Denetimsiz Anomali Tespiti: Tanımlamadığınız Sorunu Yakalamak

Denetimsiz öğrenme ile anomali tespiti: normalin modelini kurup sapmayı yakalamak — etiketsiz kalite kontrol ve davranış analizi.

Yazar: CX Teknoloji Uzman Ekibi

Denetimsiz anomali tespiti, modele hata örnekleri göstermek yerine yalnızca normal durumu öğretip ondan sapan her şeyi işaretleyen yöntemdir. Etiketli kusur ya da olay verisi gerekmez: model sağlam parçanın veya olağan hareket akışının istatistiksel resmini çıkarır, uymayanı bir sapma skoruyla işaretler. Böylece daha önce hiç görülmemiş bir kusur tipi ya da davranış da yakalanabilir.

Kural tabanlı sistem yalnızca tanımladığınız sorunu görür. Oysa sahada asıl tehlikeli olan, kimsenin öngörmediği durumdur. Denetimsiz anomali tespiti bu boşluğu doldurur: model, "normal"in istatistiksel resmini öğrenir ve buna uymayan her şeyi işaretler.

Normalin modeli nasıl kurulur?

Yöntemin çekirdeği basittir: model yalnızca olağan örneklerle eğitilir ve her yeni girdi için, öğrenilen normalden ne kadar uzak olduğunu anlatan bir skor üretir. Pratikte birkaç yaklaşım öne çıkar: girdiyi sıkıştırıp yeniden oluşturan otokodlayıcılar, önceden eğitilmiş bir ağın özellik uzayında normal örneklere uzaklığı ölçen yöntemler ve zaman serisinde beklenen değeri tahmin edip gerçekleşenle karşılaştıran modeller. Hangisinin seçileceği verinin türüne bağlıdır; görüntüde bölge düzeyinde, hareket verisinde sayım ve zamanlama düzeyinde çalışılır. Kritik nokta, eğitim kümesinin gerçekten normal olmasıdır: içine fark edilmemiş kusurlu parçalar karışırsa model onları da normal sayar. Bu yüzden sağlam örnek kümesini kalite ekibi onaylar. Kümenin temsil gücü de önemlidir: yalnızca gündüz vardiyasından toplanan sağlam örnekler, gece aydınlatmasındaki normal parçayı sapma sayar; örnekler vardiyaları, partileri ve olağan ortam değişimlerini kapsamalıdır.

Kalite kontrolde uygulama

Yüzey muayenesinde her kusur tipini etiketlemek imkânsızdır — yeni bir kalıp hatası her zaman mümkündür. Otokodlayıcı tabanlı modeller yalnızca hatasız parçalarla eğitilir; hatalı parça geldiğinde yeniden oluşturma hatası yükselir ve kusur, tipi bilinmeden yakalanır.

Uygulamada anomali modeli tek başına çalışmaz. Önce doğru aydınlatmayla kusur görünür hâle getirilir: çizik açılı ışıkta, gözenek karanlık alan aydınlatmasında kontrast kazanır. Ardından model sağlam yüzeyi öğrenir ve bir sapma haritası üretir; aday bölgeler son adımda tür ve büyüklüğe göre sınıflandırılır. Eşik sahada kalibre edildikten sonra karar hat üzerinde OK/NOK sinyali olarak PLC'ye iletilir. Her parçanın görüntüsü ve kararı seri numarasıyla arşivlendiğinde, sonradan fark edilen bir kusurun hangi skorla geçtiği de geriye dönük incelenebilir. Yani yüzey muayenesinde anomali skoru, pilotta ayarlanmış bir red kararına dönüşebilir; aşağıda anlattığımız keşif rolü daha çok davranış ve süreç verisi içindir. Aydınlatma seçimini ve kusur tiplerini yüzey kusur tespiti yazısında ayrıntılandırdık.

Davranış tarafında

Aynı yaklaşım hareket desenlerinde çalışır: bir bölgede normalde saatte 40 geçiş varken 3 geçişe düşmesi ya da hiç kullanılmayan bir kapının gece açılması, hiçbir kural yazılmadan anomali olarak raporlanır.

Burada normal tek bir değer değil, zamana bağlı bir desendir. Vardiya değişimindeki yoğunluk ile hafta sonu gecesinin sessizliği aynı ölçüyle değerlendirilemez; model saat, gün ve vardiya bağlamını birlikte öğrenir. Olağandışı bir boşalma çoğu zaman bir kapının kilitlendiğine ya da güzergâhın başka yere kaydığına işaret eder; olağandışı bir yoğunlaşma ise darboğazın habercisidir. Aynı mantık makine görüntüsüne de uygulanır: bir konveyörün hareket deseni ya da bir göstergenin olağan salınım aralığı öğrenilir, sapma erken uyarı olur. Bu kullanımı görüntüyle tahmine dayalı bakım yazısında ele aldık.

Yanlış alarm dengesi

Anomali tespitinin bedeli gürültüdür: her olağandışılık tehlikeli değildir. Bu yüzden davranış ve süreç anomalilerinde onu alarm kanalı olarak değil, keşif aracı olarak kullanırız (yüzey muayenesinde ise, yukarıda anlattığımız gibi, pilotta kalibre edilen eşik OK/NOK red kararına dönüşür) — haftalık anomali raporu, sahada yeni kural tanımlamanın en verimli girdisidir.

