Kalite Kontrolü ve AI ile Enjeksiyon İşlemlerinde Online Kontrol - Vision Sistemleri 2025

Kalite kontrolün temelleri

Enjeksiyon kalıplamada inline kalite kontrol sistemleri köklü bir dönüşüm geçiriyor. Birkaç yıl önce çoğu tesis, onlarca çevrimde bir manuel kontrolle yetinirken, bugün otomotiv, tıbbi cihaz veya tüketici elektroniği sektörlerinin baskısıyla, partı paketleme aşamasına geçmeden saniyeler içinde tespit yapılması gerekiyor.

IDC 'nin tahminlerine göre, 2026 yılına kadar enjeksiyon tesislerinin 70% 'i, görsel sistemler ile AI entegrasyonunu kullanacak.

Inline kontrolün avantajları:

• Atık azaltma
• Maliyetli iade riskinin azalması
• Daha hızlı PPAP onayları
• Müşterilere PPM garantisi sunma imkanı

Bu rehberde, bir QA mimarisinin nasıl kurulacağı, hangi teknolojilerin seçileceği ve bunların dijital ikizler, MES ve robotik ile nasıl entegre edileceği gösterilerek, tam kalite ekosistemi oluşturulması hedefleniyor.

McKinsey araştırmalarına göre, akıllı inline kontrol uygulamaları, arıza tepki süresini ortalama 50 minut 'ten, 5 minut 'n altına düşürüyor. Yılda bir milyon adet üretimde bu, on binlerce TL'lik tasarruf demek; daha az hurda, daha az mesai, tam paletlerin acil ayrıştırılması stresi.

Ayrıca, üretilmeyen her atık, karbon ayak izinin gerçek bir azaltılması anlamına geldiği için, sürdürülebilir üretim stratejisinin de temel direğidir.

Enjeksiyonda inline kalite kontrol nedir?

Inline kontrol, her bir parçanın enjeksiyon ağzında veya robotla entegre bir hücrede otomatik olarak incelenmesi anlamına gelir. Sistem veriyi (görüntü, termal profil, ses, ağırlık) toplar, analiz eder ve referans modelle karşılaştırır. "Pass/fail" kararı çevrim süresinden daha kısa bir sürede verilir ve sonuç hemen MES, eDHR veya traceability sistemine iletilir.

Offline kontrolden farklı olarak, inline kontrol manuel numune alma gerektirmez. Sürecin bir parçasıdır, bu yüzden anında tepki verir ve hatalı parçaların gözden kaçma riskini ortadan kaldırır. Bu çözüm, "zero defect manufacturing" felsefesine ve IATF 16949, ISO 13485 veya IPC gibi kalite standartlarına mükemmel bir şekilde uyar.

AI 'nin önemi de giderek artıyor. Sinir ağları, basit kurallarla tanımlanamayan hataları (örneğin optik parçalardaki ince renk değişimlerini) bile tanıyabilir hale geliyor. Bu sayede, daha önce sadece operatörün karar verdiği alanlarda otomasyon sağlanabiliyor.

Inline kontrol veri yönetimini de kapsar. Her kontrol sonucu, kalıp numarası, yuva, malzeme partisi ve operatöre atanır. Bu şekilde, geri bildirimler veya FMEA analizleri için paha biçilmez bir dijital ikiz oluşturulur. CMMS entegrasyonu, hata sayısı uyarı eşiğini aştığında otomatik olarak bakım talebi oluşturur.

QA sistemlerinin gelişim tarihi

Enjeksiyon otomasyonundaki ilk adımlar, 80'li yıllarda, sadece parçanın varlığını kontrol eden basit sensörlerle atıldı. Asıl devrim, 2000-2010 yıllarında, CCD kameraların fiyatlarının düşmesi ve hat kameralarının gelişmesiyle yaşandı. Bu dönemde görsel sistemler ağırlıklı olarak otomotiv sektörüne girdi; burada istenen PPM değeri onlarca adetti.

Son on yılda "ikinci dalga" gözlemleniyor. İlk olarak, görüntü işleme GPU 'lere kaydı ve milisaniyeler içinde analiz imkanı sağladı.

