Sıfır hatalı üretim için makine öğrenmesi

Sıfır Hata Üretim (Zero Defect Manufacturing, ZDM) yaklaşımına ulaşmak, hata-ları tespit ve önleme yeteneğine sahip, akıllı ve veri odaklı sistemlerin entegrasyonunu gerektirir. Özellikle evrişimsel sinir ağları (CNN) gibi derin öğrenme modelleri ve en-semble (topluluk) öğrenme teknikleri, karmaşık veri analizini otomatikleştirerek endüstri-yel süreçlerin güvenilirliğini artırmaktadır. Bu çalışma, veri dengesizliği, model yorumlanabilirliği ve gerçek zamanlı uygula-ma gibi kritik zorlukları ele almaktadır. Endüstriyel görüntü veri kümeleri üzerinde, Effi-cientNet-B3 %99,97 doğruluk, ResNet-50 %99,89 doğruluk elde etmiş, MobileNetV3 ise %99,65 doğruluk ile en hızlı çıkarımı (119,88 FPS) sağlamıştır. Kestirimci bakım se-naryolarında, GAN ile zenginleştirilmiş XGBoost ve SimCLR ile güçlendirilmiş XGBo-ost, Rastgele Arızalar için sırasıyla 0,993 ve 0,992 F1-skoru elde etmiştir. Few-Shot Pro-totypical Network, Rastgele Arızalar için 0,988 F1-skoru sağlamış, ayrıca Güç Arızaları (0,999) ve Takım Aşınma Arızaları (0,991) için yüksek skorlar vermiştir. Model açıklanabilirliği, kararların izlenebilir olmasını sağlayan Grad-CAM görsel-leştirmeleri ile incelenmiştir. Ağırlıklı örnekleme ve özel kayıp fonksiyonları ile veri den-gesizliğinin etkileri azaltılmıştır. CNN'ler ve zenginleştirilmiş tahmin modelleri, doğru-dan Raspberry Pi 5 üzerinde gerçek zamanlı ve düşük güç tüketimli uygulamalar için optimize edilmiştir. Bu çalışma, makine öğrenimindeki teorik gelişmeler ile pratik endüstriyel uygula-malar arasındaki boşluğu kapatarak, Endüstri 4.0 paradigması kapsamında esnek, ölçek-lenebilir ve sürdürülebilir üretim sistemlerinin gelişimine katkı sağlamaktadır.