Normalden sapma ile tehlike aynı şey değildir: tesise gelen yeni bir forklift modeli, farklı renkte bir iş kıyafeti, mevsimle değişen gün ışığı da sapma üretir. Bu olaylar operatöre doğrudan alarm olarak düşerse ekip kısa sürede bildirimleri görmezden gelmeye başlar. Bu yüzden davranış anomalilerini gruplayıp gözden geçirilen bir listeye koyarız; tekrar eden ve anlamlı çıkan desen, açık tanımlı bir kurala ya da denetimli bir modele dönüştürülür. Yanlış alarmı azaltmanın diğer yollarını yanlış alarm azaltma yazısında topladık.

Nerede zorlanır?

Anomali tespiti, normalin dar ve tutarlı olduğu yerde güçlüdür: aynı parçanın aynı açıdan, aynı ışıkta geçtiği bir hat bunun iyi örneğidir. Normalin kendisi çok değişkense — onlarca ürün varyantının aynı hattan geçtiği, her partinin farklı renk ya da dokuda geldiği durumlar — model her yeni varyantı sapma sayar. Bu durumda ürün tipine göre ayrı normal modelleri kurmak ya da ürün bilgisini MES'ten alıp doğru modeli seçmek gerekir. Ortam koşulları da belirleyicidir: toz, buğu ya da titreşim görüntüyü sürekli değiştiriyorsa model gerçek kusur ile ortam gürültüsünü ayırmakta zorlanır. Bu yüzden anomali tabanlı bir denetime başlamadan önce aydınlatma ve kamera montajı sabitlenir; yazılım, kararsız bir görüntünün açığını kapatamaz.

Normal değişince ne olur?

Normal durum sabit değildir. Yeni ürün devreye girer, kalıp değişir, hat düzeni yenilenir; dünün sapması bugünün normali olur. Model bu değişikliği bilmezse ya sürekli alarm üretir ya da körleşir. Bu nedenle normal modeli belirli aralıklarla, onaylanmış yeni sağlam örneklerle güncellenir; ürün ya da süreç değişikliği önceden bildirildiğinde güncelleme planlı yapılır. Sahaya özgü anomali modelleri projeye özel video analitik kapsamında kurulur; periyodik yeniden eğitim ve doğruluk raporu bu hizmetin standart parçasıdır.

Nereden başlamalı?

Verimli başlangıç, etiketli verinin az, kusur çeşitliliğinin fazla olduğu tek bir hat ya da tek bir alan seçmektir. Önce sağlam örnek toplanır ve kalite ekibi kümenin temizliğini onaylar. Ardından model gölge modda çalışır: ürettiği skorlar mevcut kontrol sonuçlarıyla yan yana konur. Eşik, kaçırılan kusur ile gereksiz red arasındaki dengeye göre sahada belirlenir. Bu karşılaştırma bitmeden sistem hattı durduracak yetkiye bağlanmaz. Pilotun sonunda yalnızca yakalanan kusur sayısına değil, işaretlenen sapmaların ne kadarının gerçek bir soruna karşılık geldiğine de bakılır; bu oran, sistemin kalite ekibine iş mi yoksa yük mü getirdiğini gösterir.

Sık sorulan sorular

Anomali tespiti için kaç tane kusurlu örnek gerekir?

Eğitim için kusurlu örnek gerekmez; model yalnızca sağlam parçalarla ya da olağan hareket kayıtlarıyla eğitilir. Kusurlu örnekler yine de değerlidir, ama başka bir iş için: eşiği ayarlamak ve modelin kusuru gerçekten yakaladığını doğrulamak. Bu yüzden pilot sırasında kalite ekibinin ayırdığı hatalı parçalar test kümesine eklenir ve kaçırma oranı bu kümeyle ölçülür.

Mevcut kameralarımız yüzey muayenesi için yeterli mi?

Genel gözetim kameraları davranış anomalileri için çoğu zaman yeterlidir. Yüzey muayenesinde durum farklıdır: hat hızında ince kusuru görmek için global shutter endüstriyel kamera ve kontrollü aydınlatma gerekir. Kurulum öncesi kamera envanteriniz ücretsiz değerlendirilir; uygun olan noktalar ve gerekirse eklenmesi gereken kamera raporlanır.

Anomali sistemi hattı otomatik durdurabilir mi?

Yüzey muayenesinde, eşik pilotta kalibre edildikten sonra karar PLC'ye OK/NOK sinyali olarak iletilebilir ve reddetme aktüatörünü tetikleyebilir. Davranış anomalilerinde otomatik müdahale önermiyoruz; sapmalar raporlanır, anlamlı olanlar kurala dönüştürülür. Hangi kararın otomatik, hangisinin insan onaylı olacağı proje başında yazılı olarak tanımlanır.

Hangi sistemlerle entegre olur?

Hat üzerinde PLC dijital çıkış ve Profinet/EtherNet-IP desteklenir; her parçanın görüntüsü ve kararı seri numarasıyla arşivlenebilir. Olaylar REST API ve MQTT üzerinden yayınlandığı için MES, ERP, VMS ve alarm altyapısına bağlanır. Varsayılan kurulumda görüntü tesis içindeki edge sunucuda işlenir, ham video buluta gönderilmez (istenirse işleme bulutta da yapılabilir); yüz tanıma kullanılmaz.