İkinci olarak, yapısal ışık, time-of-flight gibi 3D kameralar ve termal sensörler geldi; bunlar duvar kalınlığı farklılıklarını veya soğutma sıcak noktalarını tespit edebiliyor. Son olarak, makine öğrenmesine dayalı yazılımlar yaygınlaştı. Bu sayede QA sistemleri daha esnek, daha hızlı ve daha doğru hale geldi.

2024-2025'te üçüncü aşamaya geçiliyor: dijital ikizler, MES ve veri platformları ile entegrasyon. Kontrol verileri, enjeksiyon makinesinin parametrelerini otomatik olarak düzeltebilen veya kalıp temizliği ihtiyacını bildirebilen tahmin modellerine gidiyor. QA, kalite kontrolün kapalı döngüsüne dönüşüyor.

Yönetmelikler de önemli bir rol oynuyor. MDR, CSRD direktifleri veya yeni PPAP 5.0 gereksinimleri, tam kalite takibini zorunlu kılıyor. QA otomasyonu artık sadece bir rekabet avantajı değil, bir sertifikasyon şartı haline geliyor. Trendi önde gören firmalar denetimleri daha hızlı geçer ve teklif süreçlerinde avantaj yakalar.

Inline kontrol sistemlerinin türleri

QA sistemleri birkaç kategoriye ayrılabilir:

• 2D Görsel Sistemler – Hat veya matris kameralarla yüzey ve kontur analizi.
• 3D Görsel Sistemler – Hacimsel ölçümler, lazer tarama, stereo görüş.
• Lazer Metroloji – Kritik boyut ölçümleri (±0,01 mm hassasiyetle).
• Termal Analiz – IR kameralarla sıcak noktaların ve yetersiz soğutmanın tespiti.
• Akustik/Vibrasyon Analizi – Mikrofonlar ve ivmeölçerlerle hatalara özgü sinyallerin kaydı.
• Hibrit Sistemler – Görüntü, ağırlık, fonksiyonel testler, elektriksel ve sızdırmazlık testlerini birleştirir.

Seçim, parça tipi, üretim ölçeği ve müşteri gereksinimlerine bağlıdır. Pratikte artan bir trend, birden fazla yöntemi birleştirmektir – örneğin renk değişimleri için 2D kamera ve boyut kontrolü için 3D tarayıcı. Bu sayede sistem daha fazla hata türünü yönetebilir ve veri daha güvenilir olur.

2D Görsel Sistemler

2D Kameralar , en popüler teknolojidir; lekeler, yanıklar, pürüzler ve baskı hataları gibi yüzey kusurlarını tespit etmek için idealdir. Enjeksiyon tesisleri hem matris (area) hem de hat (line) kameralar kullanır. Anahtar bileşenler; çözünürlük (genellikle 5-12 MP), okuma hızı, ton dinamik aralığı ve uygun aydınlatmadır (halkasal, yan, yapısal).

Klasik görüntü işleme için Halcon, Cognex VisionPro veya OpenCV gibi kütüphaneler kullanılır. Araç seti; eşikleme, filtreleme, morfoloji, kontur analizi, OCR ve renk doğrulamayı içerir. AI versiyonlarında, hatalı ve iyi parçaların fotoğrafları üzerinde eğitilen CNN modelleri (örn. EfficientNet, YOLOv8 ) kullanılır. Bu kombinasyon yüksek etkinlik ve düşük çevrim süreleri sağlar.

2D görsel sistemler, artık doğrudan parçayı alan manipülatör veya cobot üzerine monte ediliyor. Kamera hareket halinde fotoğraf çeker ve sonuç, robot kontrolörüne iletilerek parça OK/NOK yuvasına yerleştirilir. Bu sayede ek istasyonlar ortadan kalkar ve parça yolu kısalır.

Premium uygulamalarda hiper spektral 2D kameralar da kullanılır. Bunlar kimyasal bileşimdeki farkları tespit ederek, geri dönüşümlü malzeme üretiminde kirlilikleri veya yabancı polimerleri yakalar. Yatırım maliyeti yüksek olsa da, kozmetik ambalaj veya tıbbi bileşen üretiminde hızlıca geri ödenir.

