Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightDuyarlılık analizi, Zaman, Dış Sıcaklık, Nem ve Kule'nin sistem davranışını yönlendiren en etkili parametreler olduğunu ortaya koymuştur.
📌 3 Maddede Bu Makale
Özet
Bu çalışma, makine öğrenimi, evrimsel hesaplama ve siber-fiziksel sistemlerin (CPS) birleşik kullanımı yoluyla akıllı üretim ortamlarını optimize etmek için entegre bir Endüstri 4.0 çerçevesi sunmaktadır. Endüstriyel bir sprey kurutma işleminden elde edilen 1.510 gerçek zamanlı operasyonel gözlem kullanılarak, çerçeve, tahmine dayalı analitiği ve sürekli operasyonel iyileştirmeyi desteklemek için Rastgele Orman Regresyonunu (RFR) bir Genetik Algoritma (GA) optimizasyon motoruyla entegre etmektedir. RFR modeli yüksek tahmin doğruluğuna (R² = 0,9144) ulaşarak, proses koşullarının güvenilir gerçek zamanlı değerlendirilmesini sağlamıştır. GA, istikrarlı bir yakınsama göstermiş ve optimize edilmiş giriş sıcaklığında %5,91'lik bir iyileşmenin yanı sıra termal verimlilikte (%3,2) ve enerji tüketiminde (%1,8) ölçülebilir iyileştirmeler sağlamıştır. Duyarlılık analizi, Zaman, Dış Sıcaklık, Nem ve Kule'nin sistem davranışını yönlendiren en etkili parametreler olduğunu ortaya koymuştur. CPS mimarisi, gerçek zamanlı algılama, tahmine dayalı modelleme ve optimizasyonu etkili bir şekilde birleştirerek, endüstriyel alanlarda güçlü ölçeklenebilirlik ve aktarılabilirlik sergiledi. Genel olarak, bulgular, makine öğrenimi ve evrimsel optimizasyonun Endüstri 4.0 ekosistemine entegre edilmesinin, otonom, verimli ve son derece uyarlanabilir üretim operasyonlarını mümkün kıldığını göstermektedir.
Abstract
This study presents an Industry 4.0–oriented framework for optimizing smart manufacturing environments through the integration of machine learning, evolutionary computation, and cyber–physical systems (CPS). Using 1,510 operational observations collected from an industrial spray-drying process, the framework combines Random Forest Regression (RFR) for predictive modeling with a Genetic Algorithm (GA) for process optimization. The RFR model achieved strong predictive performance (R² = 0.9144), demonstrating its capability to capture nonlinear relationships among process variables. The GA exhibited stable convergence behaviour and achieved a 5.91% improvement in the optimized inlet temperature, alongside measurable gains in thermal efficiency (3.2%) and energy consumption (1.8%). Sensitivity analysis identified Time, Outside Temperature, Humidity, and Tower settings as the most influential variables affecting system performance. The results indicate that the integration of predictive modeling and evolutionary optimization can enhance decision support and operational efficiency within a CPS-based manufacturing environment. While the framework demonstrates promising performance within the studied process, its applicability to other industrial domains and real-time deployment requires further validation.