Bu çalışma, üniversite tabanlı bir teknoparkın araştırma laboratuvarları ile esnek üretim alanlarını ortak bir otomasyon mimarisi altında yönetmek için bulanık çıkarım tabanlı bir kontrol sistemi geliştirmektedir. Fuzzy Inference System (FIS), yapısal durum, enerji durumu, ölçüm doğruluğu ve kontrol durumu gibi birden fazla girdiyi bulanık üyelik fonksiyonları ve uzman tanımlı kurallar üzerinden değerlendirerek “işle”, “ayarla”, “yeniden işle” veya “durdur” türünde kontrol kararları üreten bir çıkarım sistemidir. Çalışma matematiksel modelleme ve bilgisayar tabanlı simülasyon deneylerine dayanmaktadır; gerçek bir teknoparkın uzun dönem saha uygulaması değildir.

Önerilen mimari sensör düzeyi, veri işleme düzeyi, karar düzeyi ve yürütme düzeyi olmak üzere dört hiyerarşik katman içerir. Araştırma laboratuvarı, esnek üretim sistemi, vinç-manipülatör, CNC makineleri, ölçüm alt sistemi ve taşıma sistemi aynı denetim yapısına bağlanmaktadır. Heterojen sensör verileri min–max normalizasyonuyla boyutsuzlaştırılır; modül yükü, görev işleme süresi ve iş kalitesi gibi değişkenlerden üretim durumunu ifade eden bulanık bir durum değişkeni oluşturulur.

Kaynakta verilen örnek FIS hesabında yapısal, enerji, ölçüm ve kontrol girdilerine ilişkin uzman üyelik dereceleri kurallarla birleştirilmiş; ağırlık merkezi yöntemiyle yapılan defuzzification sonucunda y* ≈ 0,405 bulunmuştur. Bu değer orta karar bölgesinde yer aldığı için sistem “adjust/reprocess”, yani ayarlama veya yeniden işleme yönünde karar vermektedir.

Simülasyon sonuçlarında geleneksel deterministik kontrol yaklaşımına kıyasla yönetim kararlarının ortalama işlem süresinde yaklaşık %19, süreç arızası olasılığında yaklaşık %27, modül aşırı yük faktöründe yaklaşık %19 ve anormal durumlara yanıt süresinde yaklaşık %33 azalma; üretim durumu değerlendirme doğruluğunda yaklaşık %23 ve genel operasyonel verimlilikte yaklaşık %17 artış bildirilmiştir. Bu değerler simülasyon sonuçlarıdır ve gerçek endüstriyel sahada doğrulanmış performans oranları olarak yorumlanmamalıdır.

Teknoparkta Bulanık Çıkarım Sistemi Kontrol Kararını Nasıl Veriyor?

Çalışmadaki Fuzzy Inference System, iş parçasının yapısal durumu, makinenin enerji durumu, ölçüm verisinin güvenilirliği ve kontrol sisteminin yük/durum bilgisini bulanık üyelik derecelerine dönüştürür; uzman kurallarını etkinleştirir, etkinleşen kuralların sonuçlarını birleştirir ve ağırlık merkeziyle tek bir sayısal çıktı üreterek sistemin işlem, ayarlama, yeniden işleme veya durdurma kararlarından hangisine yönelmesi gerektiğini belirler.

Araştırma problemi

Teknoparklarda araştırma laboratuvarları, prototipleme, üretim makineleri, robotlar, ölçüm sistemleri ve ürün kalite kontrolü çoğu zaman birbirine bağlı süreçlerdir. Kaynak çalışmanın çıkış noktası, bu bileşenlerin parçalı kontrol mekanizmalarıyla yönetilmesinin karar gecikmelerine, üretim esnekliğinin azalmasına ve belirsizlik altında koordinasyon sorunlarına yol açabilmesidir.

Önerilen çözüm, araştırma ve üretim faaliyetlerini aynı hesaplamalı kontrol mimarisi altında birleştirerek ölçümden karar üretimine ve fiziksel kontrol eylemine kadar uzanan kesintisiz bir denetim zinciri oluşturmaktır.

Teknopark mimarisindeki üç ana alt sistem

Dört düzeyli otomasyon mimarisi

Görev akışının matematiksel gösterimi

Denklem (1):

\[ \vartheta_i(t)=\sum_{k=1}^{m}\vartheta_{ik}(t) \]

Burada \(\vartheta_i(t)\), i'nci düzeydeki toplam görev akışı yoğunluğunu; \(\vartheta_{ik}(t)\) ise k'ncı tekil akışın yoğunluğunu temsil eder. Kaynakta bu akışların bilimsel deneyler, prototipleme, üretim işlemleri, ölçüm alt sistemleri, yürütme birimleri ve kontrol görevlerini kapsadığı belirtilmektedir.

