Üretim sürecinde maliyet-etkin arıza tahmini için bilgi damıtma ile etkin muayene

Kötü ürünleri erken yakalamanın önemi

Akıllı telefonlardan elektrikli arabalara kadar, binlerce küçük parçadan oluşan karmaşık ürünlere güveniyoruz. Bu parçalardan yalnızca birkaç tanesi arızalı olsa bile sonuç pahalı fabrika yeniden işleme, ürün geri çağırmaları veya hatta müşteriler için güvenlik sorunları olabilir. Bu nedenle üreticiler sorunları erken yakalamak için birçok test yapar—ancak en kapsamlı testler aynı zamanda en yavaş ve en pahalı olanlardır. Bu makale, fabrikaların test maliyetlerini kontrol altında tutarken hangi ürünlerin arıza yapma olasılığının yüksek olduğunu tahmin etmek için yapay zekâdan nasıl yararlanabileceğini inceliyor.

İki tür fabrika muayenesi

Modern üretim hatlarında her ürün aynı düzeyde incelemeye tabi tutulmaz. Her ürüne uygulanan basit, hızlı testler vardır; yazarlar bunlara temel muayeneler adını veriyor. Özel ekipman veya zorlu koşullar gerektirebilecek daha ayrıntılı testler ise maliyetli ve zaman alıcı oldukları için daha küçük bir örneklem için ayrılır; bunlar gelişmiş muayenelerdir. Hem temel hem gelişmiş test sonuçlarını gören bilgisayar modelleri gelecekteki arızaları daha iyi tahmin eder, fakat bu daha fazla pahalı muayene yapılması anlamına gelir. Sadece temel sonuçlara dayanan modeller kullanımı daha ucuzdur ancak genellikle daha az doğrudur.

Ucuz bir teste pahalı bir testin bilgeliğini öğretmek

Araştırmacılar, bilgi damıtma olarak bilinen makine öğrenmesi fikrini bu üretim ortamına uyarlıyor. Önce, hem temel hem de gelişmiş muayene verilerine erişimi olan ve her ürünün nihai testte başarısız olup olmayacağını öğrenen bir gelişmiş model eğitiyorlar. Sonra yalnızca düşük maliyetli testleri gören bir temel model eğitiyorlar—ancak öğrenmesi, tahminlerinin gelişmiş modelinkileri taklit etmesi yönünde yönlendiriliyor. Etki olarak, temel modele gelişmiş olanın daha zengin anlayışını yaklaşık olarak yakalaması öğretiliyor, ancak hat üzerinde konuşlandırıldığında yalnızca ucuz ölçümlere dayanıyor.

Ne zaman daha fazla teste harcama yapılacağına karar vermek

Temel model bu şekilde iyileştirildikten sonra, yazarlar onu etkin muayene çerçevesine yerleştiriyor. Her ürün önce temel muayenelere tabi tutulur ve geliştirilmiş temel model tarafından değerlendirilir; model aynı zamanda kararındaki güven düzeyine dair bir bilgi de üretir. Model bir öğenin açıkça iyi veya açıkça kötü olduğundan emin ise fabrika pahalı gelişmiş testleri atlayabilir. Yalnızca belirsiz tahminlere sahip ürünler gelişmiş muayeneye ve gelişmiş model tarafından değerlendirmeye gönderilir. Bu seçici strateji, pahalı kontrolleri en büyük farkı yaratacak ürünler için ayırmayı amaçlar.

Fikiryi çip üretiminde test etmek

Bu yaklaşımın pratikte ne kadar iyi çalıştığını görmek için ekip bir yarı iletken üreticisinden gerçek verileri analiz etti. Çip üretiminde, waferlar birçok elektriksel teste tabi tutulur; bazıları her çipte yapılırken, diğerleri zorlu koşullarda yalnızca bir alt kümeye uygulanır. Yazarlar hem temel hem de gelişmiş tahmin modellerini iki farklı makine öğrenmesi algoritmasıyla kurup bilgi damıtma ile ve olmadan eğitilmiş modelleri karşılaştırdılar. Ayrıca hangi çiplerin gelişmiş muayene alması gerektiğine karar vermek için tahmin belirsizliğini ölçmenin birkaç yolunu incelediler ve modellerin iyi çipleri kötü olanlardan ne kadar iyi ayırt ettiğini yansıtan standart bir skor kullanarak performansı değerlendirdiler.

Daha düşük maliyetle daha iyi kalite

Deneyler, bilgi damıtma ile eğitilmiş temel modellerin sıradan temel modellerden tutarlı şekilde daha doğru olduğunu ve bir veri setinde hatta tam gelişmiş modeli hafifçe geride bıraktığını gösterdi. Bu geliştirilmiş temel modeller etkin muayene stratejisiyle birleştirildiğinde, fabrikalar gelişmiş muayenelerin her ürüne uygulanmasıyla elde edilen arıza tespit performansına neredeyse eşdeğer sonuçlar elde edebilirken, çok daha az ürünü bu pahalı testlere gönderebildi. Basitçe ifade etmek gerekirse, yöntem üreticilerin her şeyi en yüksek düzeyde incelemek zorunda kalmadan daha fazla kusuru daha erken ve daha güvenilir şekilde yakalamasını sağlayarak daha yüksek kaliteye ve daha düşük üretim maliyetine pratik bir yol sunuyor.

Atıf: Heo, J., Son, M. & Shim, J. Active inspection with knowledge distillation for cost-effective fault prediction in manufacturing process. Sci Rep 16, 8613 (2026). https://doi.org/10.1038/s41598-026-39412-8

Anahtar kelimeler: üretim kalitesi, arıza tahmini, muayene maliyeti, bilgi damıtma, yarı iletken üretimi