Sanayi Odaklı Projeler Programı - 2018 Yılı Projeleri

Doğuş Otomotiv Türkiye’nin önde gelen otomobil ithalatçılardan biridir. Almanya merkezli olan VAG grubunun, özel Türkiye dağıtıcısıdır. Otomobil alım-satımının yanı sıra Doğuş Otomotiv, kendi ithal ettikleri araçların kullanıcılarına satış sonrası servis hizmeti vermektedir. Doğuş Otomotiv’e projemiz Doğuş Teknoloji tarafından yönlendirilmiştir.

Bu projede Doğuş Otomotiv’in servis hattının zaman optimizasyonu üzerine bir çalışma gerçekleştirilmiştir. Bu çalışma için Doğuş Otomotiv’den aldığımız verileri ve saha çalışması ile kendi topladığımız verileri birleştirerek, ARENA simülasyon programı içerisinde kullandık. Projenin içeriğinde ARENA yardımıyla servis hattındaki bütün süreçler için harcanan zaman, kaynak ve iş yükü incelendikten sonra sunulan çözüm önerileri ve raporlanan istatistikler bulunmaktadır.

Otomotiv sektöründe faaliyet gösteren büyük ölçekli şirketlerin temel sorunlarından biri yedek parçalar depolamanın getirdiği ekstra maliyettir. Bu işin titiz bir şekilde yönetilmesi, şirketlerin yüksek stok maliyetlerinden kaçınmasını sağlayacaktır. Bu projenin amacı, envanter maliyetinin ve idame yükünün düşürülmesi için, geçmiş veriye dayanarak yakın bir zaman aralığındaki yedek parça tüketimini doğru bir şekilde tahmin edebilecek yöntemler geliştirmektir. Projedeki ortağımız Doğuş Teknoloji, Türkiye otomotiv sektöründeki büyük şirketlerden biri olan Doğuş Otomotiv’e bilişim teknolojileri ihtiyaçları için çözüm üreten bir şirkettir. 

Kurum müşteri memnuniyetini azaltmadan envanter maliyetini düşürmek amacıyla bir çözüm geliştirmek istemektedir. Bu amaçla, kurum tarafından paylaşılan ve son 8 yılı kapsayan yedek parça verisi üzerinde beraber çalışılmış, yapay sinir ağları, derin öğrenme gibi yöntemler ve Scikit-Learn, Prophet gibi Python tabanlı kütüphaneler ile farklı yaklaşımlar denenmiştir. Bu çalışma esnasında yaptığımız analizlerde, milli bayramlar ve resmi tatiller gibi mevsimsellik olgusu yaratan özel zaman aralıklarının tüketilen parça sayılarının tahmininde etkili bir faktör olabileceği anlaşılmıştır. Yaptığımız çalışmalarda, mevsimselliği makine öğrenme modelinin bir parçası yapabilecek ekstra bir veri kullanılmadığında, geliştirdiğimiz en iyi model bile %14 tahmin hatası oranına sahipken, tatil günlerinin öğrenme safhasında kullanılması ile daha gelişmiş bir model oluşturulmuş ve elde edilen hata payı %9’lara kadar düşmüştür. Proje çıktılarının, proje ortağımıza yeni bir yedek parça yönetim modeli ve algoritması geliştirirken yardımcı olabileceği düşünülmektedir. 

Bu projenin amacı, krem üretim hatlarının verimlilik artışını sağlamaktır. Verimlilik artışı sağlanabilmesi için var olan sorunların detaylı analizi yapılmış ve seçilen üretim hattı için "Arena" yazılımı üzerinde simülasyon uygulanmıştır. Fabrikaya yapılan haftalık ziyaretler sonucu sorunlar yerinde gözlenmiş ve yapılan gözlemler şirket çalışanları ile paylaşıldıktan sonra çözüm çalışmaları yapılmıştır.

Yapılan çalışmalar sonucunda, gömülü sistemler kullanılarak ürün kalite hatalarının %70'inin giderileceği ve ham madde aktarımı sırasında oluşan olası sorunların önüne geçilebileceği görülmüştür. Bu sebeple, her iki amaç için de prototip cihazlar geliştirilmiştir. Simülasyon yazılımı üzerinden yapılan incelemede, üretim hattında yapılacak ufak değişiklikler ile, çalışan sayısının azaltılmasının verimi arttıracağı sonucuna varılmıştır.