Akış öncelikleri sabit değildir. Çalışma, görevlerin kritikliği, zaman aciliyeti, kaynak tüketimi, modül yükü ve ekipman kullanılabilirliği gibi koşullara göre kaynakların dinamik olarak yeniden dağıtılmasını öngörmektedir.

Heterojen sensör verilerinin normalizasyonu

Denklem (2):

\[ \tilde{x}_{ij}= \frac{x_{ij}-x_{ij}^{min}} {x_{ij}^{max}-x_{ij}^{min}} \]

\(x_{ij}\), O_i nesnesinin j'nci ölçüm parametresidir. \(x_{ij}^{min}\) ve \(x_{ij}^{max}\), kabul edilen minimum ve maksimum değerleri gösterir. Bu min–max dönüşümü farklı fiziksel birimlere ve ölçeklere sahip sensör değerlerini boyutsuz ortak bir ölçeğe taşır.

Bu adım önemlidir çünkü sıcaklık, konum, hız, yük veya başka ölçümler doğrudan aynı büyüklük gibi FIS'e verilirse değişken ölçekleri çıkarım sürecini etkileyebilir.

Kontrol verimliliğinin temel göstergeleri

Denklem (3) — toplam ölçüm yükü:

\[ M_{com}=\sum_{i=1}^{n}O_i m_i \]

Denklem (4) — ağırlıklı ortalama görev işleme süresi:

\[ \bar{T}= \frac{\sum_{i=1}^{n}O_i m_i t_i} {\sum_{i=1}^{n}O_i m_i} \]

Denklem (5) — modül yük faktörü:

\[ \rho_i=\frac{\vartheta_i}{\mu_i} \]

Burada \(\mu_i\) modülün işlem kapasitesini, \(t_i\) tek bir ölçümün işleme süresini ve \(\rho_i\) talep edilen görev akışı ile kapasite arasındaki yük ilişkisini ifade eder. \(\rho_i\) yükseldikçe modülün kapasitesine göre daha fazla yüklendiği anlaşılır.

Bulanık sistem durum değişkeni

Denklem (6):

\[ S_i=f(\rho_i,T_i^{avg},Q_i) \]

Bu ifade modül yük faktörünü, ortalama görev işleme süresini ve görev yürütme kalitesini tek bir bulanık durum tanımında birleştirir. Kaynakta S_i değerleri düşük, normal, yüksek ve kritik yük gibi dilsel sınıflara ayrılmaktadır.

Eşikler evrensel sabitler değildir. İncelenen mekanik montaj senaryosunun ekipman özellikleri, kapasitesi ve teknolojik gereksinimlerine göre kalibre edilir; başka bir üretim sistemine aktarılırken yeniden yapılandırılmaları gerekir.

Mekanik montaj üretim rotası

Kaynak Figure 1 mekanik montaj FMS'sinin üç boyutlu yerleşimini; Figure 2 ise bu üretim sırasını göstermektedir. Bu iki şeklin bilimsel rolü, fiziksel ekipman düzeni ile üretim operasyonlarının kontrol sırasını birbirine bağlamaktır.

FIS'in girişleri ve çıktıları

Model dört ana giriş değişkeni kullanır:

• x₁: iş parçasının yapısal durumu — geometri ve kusurlar,
• x₂: enerji durumu — güç kaynağı kararlılığı,
• x₃: bilgi/ölçüm durumu — ölçüm verisinin doğruluğu,
• x₄: kontrol durumu — çizelgeleme ve yükleme.

İki temel çıktı vardır: y₁ sistemin işlem/ayarlama/yeniden işleme/durdurma kararını, y₂ ise mevcut aşamadaki düşük/orta/yüksek hata riskini gösterir.

Trapezoidal üyelik fonksiyonu

Denklem (7):

\[ \mu_A(x_i)= \begin{cases} 0, & x_i\le a\\ \dfrac{x_i-a}{b-a}, & a\le x_i\le b\\ 1, & b\le x_i\le c\\ \dfrac{d-x_i}{d-c}, & c\le x_i\le d\\ 0, & x_i\ge d \end{cases} \]

\(a,b,c,d\), her bulanık durum teriminin trapezoidal üyelik sınırlarını tanımlar. Kaynakta bu sınırların uzman bilgisi, ekipman işletim özellikleri, kabul edilen çalışma aralıkları ve simülasyona dayalı gözlemlerle belirlendiği açıklanmaktadır.

Kaynakta kullanılan bulanık kurallar

Birinci kural düşük yapısal kusur, kararlı enerji, yüksek ölçüm kalitesi ve optimum kontrol durumu birlikte bulunduğunda “process / düşük risk” sonucuna gider. İkinci kural orta kusur veya enerji dalgalanmasında “adjust / orta risk” üretir. Üçüncü kural yüksek kusur, enerji arızası, düşük ölçüm kalitesi veya kontrol çatışmasından herhangi biri ortaya çıktığında “stop / yüksek risk” yönünde karar verir. Dördüncü kural orta kusur, kararlı enerji ve orta ölçüm kalitesini “reprocess / orta risk” ile eşleştirir.

Kural aktivasyonu

Denklem (8):

\[ \alpha_i= \min\{ \mu_{x_1}(x_1), \mu_{x_2}(x_2), \mu_{x_3}(x_3), \mu_{x_4}(x_4) \} \]

AND bağlantılı koşullarda en düşük üyelik derecesi kuralın aktivasyon derecesini sınırlar. Kaynağın OR içeren kurallarında ise ilgili üyelik değerleri arasında maksimum işlemi kullanılmaktadır.

Kuralların birleştirilmesi

Denklem (9):

\[ \mu_{y_1}(y)=\max_i\{\alpha_i\cdot\mu_{y_i}(y)\} \]

Bu aşama farklı kurallar tarafından önerilen çıktı bölgelerini tek bir toplu bulanık çıktı fonksiyonuna dönüştürür.

Defuzzification

Denklem (10):

\[ y^*= \frac{\int y\,\mu(y)\,dy} {\int \mu(y)\,dy} \]

Çalışma, birleştirilmiş bulanık çıktıdan tek bir sayısal karar üretmek için ağırlık merkezi yöntemini kullanmaktadır. Yazarlar bu yöntemi sürekli kontrol uygulamalarındaki kararlılığı ve yorumlanabilirliği nedeniyle seçmiştir.

Sayısal FIS örneği

Kaynak örneğinde α₁ = 0,8; α₂ = 0,45; α₃ = 0,2 ve α₄ = 0,45 elde edilmektedir. Kurallar birleştirilip Denklem (10) uygulandığında y* ≈ 0,405 bulunur. Figure 5'te bu centroid orta karar bölgesine düşmekte ve model ayarlama/yeniden işleme önermektedir.

Kaynakların yük ve süre açısından yeniden dağıtılması

Kaynak, S_i kritik eşiğin üzerine çıktığında bazı görevlerin daha düşük yüklü modüllere yönlendirilmesini önermektedir.

Denklem (11):

\[ \min\sum_{i=1}^{n} \left( T_i^{avg}+\alpha\rho_i \right) \]

\(\alpha\), işleme süresini azaltma ile modül yükünü azaltma arasındaki öncelik dengesini belirleyen katsayıdır. Amaç yalnız en hızlı modülü seçmek değil, işlem süresi ile aşırı yüklenme arasında ortak bir optimizasyon yapmaktır.

Bu Çalışmadaki Bulanık Sistem Veriyle Eğitilen Bir Yapay Zekâ Modeli mi?

Hayır; mevcut çalışmadaki FIS, eğitim/veri doğrulama/test kümeleriyle optimize edilmiş bir makine öğrenmesi modeli değildir. Üyelik fonksiyonu sınırları ve kural tabanı uzman bilgisi, ekipman özellikleri ve simülasyon gözlemleriyle kalibre edilmiştir; neuro-fuzzy öğrenme, reinforcement learning, data mining ve otomatik üyelik fonksiyonu ayarlaması sonraki araştırma yönleri olarak önerilmektedir.

Startup ürün yaşam döngüsü

Çalışma teknoparkın temel çıktısını startup projesi bağlamında beş aşamada kavramsallaştırmaktadır: fikir/seed kavramsallaştırma, seed uygulama, geliştirme ve iyileştirme, büyüme ve ölçekleme, son olarak bütünleşik kalite kontrol ve doğrulama.

Son aşama laboratuvar doğrulamasından endüstriyel üretime geçiş noktasıdır. Önerilen otomasyon mimarisinin temel işlevlerinden biri bu geçişte laboratuvar ölçümlerini üretim hattındaki kalite ve ekipman teşhisiyle aynı denetim zincirine bağlamaktır.

İki aşamalı denetim yapısı

Aşama I — Laboratuvar düzeyi işlevsel doğrulama: mekanik alt sistemlerin, konum/hız/sıcaklık gibi ölçüm vericilerinin, motor/valf/pnömatik veya elektrikli aktüatörlerin, PLC ve mikrodenetleyicilerin, güç kaynaklarının ve CAN/UART/I2C/Ethernet gibi haberleşme arayüzlerinin çalışabilirliği değerlendirilir.

Aşama II — Üretim düzeyi kalite ve teşhis kontrolü: ürün kalitesi, endüstriyel robotlar, manipülatörler, otomatik taşıma elemanları ve elektromekanik cihazlar izlenir; ekipman bozulması ve operasyonel anomaliler için öngörücü değerlendirme yapılması hedeflenir.

Sensör modeli

Denklem (12):

\[ S(t)=G_sx(t)+\varepsilon_s(t) \]

\(S(t)\) ölçülen sensör sinyalini, \(x(t)\) gerçek fiziksel değişkeni, \(G_s\) sensör kazancını ve \(\varepsilon_s(t)\) stokastik ölçüm hatasını ifade eder. Kaynak normal koşullarda hata teriminin sıfır ortalamalı ve yaklaşık Gaussian kabul edilebileceğini, fakat FIS karar yapısının orta düzeyde Gaussian olmayan bozulmalara da katı biçimde bağımlı olmadığını belirtmektedir.

Aktüatör dinamiği

Denklem (13):

\[ M\ddot{y}(t)+B\dot{y}(t)+Ky(t)=F(t) \]

\(y(t)\) aktüatör yer değiştirmesi, \(M\) etkin kütle, \(B\) sönüm katsayısı, \(K\) rijitlik ve \(F(t)\) uygulanan kontrol kuvvetidir. Denklem, mekatronik elemanın kontrol komutuna mekanik tepkisini ikinci dereceden dinamik sistem olarak temsil eder.

PID geri besleme kontrolü

Denklem (14):

\[ e(t)=x_r(t)-x(t) \]

Denklem (15):

\[ u(t)= K_pe(t) + K_i\int_0^t e(\tau)d\tau + K_d\frac{de(t)}{dt} \]

\(x_r(t)\) referans yörüngeyi; \(e(t)\) takip hatasını; \(K_p\), \(K_i\) ve \(K_d\) sırasıyla oransal, integral ve türev kazançlarını temsil eder. Kaynak bu kazançların mevcut uygulamada mekatronik sistemin dinamik tepkisine göre ampirik olarak ayarlandığını ve gelecekte fuzzy supervisor ile adaptif/self-tuning PID kullanımının mümkün olduğunu belirtmektedir.

Ürün kalite vektörü

Denklem (16):

\[ \mathbf{q}= [q_1,q_2,\ldots,q_m]^T \]

Kalite vektörü boyutsal toleranslar, yapısal bütünlük, işlevsel performans, kütle özellikleri ve gömülü zekâ kabiliyeti gibi ürün özelliklerini temsil eder.

Denklem (17):

\[ \mathbf{q}_{min} \le \mathbf{q} \le \mathbf{q}_{max} \]

Bir startup ürününün teknik gereksinimlere uygun kabul edilmesi için kalite göstergelerinin tanımlanan alt ve üst sınırlar içinde kalması gerekir.

Aktif ekipman matrisi

Denklem (18):

\[ M_{AE_{ij}}= \begin{bmatrix} AE_{11}&AE_{12}&AE_{13}\\ AE_{21}&AE_{22}&AE_{23}\\ AE_{31}&AE_{32}&AE_{33} \end{bmatrix} \]

Kaynakta AE₁₁ vinç-manipülatörü, AE₁₂ dijital tornayı, AE₁₃ dijital frezeyi, AE₂₁ dijital radyal matkabı, diğer hücreler kesme/bükme/pres ekipmanlarını ve metal parçalar için 3D yazıcıyı temsil etmektedir.

Çalışma kipleri matrisi

Denklem (19), AE₁₁ vinç-manipülatörü ve AE₁₂ dijital tornaya ait ON_ij çalışma kiplerini dört satırlı bir matris içinde düzenler. Matrisin ardından kaynak, çalışma kiplerini x₁–x₇ kontrol değişkenleriyle açık mantıksal eşlemeler üzerinden ilişkilendirmektedir. Bu ilişkiler konumlandırma, parçaya yaklaşma, tutucunun açılması/kapanması, yukarı hareket, tornaya ilerleme ve parçayı bağlama aşamalarını kapsar.

Kaynak PDF'deki Denklem (20) seyrek kontrol matrisinin görsel dizilimi metin çıkarımında sembol konumlarını güvenilir biçimde korumadığından burada yeniden dizilerek sahte hassasiyet üretilmemiştir. Bilimsel içerik; x₁–x₇ değişkenleri, y çıktı vektörü, 13 kontrol parametresi ve Algorithm 1'de verilen operasyon değerleri üzerinden korunmaktadır.

Vinç-manipülatör için Algorithm 1

Bu değerler kaynak algoritmasındaki değerlerdir; Verianla tarafından fiziksel uygunluk açısından değiştirilmemiş veya yeniden ölçeklenmemiştir.

Kontrol parametrelerinin sayısı

Denklem (21):

\[ N_{KMO}=\sum_{i,j}a_{ij}=13 \]

Kaynak, vinç-manipülatör operasyon dizisi için toplam 13 kontrol parametresi bulunduğunu belirtmektedir.

Kontrol cihazı eşlemesi

Denklem (22):

\[ T:x_i\mapsto Device(x_i), \qquad i=1,\ldots,7 \]

Kaynakta x₁ için temassız 5010SUG vericisi; x₂, x₅, x₆ ve x₇ için optoNCDT 1420 doğrusal yer değiştirme sensörü; x₃ ve x₄ için SS-G serisi tutucu kontrolü; x₆ için ayrıca SC-G ileri/geri doğrusal hareket bileşeni eşleştirilmiştir.

Ayrık zamanlı durum uzayı modeli

Denklem (23):

\[ x(i+1)=Ax(i)+Bu(i) \]

Denklem (24):

\[ y(i)=Cx(i)+Du(i) \]

\(x(i)\) operasyon kiplerinin durum vektörü, \(u(i)\) başlat/durdur ve hız sinyalleri gibi kontrol girişleri, \(y(i)\) ise yer değiştirme, yük kaldırma ve konumlandırma gibi ölçülen çıktılardır. A, B, C ve D matrisleri ayrık zamanlı sistem dinamiğini tanımlar.

Çalışmanın Yöntemi ve Bulguları

Araştırma türü

Çalışma bir teorik mimari önerisi ile analitik modelleme ve bilgisayar simülasyon deneylerini birleştirmektedir. Fiziksel bir fabrikada randomize deney, uzun süreli saha denemesi veya gerçek işletme verisi üzerinden prospektif performans doğrulaması raporlanmamaktadır.

Simülasyonun temsil ettiği fiziksel üretim sistemi

Simülasyonun merkezindeki mekanik montaj hücresi; bir vinç-manipülatör, üç işleme makinesi, dairesel taşıma hattı ve blanking station içeren bir esnek üretim hücresidir. Üretim, silindirik iş parçalarının farklı makineler arasında taşınması ve ardışık olarak işlenmesi üzerinden modellenmektedir.

Simüle edilen bozulmalar

Kaynakta beklenmeyen olaylar stokastik disturbance event olarak modellenmiştir. Bunlar geçici sensör hataları, enerji kaynağı dalgalanmaları, iletişim gecikmeleri, aktüatör sapmaları ve yapısal işleme kusurlarını içerir.

Belirsizlik düzeyi; arıza olaylarının aktivasyon olasılığı, süresi ve genliği değiştirilerek oluşturulmuştur. Çalışma, nominal koşulları ve yapısal, enerji, iletişim, ölçüm ve kontrol arızalarının bulunduğu senaryoları karşılaştırmıştır.

Simülasyon ve doğrulama yaklaşımı

Fuzzy inference ve monitoring mimarisi, endüstriyel sensörleri, kontrol alt sistemlerini, taşıma modüllerini ve esnek üretim operasyonlarını temsil edebilen bilgisayar tabanlı bir simülasyon ortamında yürütülmüştür.

Model farklı görev akış yoğunlukları, ekipman yükleri ve belirsizlik seviyeleriyle yinelemeli olarak çalıştırılmıştır. Her döngüde FIS mevcut işletim durumunu değerlendirmiş, adaptif kontrol kararı üretmiş ve supervisory control eylemlerini güncellemiştir.

Doğrulama; normal ve bozulmuş koşullar arasında işlem süresi, yük dengeleme, arıza yanıt davranışı ve üretim durumu değerlendirme doğruluğunun karşılaştırılmasıyla gerçekleştirilmiştir.

