Yem üretim analitiği: Büyük veri yeterli değil

Eğer veri yeni petrolse, bağlamsal bilgi ve proses bilgisi, öngörüleri eyleme dönüştüren ve sürdürülebilir müşteri değeri yaratan motor ve navigasyon sistemidir.

Stefan Hoh
Yem Değirmenciliği ve Premiks Pazar Segmenti Başkanı
Bühler AG

Son yıllarda dijitalleşme, giderek genişleyen ekonomik kullanım durumlarıyla birlikte sadece moda bir sözcük olarak kalmamış, nesnelerin interneti (IoT) uygulamalarına dönüşmüştür. Bu noktada kritik eşik, mikro proses ve sensör teknolojilerindeki gelişmeler olmuştur. Mikroçipler ve sensörler performans olarak artmış, maliyet olarak azalmış ve endüstriyel uygulamalar için sağlamlık ve güvenilirlik açısından iyileştirilmiştir. Günümüzün zorluğu veri toplamak değil, onu anlamlı bağlama yerleştirmek ve ayrıca değerli bilgilere, eyleme geçirilebilir sonuçlara dönüştürmektir.

VERİ KAYNAKLARINA DOKUNABİLMEK
Yem fabrikaları hem büyük miktarlarda yem hem de yapılandırılmamış veri üretir. Bu verilerin büyük bir kısmı prosese bağımlıdır ve kurumsal kaynak planlama sistemleri veya makine ile proses hattı kontrol üniteleri gibi bilgi teknolojisinden (IT) ya da operasyon teknolojisinden (OT) elde edilebilir. İkincil veri kaynakları, ham maddelerin, ekipman durumlarının, çevre ve ortam koşullarının algılanmasından ortaya çıkar. Bir insanın veri elde etmek için beş duyusunun hepsini kullanmasına benzer şekilde, endüstriyel bir kurulumda bu görevi çeşitli sensörler gerçekleştirir. Yakın kızıl ötesi (NIR) sensörler, tahıllardaki nem, yağ veya protein içeriği gibi ürün parametrelerini algılayabilir; veya lazer saçılımı teknolojisini kullanan bir sensör, öğütme prosesinden sonra yemin partikül büyüklüğü dağılımı gibi bir ürünün fiziksel bileşimini analiz edebilir. Tanımlanmış veri standartları, IT/OT sistemleri ve sensörler arasında birlikte çalışabilirliği sağlamak ve veri silolarından kaçınmak için ön koşullardır. Bu nedenle sensör, ortam ve proses verilerini bağlamanın tüm potansiyelinden yararlanır.

BAĞLAM ÖNEMLİDİR
Veriler yalıtılmış, ancak çoğu zaman sayısal bir bilgi parçası olduğundan, anlamlı ve değerli hale gelmek için açıklığa kavuşturulmalı ve daha sonra ilgili bağlam içine konulmalıdır. Kulağa önemsiz gelse de pratikte öyle değildir. Örneğin, bir parçacık boyutu okumaları dizisi, proses verileriyle ilişkilendirilmeden anlamsızdır. Farklı veri kümelerini bir araya getirme süreci, yalnızca verileri değil, aynı zamanda doğru bağlamı eşleştirmek için deneyim de gerektirir. Ortalama parçacık boyutu okuması 612 mikron olan bir öğütülmüş yem numunesi, farklı bağlamlarda farklı anlamlara gelecektir. Fabrika operatörü, elektrik enerjisi tüketimini azaltmak için medyan parçacık boyutunu artırmak isteyebilir. Bununla birlikte, hayvan sahibi, yemin hayvan ağırlığına dönüşümünü iyileştirmek için partikül boyutunu küçültmek isteyebilir. Çıkar çatışması kaçınılmazdır. Ancak yalıtılmış bir hedefi optimize etmek bile zor olabilir.

Parçacık boyutunun hayvan sağlığı ve performansı üzerindeki etkisi, tür, genetik veya ham madde ve yem bileşimi gibi birden fazla parametreye tabi olduğundan, evrensel bir “optimal” parçacık boyutu yoktur. Bu, tamamen içeriğe bağlıdır. Derinlemesine ve genellikle disiplinler arası proses bilgisi, çoklu değişkenleri göz önünde bulundurarak sağlam bir model geliştirmek için temeldir. Son olarak, ilgili bilgilerin ve temel performans göstergelerinin (KPI’ler), insanların karar vermesine yardımcı olmak için sezgisel bir kullanıcı panosunda bir araya getirilmesi veya – gelişmiş bir senaryoda – kendi kendini optimize eden ve özerk fabrika operasyonlarının temelini oluşturması gerekir.

Bağlam önemlidir: verilerin anlamlı hale gelmesi için diğer verilerle ilişkilendirilmesi gerekir.

