Mine Colours, ML ile Masterbatch Üretiminde FTR'ı %68'den %93'e Çıkardı
Mine Colours, yıllık 4.000+ ton üretim kapasitesiyle masterbatch üretiyordu; ancak parti başına 2,3 düzeltme turu ile FTR yalnızca %68'de kalıyordu. Corius'un XGBoost modeli, renk sapmasını (ΔE) MAE=0.18 hassasiyetle tahmin ederek FTR'yi %93'e, FPY'yi %91'e taşıdı ve 5 ayda tam yatırım geri dönüşü sağladı.
Formülasyon parametrelerinin karmaşıklığı nedeniyle parti başına ortalama 2,3 düzeltme turu yapılıyor; düşük FTR (First Time Right) oranı fire, enerji israfı ve teslimat gecikmelerine yol açıyordu
Corius, geçmiş üretim verisi ve spektrofotometre ölçümlerini birleştiren bir XGBoost tahmin modeli geliştirdi; model pigment oranı, sıcaklık ve karıştırma parametrelerini optimize ederek ilk seferinde doğru üretimi öngörüyor
FTR %68'den %93'e yükseldi, FPY %74'ten %91'e çıktı, yıllık fire maliyeti %38 düştü, 5 ayda tam ROI
Mine Colours Hangi Operasyonel Sorunlarla Karşılaşıyordu?
Mine Colours, plastik ürünlere renk ve işlevsellik katan masterbatch konsantreleri üretmektedir. Her parti; pigment türü ve oranı, taşıyıcı reçine seçimi, karıştırma sıcaklığı ve süresinin hassas kombinasyonuna bağlıdır. Küçük bir sapma bile renk deltasını (ΔE) tolerans dışına taşıyarak partinin tamamının reddedilmesine neden olabilmektedir. Şirket, bu karmaşıklığı deneyimli formülatörlerin sezgisel kararlarıyla yönetiyordu; ancak usta personele olan bağımlılık, üretim hızını kısıtlıyor ve yeni ürün geliştirme süresini uzatıyordu. Parti başına ortalama 2,3 düzeltme turu yapılması hem hammadde hem de enerji israfına, en kritik sonuç olarak da müşteri teslimat sürelerinin sık sık aşılmasına yol açıyordu.
- FTR (First Time Right) oranı yalnızca %68; her üç partiden biri en az bir düzeltme turu gerektiriyordu
- FPY (First Pass Yield) %74 ile sektör ortalamasının (%85+) belirgin biçimde altında kalıyordu
- Renk tolerans ölçümü (ΔE < 1.0) üretim sonunda spektrofotometreyle manuel yapılıyordu; hata partinin tamamı tamamlandıktan sonra tespit edilebiliyordu
- Yeni pigment tedarikçisi geçişlerinde formülatörler geçmiş veriye değil sezgiye dayanıyordu; adaptasyon 3–6 hafta sürüyordu
- Fire oranı hacmin %11'ine ulaşmıştı; rework maliyeti yıllık bütçenin önemli bir kalemini oluşturuyordu
Corius Bu Sorunları Nasıl Çözdü?
Corius, Mine Colours'ın 3 yıllık üretim kayıtları ve spektrofotometre ölçümlerini birleştirerek ΔE tahmin eden bir makine öğrenmesi modeli geliştirdi. XGBoost tabanlı model; pigment türü ve konsantrasyonu, taşıyıcı reçine, ekstrüder sıcaklık profili ve karıştırma süresi girdileriyle partition başlamadan önce renk sapmasını öngörüyor, formülatöre optimum parametre önerileri sunuyor. Model, mevcut MES (Manufacturing Execution System) altyapısına REST API ile entegre edilerek üretim hattına gömüldü.
Farklı kaynaklardaki üretim logları, spektrofotometre ölçümleri ve hammadde sertifikaları tek bir veri tabanında birleştirildi. Kalite sapmasını etkileyen temel değişkenler tespit edildi.
- 3 yıllık (2022–2024) parti kayıtlarının ERP ve MES sistemlerinden çıkarılıp birleştirilmesi
- Spektrofotometre ölçümlerinin (L*, a*, b*, ΔE) sayısallaştırılması ve parti kaydına eşlenmesi
- Pigment tedarikçisi, lot numarası ve saflık sertifikası verilerinin entegrasyonu
- Eksik değer analizi ve interpolasyon; 420 geçersiz kayıt temizlendi
- Korelasyon matrisi ile en kritik 14 özelliğin belirlenmesi
XGBoost regresyon modeli ile ΔE tahmini yapıldı. Hiperparametre optimizasyonu ve çapraz doğrulama sonucunda test setinde MAE = 0.18 ΔE birim değerine ulaşıldı; bu değer tolerans eşiğinin (ΔE < 1.0) çok altındadır.
- Baseline karşılaştırması: Linear Regression, Random Forest, XGBoost, LightGBM
- XGBoost hiperparametre optimizasyonu: Optuna ile 300 deneme
- Eğitim / doğrulama / test bölünmesi: 70/15/15, lot bazlı sızdırmaz ayrım
- SHAP değerleriyle özellik önem analizi — en kritik 5 değişkenin belirlenmesi
- Gerçek üretim koşullarında 30 parti ile sahada doğrulama turu
Model, üretim planlama ekranına entegre edildi. Formülatörler artık parti parametrelerini girerek tahmini ΔE'yi ve optimum formülasyon önerisini anında görebiliyor; model geri bildirimleriyle sürekli güncelleniyor.
- FastAPI ile model servis katmanı; mevcut MES API'siyle entegrasyon
- Formülatör arayüzü: parametre girişi → ΔE tahmini + öneri paneli
- Yeni parti verilerinin otomatik model güncelleme pipeline'ına eklenmesi (MLflow)
- Ekip eğitimi ve 2 haftalık gölge mod (shadow mode) testi
Model Üretim Hattında Nasıl Kullanıldı?
Yeni Pigment Tedarikçisi Uyarlaması
Mevcut tedarikçiden farklı lot saflık değerlerine sahip yeni bir pigment tedarikçisine geçişte model, geçmiş veriden öğrendiği saflık-konsantrasyon ilişkisini kullanarak yeni tedarikçi için başlangıç formülasyonunu otomatik öneriyor.
Hat İçi ΔE Erken Uyarısı
Ekstrüder sensör verileri anlık olarak izleniyor; model sıcaklık veya tork anomalisi tespit ettiğinde partinin tamamlanmadan önce renk toleransını aşacağını öngörerek formülatörü uyarıyor.
Formülasyon Optimizasyon Önerileri
Hedef renk değerleri (L*, a*, b*) girildiğinde model, en düşük maliyet ve en yüksek FTR olasılığını dengeleyen pigment karışım oranlarını ve işlem parametrelerini öneriyor.
Müşteri Renk Onay Sürecinin Hızlanması
Müşteriye sunulan renk numunesi onay sürecinde model, talep edilen rengin üretilebilirlik skorunu ve olası sapma aralığını önceden hesaplayarak revizyonu minimuma indiriyor.
ML Modeli Ne Gibi Sonuçlar Üretti?
Üretim hattında kalite sapmalarını artık oluşmadan yakalıyoruz — bu bizim için devrim niteliğinde. Yıllık fire maliyetimiz belirgin şekilde düştü, teslimat güvenilirliğimiz arttı.