3D Görsel Sistemler ve Lazer Metroloji

3D Sistemler lazer tarama, yapısal ışık, stereo görüş veya time-of-flight teknolojilerine dayanır. Yükseklik, hacim veya yüzey paralelliği bilgisi gereken karmaşık geometrilerde mükemmel çalışır. Hassasiyet onlarca mikrometreye ulaşır ve veriler CAD modeliyle karşılaştırılarak sapma haritaları oluşturulabilir.

Lazer metroloji, tıbbi cihaz ve elektronik sektörleri için parçaların ölçülmesinde sıkça kullanılır (örn. optik elemanlar, konnektörler). Sistemler duvar kalınlığını, oluk derinliğini, delik konumunu ve hatta bükülme açısını ölçebilir. Robot entegrasyonu, problu her noktaya ulaşılabilmesini sağlayarak hücre esnekliğini artırır.

"Digital overlay" (dijital kaplama) teknolojisi de yaygınlaşıyor: 3D veriler AR modeli üzerine yerleştirilir ve operatör gerçek zamanlı olarak sapmaların nerede olduğunu görür. Bu, düzeltme kararlarını hızlandırır ve müşteriye sonuçları belgelemeyi kolaylaştırır.

3D sistemler gerilme analiziyle de birleştirilebilir: deformasyon verileri, soğutma düzeltmesi veya baskı profili değişikliği önerebilen kalıp dijital ikizine iletilir. Bu sayede metroloji, sadece raporlama aracı değil, iyileştirme kapalı döngüsünün bir parçası haline gelir.

Akustik ve Termal Analiz

Termal Analiz , IR kameralarla kalıptan yeni çıkmış enjeksiyon parçasının sıcaklık dağılımını değerlendirmeyi sağlar. Bu sayede görsel kusurlar ortaya çıkmadan önce – örneğin yetersiz soğutma, sıcak noktalar veya kalınlık farkları – tespit edilir. Veriler, soğutma parametreleri ve enjeksiyon programıyla korelasyona sokulabilir.

Akustik veya vibrasyon analizi, parçanın sensöre çarpması veya testler sırasında oluşan ses ve titreşimlerle ilgilidir. Çatlaklar, kabarcıklar gibi yapısal hatalar ses karakteristiğini değiştirir ve bu, geniş bantlı mikrofonlarla tespit edilebilir. Bu yöntem, 100% metal-plastik bileşenlerin kontrolünde ve kritik sızdırmazlık gerektiren ürünlerde işe yarar.

Modern sistemler, akustik veriyi AI ile birleştirerek dalga dönüşümü ve spektrogram kullanır. Modeller sesleri farklı hata türlerine göre sınıflandırır. Bu yöntem, cam elyaf takviyeli parçalardaki mikro çatlaklar gibi görünmez hataların olduğu bileşenlerde özellikle etkilidir.

Kalite güvencesi hücresinin yapısı ve ana bileşenleri

Tam kalite güvencesi sistemi; parça alma istasyonu (robot/cobot), kameralar ve aydınlatma, ek sensörler (ağırlık, kuvvet, sıcaklık), bilgisayarlar, analitik yazılım, operatör arayüzü ve MES/SCADA entegrasyonundan oluşur. Tüm sistem, güvenlik gereksinimlerine (PE/PL, ışık perdeleri) uygun olmalı ve bakımı kolay olmalıdır.

Kontrol mimarisi genellikle PLC kontrolcüsü, GPU 'lu endüstriyel bilgisayar, veri tabanı sunucuları ve HMI operatör panelini içerir. Ek olarak, buluta veya dijital ikizlere sonuçları ileten IoT modülleri kurulur. Bu sayede kalite verileri sadece kalite güvencesi departmanı için değil, tüm organizasyon için erişilebilir olur.

Modern kalite güvencesi hücrelerinde etiketleme, paketleme ve lazerli markalama da entegre edilir. Pozitif sonuç durumunda sistem otomatik olarak DMC kodlu etiket basar, seri numarasını veri tabanına kaydeder ve parçayı bir sonraki operasyona aktarır. Tüm süreç eDHR 'de takip edilir, bu da denetimleri ve iade işlemlerini kolaylaştırır.

