık gerçek veride değerlendirdi. Sürekli sensör akışını yaklaşık dört dakikalık kısa pencerelere böldüler ve yalnızca belleğin nasıl ele alındığını değiştirerek birkaç modeli sıkı kontrollü koşullarda eğittiler. FD‑LSTM yaklaşık %96,7 doğruluk ve yüksek bir F1‑skoru (hassasiyet ile duyarlılığın dengesi) elde ederek klasik bir LSTM ile rastgele ormanlar, destek vektör makineleri ve daha basit tekrarlı ağlar gibi geleneksel yöntemleri geride bıraktı. Tasarımda kilit bir parametre, modelin zaman içinde ne kadar geriye “baktığını” kontrol eden kesirli mertebedir; standart ayarın biraz altında kalan değerler en iyi sonucu verdi ve bu da bu üretim hattında ani zirvelerden ziyade yavaş gelişen sürüklenmelerin başlıca suçlular olduğunu gösteriyor.

Veri akışından daha iyi kablolara ve daha yeşil tesislere

İstatistiklerin ötesinde, geliştirilmiş model zayıf, yavaş gelişen anomalileri sağlıklı durumlardan temiz bir şekilde ayırır; bu, tesis mühendislerinin gürültülü veride görmeye çalıştığı tam şeydir. Operatörleri daha erken uyarmak suretiyle sistem hattın spesifikasyon dışı çalıştığı süreyi kısaltabilir, hurdayı ve gereksiz enerji kullanımını azaltabilir. Bu çalışma tek bir fiber‑tüp hattına odaklanmış olsa da yazarlar, aynı kesirli bellek fikrinin çok sayıda sensörün karmaşık, yavaşça sürüklenen bir sistemi izlediği herhangi bir endüstriyel süreçte —kimyasal reaktörlerden enerji şebekelerine veya yoğun bakım monitörlerine kadar— uygulanabileceğini savunuyorlar. Basitçe söylemek gerekirse, sinir ağlarına zamanın daha nüanslı bir duyusunu vermek, onları hem ürün kalitesinin hem de kaynak verimliliğinin daha iyi bekçileri yapıyor gibi görünüyor.

Atıf: Gomolka, Z., Zeslawska, E. & Olbrot, L. Fractional-order neural network for detecting process deviations in optical fiber cable manufacturing. Sci Rep 16, 6677 (2026). https://doi.org/10.1038/s41598-026-37770-x

Anahtar kelimeler: fiber optik üretimi, endüstriyel anomali tespiti, kesirli sinir ağları, zaman serisi sensörleri, öngörücü bakım