Projeler & İnteraktif Laboratuvar
Bulanık Mantık (Fuzzy Logic) karar destek sistemleri, 3D yüzey modellemeleri, canlı hesaplayıcılar, yalın üretim Pareto analizleri ve 6M Balık Kılçığı kök neden çözümleri.
Bulanık Mantık (Fuzzy Logic) Tabanlı Karar Destek & Optimizasyon Sistemi
Belirsizlik içeren dinamik üretim ortamlarında Makine Kullanım Oranı, İş Gücü Verimliliği ve Birim Hata Payı değişkenlerini entegre ederek, en yüksek verimlilik getirecek yatırım ve kapasite artış önceliğini hesaplayan kural tabanlı uzman sistem.
Canlı 3D Bulanık Karar Yüzeyi
🖱️ Fareyle sürükleyerek 360° döndürebilir, tekerlekle yakınlaştırabilir ve yüzey noktalarındaki ($X, Y \to Z$) analitik çıktıları inceleyebilirsiniz.
İnteraktif Bulanık Hesaplayıcı
Makine kullanımı (%75) ve iş gücü verimliliği (%80) yüksek seviyede olduğundan sistem kapasite artırıcı yatırımı güçlü biçimde önermektedir.
Mamdani vs. Sugeno Karşılaştırma Laboratuvarı
Aşağıdaki tabloda 8 farklı uç ve standart üretim senaryosunda Mamdani ve Sugeno modellerinin ürettiği optimizasyon sonuçları ve sapma oranları karşılaştırılmaktadır:
| # Senaryo | Makine (%) | İş Gücü (%) | Kusur (%) | Mamdani (COG) | Takagi-Sugeno | Fark (%) | Önerilen Karar |
|---|---|---|---|---|---|---|---|
| S-1 (Kritik Düşük) | 20% | 30% | 15% | 18.5 | 17.2 | +1.3% | Acil Süreç İyileştirme & Eğitim |
| S-2 (Dengesiz Kapasite) | 85% | 35% | 12% | 44.0 | 42.8 | +1.2% | İş Gücü Eğitimi & Hat Dengeleme |
| S-3 (Yüksek Kalite/Düşük Hız) | 40% | 90% | 2% | 61.5 | 60.9 | +0.6% | Makine Bakımı & Otomasyon Yatırımı |
| S-4 (Mevcut Canlı Simülasyon) | 75% | 80% | 4.5% | 82.4 | 83.1 | -0.7% | Kapasite Genişletme Yatırımı |
| S-5 (Tam Kapasite / Mükemmel) | 95% | 95% | 1% | 94.8 | 95.2 | -0.4% | Öncelikli Yeni Hat Yatırımı (ROI: <3 Ay) |
import numpy as np
import skfuzzy as fuzz
from skfuzzy import control as ctrl
# 1. Giriş ve Çıkış Bulanık Değişkenleri (Antecedent & Consequent)
machine_util = ctrl.Antecedent(np.arange(0, 101, 1), 'machine_utilization')
labor_eff = ctrl.Antecedent(np.arange(0, 101, 1), 'labor_efficiency')
defect_rate = ctrl.Antecedent(np.arange(0, 21, 1), 'defect_rate')
invest_score = ctrl.Consequent(np.arange(0, 101, 1), 'investment_priority')
# 2. Üyelik Fonksiyonları (Membership Functions)
machine_util['low'] = fuzz.trimf(machine_util.universe, [0, 0, 50])
machine_util['med'] = fuzz.trimf(machine_util.universe, [25, 50, 75])
machine_util['high'] = fuzz.trimf(machine_util.universe, [50, 100, 100])
labor_eff['low'] = fuzz.trimf(labor_eff.universe, [0, 0, 50])
labor_eff['high'] = fuzz.trimf(labor_eff.universe, [50, 100, 100])
invest_score['low'] = fuzz.trimf(invest_score.universe, [0, 0, 40])
invest_score['med'] = fuzz.trimf(invest_score.universe, [30, 50, 70])
invest_score['high'] = fuzz.trimf(invest_score.universe, [60, 100, 100])
# 3. Kural Tabanı & Durulaştırma (Mamdani Centroid Inference)
rule1 = ctrl.Rule(machine_util['high'] & labor_eff['high'] & defect_rate['low'], invest_score['high'])
rule2 = ctrl.Rule(machine_util['low'] | labor_eff['low'], invest_score['low'])
invest_ctrl = ctrl.ControlSystem([rule1, rule2])
sim = ctrl.ControlSystemSimulation(invest_ctrl)Yalın Üretim & Kalite İyileştirme (Pareto & 6M Kök Neden Analizi)
Tekstil üretim tesisinde dikim hatlarındaki kalite hatalarını Pareto Analizi (80/20) ile sınıflandırarak en kritik kök nedenleri 6M Balık Kılçığı (Ishikawa) diyagramı ve Kaizen çalışmalarıyla elimine eden saha optimizasyon projesi.
Animasyonlu Pareto Analizi (80/20 Kuralı)
Üretim sahasında kaydedilen 450 adet dikim hatasının %78.2'sini ilk iki ana kusur (Dikiş Kayması ve İplik Kopması) oluşturmaktadır.
İnteraktif 6M Balık Kılçığı (Ishikawa)
Dikiş kayması ve iplik kopması hatalarının kök nedenlerini incelemek için ilgili 6M kategorisine tıklayarak Kaizen aksiyonlarını görüntüleyin:
İnsan (Manpower)
Operatör yorgunluğu ve standart iş eğitimi eksiklikleri.
Makine (Machine)
İğne ucu mikro aşınması ve tansiyon kalibrasyon hatası.
Metot (Method)
Standart İş Talimatı (SOP) eksikliği ve besleme hızı kılavuzu.
Malzeme (Material)
İplik büküm kalitesi ve parti kumaş elastikiyet farkı.
Ölçüm (Measurement)
Periyodik mastar ve mezura tolerans kontrolü.
Ortam (Milieu / Env)
Ortam bağıl nem oranı ve aydınlatma lüks seviyesi.
Montaj Hattı Dengeleme & Çevrim Süresi Simülatörü
4 ardışık istasyonun işlem sürelerini (saniye) değiştirerek hat çevrim süresini ($C_{max}$), darboğaz istasyonu ve hat dengeleme verimliliğini ($\eta$) anlık simüle edin: