AI Summary & Key Takeaways
AI InsightThese variables significantly affect key product attributes such as fabric quality, color consistency, texture, durability, and overall production cost.
📌 3 Key Takeaways
Abstract
Textile production processes are inherently complex, involving the simultaneous management of numerous interdependent variables. These variables significantly affect key product attributes such as fabric quality, color consistency, texture, durability, and overall production cost. The high degree of variability within these processes presents a substantial challenge to maintaining consistent product quality, thereby increasing the likelihood of production errors. As a solution to these challenges, this study proposes a machine learning-based decision support system aimed at optimizing process parameters in textile production and predicting potential manufacturing defects in advance. Unlike existing approaches, the system enables the systematic management of production variables, allowing for proactive interventions to enhance quality and efficiency. Between 2022 and 2023, a comprehensive analysis was conducted within a textile company to identify and examine the most prevalent defect type occurring during the rotary printing stage. Through structured system analysis, the root causes of these defects were investigated, and the critical parameters influencing production outcomes were defined. Historical production data, retrieved from internal data storage systems, served as the foundation for model development. A key contribution of this study lies in its integrative approach, which combines defect causality analysis with the construction of a predictive decision support model. The model leverages machine learning algorithms that incorporate both operator and machine performance metrics to forecast defect-free production scenarios. By doing so, it not only anticipates potential errors but also recommends optimal parameter configurations to prevent their occurrence. This research underscores the potential of data-driven methodologies in advancing process improvement and error mitigation strategies within the textile industry. The proposed system offers a scalable and intelligent framework for enhancing production reliability, reducing waste, and supporting real-time decision-making in complex manufacturing environments.
Özet
Tekstil üretim süreçleri, çok sayıda birbirine bağımlı değişkenin eşzamanlı olarak yönetilmesini gerektiren karmaşık yapılarla karakterize edilir. Bu değişkenler; kumaş kalitesi, renk tutarlılığı, doku, dayanıklılık ve üretim maliyeti gibi temel ürün özelliklerini doğrudan etkiler. Süreçlerdeki yüksek değişkenlik, istenilen kalite seviyesinin tutarlı biçimde sağlanmasını zorlaştırmakta ve üretim hatalarının oluşma olasılığını artırmaktadır. Bu zorluklara çözüm olarak, çalışmada tekstil üretiminde süreç parametrelerini optimize etmeyi ve olası üretim hatalarını önceden tahmin etmeyi amaçlayan makine öğrenmesi tabanlı bir karar destek sistemi önerilmektedir. Sistem, mevcutta bulunan çalışmalardan farklı olarak üretim değişkenlerinin sistematik biçimde yönetilmesini sağlayarak kalite ve verimliliği artırmaya yönelik proaktif müdahalelere olanak tanımaktadır. 2022–2023 yılları arasında bir tekstil işletmesinde gerçekleştirilen kapsamlı analizler sonucunda, rotasyon baskı aşamasında en sık karşılaşılan hata türü belirlenmiş ve bu hatanın temel nedenleri sistem analiz adımlarıyla incelenmiştir. Üretim sonuçlarını etkileyen kritik parametreler tanımlanmış, ilgili veri depolama sistemlerinden elde edilen tarihsel üretim verileri model geliştirme sürecinde kullanılmıştır. Bu çalışmanın temel katkısı, hata nedenlerinin analizini içeren çok yönlü yaklaşımı ile tahmine dayalı bir karar destek modelinin geliştirilmesini bir araya getirmesidir. Model hem operatör hem de makine performans metriklerini dikkate alan makine öğrenmesi algoritmalarından yararlanarak hatasız üretim senaryolarını öngörmektedir. Böylece yalnızca olası hataları önceden tahmin etmekle kalmayıp, aynı zamanda bu hataların oluşmasını engelleyecek optimum parametre yapılarını da önermektedir. Araştırma, tekstil sektöründe süreç iyileştirme ve hata önleme stratejilerinin geliştirilmesinde veri odaklı yöntemlerin potansiyelini ortaya koymaktadır. Önerilen sistem, üretim güvenilirliğini artıran, atık oranlarını azaltan ve karmaşık üretim ortamlarında gerçek zamanlı karar alma süreçlerini destekleyen ölçeklenebilir ve akıllı bir çerçeve sunmaktadır