EVYAP sabun, duş jeli, şampuan, tıraş ürünleri, cilt bakım kremleri, kokulu kozmetik, bebek bezi ve diş macunu gibi çeşitli kategorilerde üretici bir firmadır. Bu projede amaçlanan şirket için en uygun stok politikasının belirlenmesidir. Projenin ilk basamağında ürünlerin önceliğinin belirlenmesi için ABC analizi uygulandı. İkinci aşamasında EOQ Modeli, Q,R Modeli, Q,R Tip 1 servis seviyesi ve Twisted Q,R Modeli gibi envanter kontrol modelleri teorik olarak uygulandı ve firmanın ihtiyacına uygun model gözlemlendi. Projenin sonunda EVYAP, oluşturulan karar destek sistemi ile stok kontrol işlemlerinde Q,R Tip 1 servis seviyesini kullanmaya karar verdi. 

Sürücülerin yol açtığı kazaların azaltılması ve nakliye operasyonlarının verimliliğinin artırılması için çözüm olarak düşünülen otonom araçlar, endüstriyel ve akademik alanda oldukça ilgi çeken bir konudur. Bu vizyon doğrultusunda, Ford Otosan, sürücüye düşen iş yükünü azaltmak ve yükleme alanlarına park etme aşamasında verimliliği artırmak için uzun araçlarda park etme görevini otomatikleştirmeyi hedefliyor. Geliştirilmek istenen bu tip otonom sistemler için, aracı her zaman doğru şekilde konumlandırmak en önemli adımlardan biridir. Bu bağlamda, projemiz kapsamında, yarı römorklu kamyonlara entegre edilebilecek, düşük maliyetli bir kamera kurulumu ve görsel harita tabanlı bir lokalizasyon algoritması tasarladık ve geliştirdik.

Proje sırasında, öncelikle, park sürecinin tüm gerekliliklerini karşılayabilecek bir kamera kurulumu tasarladık. Sonrasında, aracın bulunduğu ortamın öznitelik tabanlı haritasını çıkartabilmek için INS/GNSS sensörü tarafından desteklenen bir haritalama modülü ve çıkartılan haritada aracın konumunu gerçek zamanlı tespit eden bir lokalizasyon modülü geliştirdik. Modüllerimizi Python dilinde, gerektiğinde OpenCV kütüphanesinden yararlanarak kodladık. Sistemimizi çeşitli ortamlarda kaydedilmiş iyi bilinen odometri testleriyle sınadık. Yapılan testler sonucunda, aracın konumunun 26 cm ortalama hata ile tespit edilebildiği ve 15 km/s’ye kadar olan hızlarda güvenli bir şekilde seyahat edebildiği gözlemlenmiştir.

Sürücü yorgunluğunun meydana getirmiş olduğu dikkat dağınıklığı ciddi kazalara yol açmaktadır. Bilimsel çalışmalar karayollarındaki kazaların dörtte birinin sürücü yorgunluğundan kaynaklandığını göstermektedir. Bu kazaların oranını düşürmek ve riskli durumları ortadan kaldırmak konusunda sürücü yorgunluğunun tespiti önemli rol oynamaktadır.

Ford Otosan ile gerçekleştirilen bu projede, sürücü yorgunluğunu tespit eden bir makine öğrenmesi algoritması geliştirildi. Sistemin ana tasarımı sürücünün yüzündeki birtakım noktaları izleyen 3 boyutlu bir iç mekân kamerası ve yüzden alınan bilgilerle eğitilmiş yapay sinir ağından oluşmaktadır. Geliştirilen algoritma MATLAB’in yapay sinir ağları kütüphanesiyle gerçekleştirildi. Algoritmanın eğitimi ve testi için DROZY veri kümesi kullanıldı. Test örnekleri üzerinde %90’ı aşan sınıflandırma başarısı elde edildi. 

Otomotiv sanayi, kamyon ve tır gibi ağır vasıta araçları da kapsayacak şekilde tam otonom araçlar üretmek üzerine gelişmektedir. Otonom araçlar, sürüş güvenliğini, yakıt tasarrufunu arttırması, seyahat süresini kısaltması gibi getirilerinden ötürü tüm dünyada popüler hale gelmiştir. Sürücünün durumsal farkındalığını arttıran ileri derece sürüş destek sistemleri (ADAS) tam otonom araçlara geçiş yolunda en önemli adımlardan biridir. Bu sistemler radar, LIDAR ve kamera gibi çeşitli sensörlerden yararlanırlar.

Bu projede, Ford OTOSAN şirketinin desteğiyle, kamyon ve tır gibi ağır taşıtların üzerine yerleştirilecek kameralar ile aracın çevresini 360 derece olarak algılamak ve araca sürüş anında engel olabilecek cisimleri saptayıp bu cisimlerden kaçınmayı sağlayacak bir sistem kurmak hedeflendi. Olabildiğince az sayıda kamera kullanmak için perspektif kameralar ve geniş görüş açılı balık gözü kameralardan yararlanıldı. Balık gözü kameralardan alınan resimlerde bükülme sorununu gidermek için otomatik düzeltme yöntemleri kullanıldı. Resimler düzeltildikten sonra, kameralardan alınan resimlerin birbirine dikilmesi üzerine çalışıldı. Çevredeki engelleri gerçek zamanlı algılayabilmek için bilinen en gelişmiş nesne algılama ve sınıflandırma yöntemleri kullanıldı. Sonuçları gerçekçi olarak nitelendirmek için tüm algoritmalar Truck Maker simülasyon ortamında test edildi.