ALGORİTMALAR ANCAK GELİŞTİRİCİLERİ KADAR AKILLIDIR
Peletlerin nem regülasyonu gibi kendi kendini kontrol eden proses döngüleri zaten teknolojik olarak uygulanabilir ve ekonomik kullanım durumları tarafından destekleniyor olsa da, önceden ayarlanmış KPI’lara dayalı olarak tamamen otonom olarak çalışan fabrikalar için halâ vakit var. İkincisi de, iyi eğitimli operatörlerin uzun vadeli deneyimlerini taklit edebilmesi için büyük miktarda nitelikli ve çeşitli veri gerektiriyor. Bugün sektördeki en büyük zorluk, semantik veri ile proses modelinin mantığını geliştirmek, girdi değişkenlerinin bağımlılıklarını tanımlamak, algoritmayı eğitmek ve test etmek için uygun veri kümelerini seçmektir.

Yem bileşenleri tarımsal ürünler olduğundan, iklim veya nakliye ve depolama koşulları gibi birçok etkileyici faktöre maruz kalırlar ve bu da zorluğu artırır. Buna karşılık, IT/OT sistemlerinden türetilen proses verileri ve veri etiketleri – motor yükü, yatak sıcaklıkları, makine titreşimleri, bakım aralıkları vb. – daha az değişkenliğe ve daha fazla yapıya sahiptir. Bu tür veriler, günümüzde proses ekipmanının sağlığını ve durumunu izlemek için kullanılmaktadır. Zaman serisi analizi ile birlikte regresyon modelleri gibi istatistiksel yöntemler, rulmanlar gibi makine bileşenlerinin aşınması hakkında kesin tahminler yapabilir. Bu da öngörülebilir bakıma olanak tanır ve böylece daha yüksek fabrika kullanılabilirliği sağlar.

Tam şeffaflık: gösterge panoları, yem değirmencilerinin üretimlerini kurumsal KPI’lara dayalı olarak yönetmelerini destekler.

Bu verileri yorumlamak ve öngörülebilir bakım için algoritmalar geliştirmek, yalnızca veri biliminde uzmanlık değil, aynı zamanda uzun vadeli proses deneyimi ve uygulama bilgisi gerektirir. Bu, veri bilimi, proses teknolojisi, operasyonlar, bakım ve hatta beslenme bilimi gibi çeşitli disiplinlerden uzmanlar gerektiren çok disiplinli bir görevdir. Örneğin, bir pelet değirmeninin motor yükü sadece belli bir reçete ile belirlenmez, aynı zamanda besleme hızı veya şartlandırma parametreleri gibi proses koşullarıyla da ilgilidir. Bunlar, şartlandırma sırasında protein veya nişastanın nasıl değiştirildiği gibi formülasyonla bağlantılıdır. Bu bağımlılıklar göz önüne alındığında, soru, makinenin hasar görmesini veya peletleme hattının tıkanmasını önlemek için motor yükünün eşik değerinin nerede ayarlanacağıdır. Zorunlu olan, üretim kapasitesi kayıplarını önlemek için modelin aşırı gitmesinden (kritik olmayan koşullarda makinenin durması) veya eksik kalmasından (tüm kritik senaryolar yansıtılmaz) kaçınmaktır. Temel veri kümesi ne kadar büyük ve çeşitli olursa, o kadar güvenilir tahminler ve kendi kendini düzenleyen kontrol döngüleri olur.

Şurası açıktır ki, veri setinin kalitesi aynı zamanda gerçek dünya veri setlerinin sayısıyla birlikte artar. Bu sayede farklı fabrika konumlarından proses ekipmanının verilerine dokunarak ek değerden yararlanılabilir. Bulut çözümleri, verileri bir araya getirmek ve anlamlı bir bağlama oturtmak için tercih edilen bir araçtır. Bu araçlar, yem değirmencilerinin performans göstergelerini birden fazla üretim sahasında ve hatta sektördeki emsallerle kıyaslamasına olanak tanır. Tesisleri işletme giderleri (OPEX), tesis kullanımı, sera gazı emisyonları veya ürün kalitesi gibi KPI’larda yönetmek, yeni veya daha esnek iş modellerini bile tetikleyebilir. Son olarak, artık petrolle değil, verilerle beslenen bir dünyada yem değirmencilerinin marjlarını artırmak; bağlamsal bilgi ve bilgi başarının anahtarıdır.

Stefan Hoh Hakkında
Stefan Hoh, Bühler’de Yem Değirmenciliği ve Premiks Pazar Segmenti Başkanı’dır. Küresel ürün yönetimi ve dijitalleşme konusunda derin bir uzmanlığa sahiptir ve 10 yılı aşkın süredir hayvan yemi endüstrisinde çalışmaktadır. Gıda Bilimi ve Ekonomisi alanında yüksek lisans derecelerine sahip olan Stefan, ayrıca Dijitalleşme Stratejileri üzerine çalışmalarına devam etmektedir.