Ergonomi önemli bir unsurdur. Operatörlerin panele erişimi, reçeteleri hızlı değiştirme imkanı ve görselleri görüntüleme olanağı olmalıdır. Sezgisel mesajlar tepki süresini azaltır ve hataları en aza indirir. Bu nedenle, parçanın 3D görselleştirilmesi ve tepki adımlarıyla dokunmatik arayüzler giderek daha fazla kullanılmaktadır.

Kameralar, optik ve aydınlatma

Optik seçimi başarının yarısıdır. Parça boyutu, çalışma mesafesi, odak derinliği ve yansımalar dikkate alınmalıdır. Parlak plastikler için difüze aydınlatma (kubbe), matlar için ise yönlü aydınlatma gerekir. Şeffaf parçalar için koaksiyel aydınlatma, polarizasyon veya lazer hatları kullanılır.

Kameralar, spesifikasyonu karşılayacak yeterli çözünürlüğe sahip olmalıdır (örneğin, 0,1 mmçentik0,05 mm 0,03-0,05 mm piksel gerektirir). Yüksek hızlı uygulamalarda global shutter sensörler ve 10GigE/CoaXPress arayüzleri faydalıdır; bu arayüzler görüntüyü saniyede yüzlerce kare hızla iletir. Farklı görüş açılarına sahip iki kamera kurulumuyla güvenilirlik artırılabilir.

Çalışma koşutları unutulmamalıdır: sıcaklık, toz, titreşim. Enjeksiyon kalıplama hücreleri için IP65 korumalı kameralar ve hava soğutmalı LED aydınlatıcılar popülerdir. Tüm bileşenler, uzun duruşlar olmadan bakım için erişilebilir olmalıdır.

AI, algoritmalar ve yazılım

Sistemin kalbi yazılımdır. Klasik görsel araçlar hala basit hatalar için geçerlidir, ancak trend açıktır: AI . Sinir ağları modelleri sadece ikili hataları tespit etmekle kalmaz, aynı zamanda türlerini, yoğunluklarını ve muhtemel nedenlerini de sınıflandırabilir.

Sinir ağları modellerinin yetenekleri:

• İkili hataların tespiti (pass/fail)
• Hata türünün sınıflandırılması
• Kusur yoğunluğunun değerlendirilmesi
• Muhtemel nedenin tanımlanması

Eğitim için yüzlerce iyi ve kusurlu parça fotoğrafı kullanılır. Tederic Smart Vision gibi sağlayıcılar, model mimarisini otomatik olarak seçen ve etkinliğini doğrulayan hazır AutoML pipeline'ları sunar.

AI sistemleri ancak sürüm yönetimi ( ModelOps ) gerektirir. Her modelin parametreleri, dağıtım tarihi ve geçerlilik alanı vardır. Kalıp veya malzeme değişikliğinde yeniden doğrulama yapılmalıdır. Üretimden gelen veriler geri bildirim olarak kullanılarak sürekli öğrenme (continuous learning) sağlanır. Yüksek sorumluluk gerektiren projelerde, kararların yorumlanabilirliğini sağlamak için AI ve klasik kuralların birleşimi kullanılır.

Kalite güvencesi yazılımı aynı zamanda MES/MOM ile entegre olmalıdır. Muayene sonuçları SPC 'te yer alır, kontrol kartlarını günceller, düzeltici faaliyetleri tetikler ve PPM göstergeleri aştığında partiyi otomatik olarak bloke eder. Bu sayede süreç kapanır ve tepki anlık olur.

Kalite güvencesi giderek veri platformlarının bir parçası haline geliyor. Bu, KPI kokpitleri oluşturma imkanı anlamına gelir: yuvalara göre hata dağılımı, kalite ısı haritaları, değişikliklerin karşılaştırmalı analizi. Aynı veriler Six Sigma projelerinde kullanılarak gözlemden düzeltici faaliyetlere geçiş hızlandırılır.