Ford Otosan tarafından önerilen bu projenin amacı, tümü elektrikli araçlar için elektrik motoru tasarlamaktır. Firma tarafından belirlenen gereksinimlere göre motorun %94’ten yüksek verime, 100 kW üzeri maksimum güce ve 200 Nm üzeri torka sahip olması gerekmektedir.

Bu gereksinimleri karşılamak için bir indüksiyon motoru tasarlanmıştır. İlk adım olarak motorun geometrik parametreleri hesaplanmış ve bu parametreler ANSYS Maxwell yazılımına taşınmıştır. Bu yazılım kullanılarak elektromanyetik alan simülasyonları gerçekleştirilmiş ve motorun verimi, torku ve çıkış gücü hesaplanmıştır. Tasarlanan motor %95 verime, 183 kW maksimum güce ve 450 Nm torka sahiptir.

Kalite güvencesi üretimin önemli bir parçasıdır. Kalite güvencesi şirketin güvenilirliği, müşteri memnuniyeti, verimliliği ve bazı diğer şirketlerle rekabet avantajlarını geliştirmeye yardımcı olur. Daha fazla incelenirse, kalite güvencesi dolaylı olarak karı da artırır. Kalite Güvence Matrisi (Quality Assurance Matrix) bir çok firmanın hataları ve bu hataların kaynaklarını takip etmek için kullandığı araç. Kalite Güvence Matrisi (QA Matrix) ayrıca hataları sıralar ve bir grafik oluşturmaya yardımcı olur. Bu grafikten hangi hatalara öncelikli olarak çözüm getirilmeli ve bu hataların nedenini araştırarak ortaya çıkma olasılığını azaltabiliriz.

Projemiz Unilever Besan’ın kalite güvence matrisi (QA Matrix) için veri akışının otomatikleştirilmesi. QA Matrix, potansiyel veya gerçek kalite endişelerini ele alır ve önemlerini müşteri memnuniyetine göre sıralar ve üretimin istikrarlılığını değerlendirir.

Unilever data girişi sürecini kolaylaştırmak istiyor, çünkü bu iş bir kişinin sorumluluğundadır ve o kişi kendi günlük işlerinin yanı sıra QA Martix için her altı ayda gerekli datayı farklı departmanlardan toplamak ve bunları matriste birleştirerek son defektleri manuel olarak takip etmekten sorumludur. 

Unilever Lipton Çay üretimi ve ambalajı, Knorr ürünleri ve Carte d’Or fırın ürünlerinin küçük bir kısmından sorumludur. Üretim sırasında, kaçınılmaz olarak her zaman az da olsa hatalar olacaktır. Bu hatalar firmalar için büyük sorunlara neden olabilir, bu yüzden bu hataların neden oluştuğunu ve nasıl önlenebileceğini anlamak için kalite güvence sistemini kullanmaları gerekir. Unilever, QA Matrix'i hataları kategorilere ayırmak ve daha sonra onlarla başa çıkmak için kullanır.

Unilever, ürünleri bir günde yaklaşık 2,5 milyar kişi tarafından kullanılan büyük bir FMCG şirketidir. Lipton ve Dove gibi 400'den fazla markaya sahiptir. Bu proje, İstanbul Tuzla’da yer alan Unilever Besan fabrikası Tedarik Zinciri Departmanı ile yürütülmüştür. Bu tesis, Lipton, Knorr ve Carte D'or markalarının ürünlerinin üretimini gerçekleştirmektedir. Bu tesisin üretim talebini karşılamak için Türkiye'nin çeşitli illerindeki tedarikçilerden 44.000 ton malzeme gelmektedir. Amacımız Unilever'e bu hammaddelerin Türkiye genelinden toplanması konusunda yardımcı olmaktır.

Amacımıza ulaşmak için öncelikle nakliye maliyetlerini en aza indirmeyi amaçlayan bir matematik model oluşturuldu. Daha sonra, model CPLEX IBM ILOG Studio’da kodlandı. Projenin sonucu olarak, toplam taşıma maliyetini azaltan ve talep edilen verilere karşılık optimal rotaları veren kullanıcı dostu bir optimizasyon aracı, Unilever için özel olarak tasarlanmıştır.