Kaynak belirli bir MATLAB/Simulink/Python sürümü, CPU/GPU donanımı, rastgele sayı tohumu veya bütün stokastik senaryolar için tam parametrik dağılım tablosu vermemektedir. Bu nedenle bağımsız birebir yeniden üretim için bazı uygulama ayrıntıları eksiktir.

Laboratuvar ve üretim katmanlarının entegrasyonu

Önerilen mimaride laboratuvar aşamasındaki fonksiyonel doğrulama ile üretim aşamasındaki kalite/teşhis kontrolü ortak bir supervisory layer altında birleştirilir. Bu yapı startup prototipinin araştırma laboratuvarından üretim hattına geçerken sensör verisi, kalite sınırları ve ekipman durumu arasındaki bağlantının kopmamasını hedefler.

Human-in-the-loop yaklaşımı

Çalışma tam otonom insan dışı bir üretim sistemi önermemektedir. Industry 5.0 bağlamında insan operatör ve alan uzmanlarının anormal durumların yorumlanması, kritik kontrol kararlarının doğrulanması, üretim hedeflerinin stratejik değiştirilmesi ve kural tabanıyla tam biçimde ifade edilemeyen belirsiz senaryolar için sistemde kalması gerektiğini savunmaktadır.

Simülasyon Sonuçları Geleneksel Deterministik Denetime Göre Ne Gösterdi?

Kaynakta raporlanan bilgisayar simülasyonlarına göre bulanık kontrol mimarisi geleneksel deterministik/fixed-threshold supervisory yaklaşımlara kıyasla karar işleme süresi, süreç arızası, aşırı yük ve anormal duruma yanıt süresini azaltırken üretim durumu değerlendirme doğruluğu ile genel operasyonel verimliliği artırmıştır; ancak bu oranlar gerçek fabrika saha denemesinden değil simülasyon karşılaştırmasından elde edilmiştir.

Bütün yüzdeler kaynakta yaklaşık değer olarak raporlanmıştır. Ham deney/simülasyon serilerinin tamamı makalede tablo biçiminde verilmediği için bu oranlardan yeni kesin başlangıç ve bitiş değerleri türetilmemiştir.

Figure 9'un bilimsel mesajı

Figure 9 üç ayrı panel içerir. Panel (a) geleneksel sistem ile fuzzy control modelini çeşitli performans göstergelerinde karşılaştırır. Panel (b) zaman/üretim döngüleri boyunca yük katsayısının geleneksel ve bulanık kontrol altında nasıl değiştiğini gösterir. Panel (c) x₁–x₄ sistem parametreleri boyunca process, adjust, reprocess ve stop karar bölgelerine karşılık gelen hata riski geçişlerini görselleştirir.

Kaynağın Bölüm 5.3 metni bu performans karşılaştırmasına “Figure 6” diye atıf yapmaktadır; ancak Figure 6 kontrol mimarisini göstermektedir. Performans grafiği Figure 9'dur. Bu kaynak içi referans farkı Verianla tarafından gizlenmemiştir.

Figure 4 ve Figure 5'in bilimsel rolü

Figure 4, x₁–x₄ girişleri ile çıktı değişkenleri için fuzzy membership fonksiyonlarını göstermektedir. Figure 5 ise birleştirilmiş çıktı fonksiyonunun centroid değerini yaklaşık 0,405 olarak gösterir. Bu iki şekil birlikte fuzzification'dan tek bir kontrol kararına geçişi açıklamaktadır.

Figure 6 ve Figure 7'nin bilimsel rolü

Figure 6 araştırma laboratuvarı, startup hazırlık aşaması, test modeli, ölçüm ve diagnostik elemanları, esnek üretim modülleri, yerel kontrol birimleri ve merkezî otomasyon sistemi arasındaki bilgi/denetim ilişkisini göstermektedir.

Figure 7 mekatronik startup elemanında ölçüm vericisi → PID kontrolcü → aktüatör → mevcut durum değerlendirmesi → işletim durumu izleme biçimindeki geri besleme yapısını gösterir.

Figure 8'in bilimsel rolü

Figure 8 vinç-manipülatör AE₁₁ ile dijital torna AE₁₂ arasındaki üretim ve geçişleri x_i kontrol değişkenleri ve y kalite çıktısıyla ilişkilendirir. Şeklin hemen altında Algorithm 1, bu geçişlerde kullanılan temel konum, hız, tutucu ve yük parametrelerini sayısal olarak tanımlar.