Anahtar teknik parametreler

Sistem seçilirken şu parametreler analiz edilmelidir:

• Çözünürlük ve tespit limiti – hangi en küçük hataların tespit edileceği.
• CT (cycle time) – muayenenin mevcut çevrim süresine sığıp sığmayacağı.
• FP/FN – yanlış ret ve kaçırma yüzdesi; genellikle <0,2% FP/FN hedeflenir.
• Sıcaklık stabilitesi – koşul değişikliklerinin görüntü kalitesine etkisi.
• Ölçeklenebilirlik – yeni kameralar, AI modelleri, yuvalar ekleme imkanı.
• Entegrasyon – OPC-UA, MQTT, REST desteği, MES ve dijital ikiz ile bağlantı.

Bu parametreler hem FAT/SAT sırasında hem de operasyon sırasında ölçülmelidir. Düzenli denetimler, beyan edilen etkinliği korumaya yardımcı olur ve OEM müşterileri tarafından talep edilir. Her aşamayı belgelemek – kalibrasyondan yazılım güncellemelerine kadar – faydalıdır.

AI içeren projelerde ek olarak veri kayması (drift ) analiz edilmelidir. Giriş verilerinin dağılımı zaman içinde değişirse (farklı granül renkleri, yeni varyantlar), model etkinliğini kaybedebilir. Kayma izleme ve otomatik uyarılar, yeniden eğitme sürecinin hızlı başlatılmasını sağlar.

Uygulamalar ve vaka çalışmaları

Kalite güvencesi sistemleri birçok sektörde uygulanır:

• Otomotiv – iç mekan parçaları, aydınlatma, bağlantı elemanları, ADAS bileşenlerinin kontrolü. 10'un altında PPM gereklidir.
• Tıbbi – şırıngalar, insülin pompası parçaları, cihaz gövdeleri. 21 CFR Part 11 doğrulaması kritiktir.
• EV ve elektronik – ön panel parçaları, dekorlar, membran tuş takımları, batarya bileşenleri.
• Premium ambalaj – çizik ve lekelerin tamamen ortadan kaldırılması, kontrolün dijital baskılarla birleştirilmesi.
• Geri dönüştürülmüş plastikler – PCR partilerinde renk ve inklüzyonların izlenmesi.

Örnek: Tüketici bileşenleri üreticisi, 12 MP kamera, AI ve kontrol tartılarını birleştiren Tederic Smart Vision sistemini devreye aldı.

Anahtar ROI göstergeleri:

• Tepki süresi: 50 mgiriş 'ten <5 mçıkış 'a___
• Hata azaltma: 3,2% 'den 0,3% 'a___
• Yanlış retler: <0,1%
• OEE iyileştirmesi: 40%

Diğer bir vaka, 32 şırınga yuvasını 3D + IR ile izleyen tıbbi firmadır – sonuçta PPM = 0,8 elde edilmiş ve PPAP doğrulaması 40% ile kısaltılmıştır.

Kalite güvencesi verileri ayrıca öngörü bakımında kullanılır. Sistem kalitede bir bozulma trendi fark ederse (örneğin, artan mikroçatlak sayısı), bir servis görevi oluşturur ve parametreleri sürecin ikizine iletir. Bu sayede hata kritik hale gelmeden önce yuvaların cilalanması veya nozulların değiştirilmesi planlanabilir.

Kozmetik firmasının, PCR 'lu parçaların renk tutarlılığını doğrulamak için hiperspektral kameralar kullanması da ilginçtir. AI ile entegre sistem ΔE sapmasını değerlendirir ve premium müşteriye gitmeden önce parçaların bir kısmını yenileme için yönlendirir. Bu, geri dönüştürülmüş malzeme kalitesindeki dalgalanmalara rağmen renk tutarlılığını korumayı sağlar.

AI destekli inline kalite kontrol sistemi nasıl seçilir?