Çalışmanın güçlü yönleri

• Araştırma laboratuvarı ile üretim hattını aynı otomasyon mimarisinde ele alması.
• Belirsizliği yalnız sabit eşiklerle değil fuzzy membership ve kural tabanıyla modellemesi.
• Sensör, FIS, PID ve üretim kalite kontrolünü tek matematiksel zincirde birleştirmesi.
• Yapısal, enerji, ölçüm ve kontrol arızalarını ayrı girişler olarak değerlendirmesi.
• Vinç-manipülatör senaryosunu somut cihaz ve hareket parametreleriyle ayrıntılandırması.
• İnsan uzmanını sistemden çıkarmak yerine human-in-the-loop yapısını Industry 5.0 kapsamında koruması.
• Normal ve bozulmuş koşulları karşılaştıran simülasyon değerlendirmesi sunması.

Çalışmanın sınırlılıkları

• Performans sonuçları bilgisayar simülasyonuna dayanmaktadır; büyük ölçekli gerçek teknopark saha doğrulaması henüz sunulmamıştır.
• Fuzzy modelin doğruluğu başlangıçta uzmanların tanımladığı kural tabanı ve üyelik sınırlarının kalitesine bağlıdır.
• Değişken sayısı çok yükseldiğinde fuzzy rule base'in boyutu hızla artabilir ve hesaplama maliyeti sorun oluşturabilir.
• Kaynak belirli simülasyon yazılımı/sürümü ve donanım platformunu açıklamamaktadır.
• Stokastik arızalar için genel senaryo üretim mantığı açıklanmış olsa da bütün dağılım parametreleri, seed değerleri ve her deney koşulunun tam tekrar ayarları yayımlanmamıştır.
• Raporlanan performans yüzdeleri yaklaşık simülasyon değerleridir; gerçek endüstriyel üretim hattındaki uzun dönem güvenilirlik veya ekonomik getiri ölçümü değildir.
• Fuzzy membership fonksiyonlarının otomatik öğrenilmesi mevcut sistemde uygulanmamıştır.

Çalışmanın desteklediği sonuçlar

• Önerilen FIS tabanlı mimari, simülasyonda belirsizlik altında kademeli kontrol kararı üretebilmektedir.
• Yapısal, enerji, ölçüm ve kontrol arızaları ortak karar modeli içinde değerlendirilebilmektedir.
• Kaynakların modüller arasında dinamik yeniden dağıtılması aşırı yükü azaltan simülasyon sonucu üretmiştir.
• Fuzzy kontrol simülasyonlarda geleneksel deterministik karşılaştırmaya göre çeşitli performans metriklerinde daha iyi sonuç vermiştir.
• Laboratuvar doğrulaması ve üretim kontrolü tek supervisory architecture altında matematiksel olarak bütünleştirilebilir.
• Vinç-manipülatör, makine araçları ve taşıma sistemi simülasyon ortamında eşgüdümlü olarak kontrol edilmiştir.

Çalışmanın desteklemediği sonuçlar

• Önerilen sistemin bütün gerçek teknoparklarda aynı yüzdelerle performans sağlayacağı gösterilmemiştir.
• ≈ %19, ≈ %27, ≈ %23, ≈ %33 ve ≈ %17 değerleri gerçek fabrika saha ölçümleri değildir.
• Sistemin ekonomik yatırım geri dönüşü gerçek işletme maliyetleriyle doğrulanmamıştır.
• Neuro-fuzzy öğrenme, reinforcement learning, digital twin ve self-tuning PID mevcut deneylerin gerçekleştirilmiş bileşenleri değildir; gelecek çalışma önerileridir.
• Model tam otonom ve insan uzmanından bağımsız bir Industry 5.0 sistemi olarak doğrulanmamıştır.
• Belirli başka bir ülke, teknopark veya üretim ağı için doğrudan genellenebilirlik deneysel olarak gösterilmemiştir.

Gelecek çalışmalar

Yazarlar modelin makine öğrenmesi ve data mining ile genişletilmesini, gerçek zamanlı Industrial Internet of Things verilerinden neuro-fuzzy üyelik fonksiyonlarının öğrenilmesini, distributed artificial intelligence ve edge computing ile merkezi olmayan karar desteği kurulmasını ve üretim ekipmanlarının digital twin modellerinin sisteme bağlanmasını önermektedir.

Diğer gelecek araştırma yönleri arasında reinforcement learning, adaptive self-tuning control, kestirimci ekipman bozulması analizi ve çok daha büyük Industry 5.0 üretim ağlarında gerçek dünya dağıtımı bulunmaktadır.