Karar, bir gereksinim matrisine dayandırılmalıdır:

1. Kritik kusurları ve kabul edilebilir PPM'yi tanımlayın.
2. Parçanın geometrisini, malzemesini ve optiğini (parlaklık, şeffaflık) belirleyin.
3. Çevrim süresini ve denetim için mevcut pencereyi kontrol edin.
4. Altyapıyı değerlendirin – hat üstü bir istasyon için yeriniz var mı yoksa kamerayı bir robot üzerine entegre etmek daha mı iyi olur.
5. Düzenleyici gereksinimleri (FDA, IATF, ISO 13485 ) ve rapor formatlarını dikkate alın.
6. Şeffaf bir öğrenme ve doğrulama sürecine sahip AI platformunu seçin.

Ardından POC/Pilot uygulanır. Gerçek üretimden (farklı varyasyonlar, renkler, katkılalar) veri toplamak için en az 2-3 haftalık test önerilir. Olumlu sonuçtan sonra proje endüstriyelleştirmeye geçer. Kalite, otomasyon ve IT departmanları arasındaki işbirliği önemlidir – bunun olmadan MES veya ERP ile entegrasyon zor olacaktır.

Sağlayıcı seçerken servis kullanılabilirliğine, uzaktan destek imkanına, eğitim programlarına ve lisanslamaya dikkat edin. Ayrıca AI modellerinin güncellemelerinden kimin sorumlu olduğunu ve resim verilerinin fabrikada kalıp kalmayacağını (IP/RODO yönünden) belirlemek de önemlidir.

Kalite olgunluğuna ulaşmış firmalar aynı zamanda bir yol haritası oluşturur. Hangi kontrol projelerinin öncelikli olarak gerçekleştirileceğini, hangi KPI'lerin iyileştirileceğini ve QA sisteminin dijital ikiz stratejisine nasıl entegre olacağını belirler. Bu, rasgele yatırımlardan kaçınmaya ve tutarlı bir ekosistem oluşturmaya olanak tanır.

Sistem bakımı ve doğrulama

QA sistemi, enjeksiyon makinesi gibi düzenli kontroller gerektirir. Günlük optik temizliği, haftalık ayar kontrolü, aylık kalibrasyon ve yazılım incelemesi, yıllık yeniden doğrulama için bir program belirlenmelidir. Her aşama belgelenmeli ve ISO prosedürleriyle ilişkilendirilmelidir.

AI modelleri, kalıp, malzeme veya yüzey bitişlerindeki değişikliklerle birlikte güncellenmelidir. Şikayet durumunda geri dönülebilecek bir referans veri kütüphanesi tutmak en iyisidir. "Altın örnek" (golden sample) politikasının uygulanması, kalibrasyonu ve değişiklikler arasında sonuçların tutarlılığını kontrol etmeyi kolaylaştırır.

Ayrıca QA hücresinin durum izlemesini de uygulamaya değer: muhafaza sıcaklığı, nem, titreşim sensörleri. Bu sayede sistem, görüntü kalitesini etkileyebilecek koşullar hakkında kendisi bilgi verir. CMMS ile birleştirildiğinde, enjeksiyon makinelerindeki tahmine dayalı bakımın yapıldığı gibi otomatik bakım talepleri oluşturulabilir.

Düzenlemeye tabi tesislerde (tıbbi, havacılık) IQ/OQ/PQ doğrulamalarının yürütülmesi ve değişiklik dokümantasyonu zorunludur. İnceleme sürelerini kısaltmak ve sistemin yaşam döngüsü boyunca prosedüre uygun olarak çalıştığını kanıtlamayı kolaylaştırmak için dijital imza araçları ve sürüm depoları kullanmak faydalıdır.

Özet

AI destekli inline kalite kontrol , plastik işlemede yeni bir standart haline gelmektedir. zero defect manufacturing hedeflerine ulaşmaya, müşteri gereksinimlerini karşılamaya ve verileri gerçek zamanlı olarak rapor etmeye olanak tanır. Anahtar, uygun teknoloji seçimi, mevcut altyapıya entegrasyon ve sistematik bakımdır. Akıllı görsel sistemler 'i şimdiden uygulayan firmalar rekabet avantajı elde eder, sorunlara tepki süresini kısaltır ve müşteri güvenini artırır. Dijital çağda kalite bir ek değil; sürdürülebilirlik ve kârlılığın temelidir.