Kaynak ve Yöntem Notu

Özgün çalışma: Automation of the Control Process of the Research and Flexible Production Areas of the Technopark.

Yazarlar: José Ramón Trillo; Javanshir Mammadov; Yusif Huseynov; Matanat Ahmadova; Aysel Eminova.

Sorumlu yazar: José Ramón Trillo.

Kurum 1: Department of Computer Science and Systems Engineering, University of Zaragoza, Zaragoza, Spain.

Kurum 2: Department of Process Automation, Faculty of Engineering, Sumgayit State University, Sumgayit, Azerbaijan.

Kurum 3: Department of Automation and Mechanics, Azerbaijan University of Technology, Ganja, Azerbaijan.

Kurum 4: Department of Management, Azerbaijan University of Technology, Ganja, Azerbaijan.

Dergi: AI.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / sayı / makale: 7(5), 173.

DOI: 10.3390/ai7050173.

Makale türü: Article; matematiksel modelleme ve bilgisayar tabanlı simülasyon deneylerini içeren mühendislik/kontrol çalışması.

Tarihler: Alınma 15 Mart 2026; revizyon 07 Mayıs 2026; kabul 14 Mayıs 2026; yayın 19 Mayıs 2026.

Lisans: Creative Commons Attribution (CC BY).

Hakemlik: Yayımlanmış MDPI dergi makalesidir; resmî yayın sayfasında review reports bağlantısı bulunmaktadır.

Finansman: Yazarlar araştırmanın dış finansman almadığını bildirmiştir.

Etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Veri erişilebilirliği: Yazarlar verilerin gizlilik/kısıtlama gerekçeleri nedeniyle sorumlu yazardan talep üzerine edinilebileceğini belirtmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bulunmadığını beyan etmiştir.

Yazar katkıları: Kavramsallaştırma Yusif Huseynov ve Javanshir Mammadov; metodoloji José Ramón Trillo, Yusif Huseynov ve Aysel Eminova; yazılım José Ramón Trillo ve Yusif Huseynov; doğrulama Javanshir Mammadov, Aysel Eminova, Yusif Huseynov ve Matanat Ahmadova; biçimsel analiz José Ramón Trillo ve Yusif Huseynov; araştırma Yusif Huseynov, Javanshir Mammadov ve Matanat Ahmadova; kaynaklar Javanshir Mammadov ve Aysel Eminova; veri kürasyonu Yusif Huseynov; özgün taslak José Ramón Trillo ve Aysel Eminova; inceleme-düzenleme José Ramón Trillo, Javanshir Mammadov, Yusif Huseynov ve Matanat Ahmadova; görselleştirme José Ramón Trillo; gözetim Javanshir Mammadov; proje yönetimi Javanshir Mammadov ve Aysel Eminova tarafından yürütülmüştür.

Temel yöntemsel sınır: Çalışmanın nicel performans sonuçları simülasyon temellidir. Kaynak, önerilen sistemin büyük ölçekli gerçek teknoparkta uzun süreli saha dağıtımını henüz göstermemektedir.

Kaynak içi referans notu: Bölüm 5.3 performans karşılaştırmasını Figure 6'ya bağlamaktadır; görsel içerik incelendiğinde ilgili performans karşılaştırması Figure 9'dadır. Figure 6 araştırma ve esnek üretim alanlarının otomasyon mimarisidir.

Kısaltma notu: Kaynak “GPS system” ifadesini teknopark mekanik montaj ve üretim sistemi bağlamında kullanmaktadır ancak PDF içinde güvenilir bir açık uzun biçim tanımlamadığından Verianla bu kısaltma için yeni bir açılım üretmemektedir.

Yeniden üretilebilirlik notu: Kaynak genel bilgisayar tabanlı simülasyon ve fuzzy-model simulation environment açıklaması vermekte; belirli yazılım/sürüm, donanım, random seed ve bütün disturbance senaryolarının tam parametrik tanımını raporlamamaktadır.

Verianla yeniden anlatım notu: Bu metin özgün makalenin tam çevirisi veya cümle-paragraf düzeyinde yeniden yazımı değildir. Kaynağın problem tanımı, model mimarisi, matematiksel denklemleri, algoritmik ilişkileri, sayısal simülasyon sonuçları, şekillerin bilimsel görevleri ve sınırlılıkları korunarak bağımsız Türkçe eğitimsel bilim katmanı oluşturulmuştur. Kaynak figürlerinin piksel kopyaları kullanılmamıştır.