utkay dÖnmez
TRANSCRIPT
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
YÜKSEK LİSANS TEZİ Utkay DÖNMEZ İSTATİSTİKSEL PROSES KONTROL TABLOLARININ BULANIK MANTIK YÖNTEMİ İLE YORUMLANMASI VE BİR İPLİK İŞLETMESİNDE UYGULAMA
TEKSTİL MÜHENDİSLİĞİ ANABİLİM DALI ADANA, 2012
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
İSTATİSTİKSEL PROSES KONTROL TABLOLARININ BULANIK
MANTIK YÖNTEMİ İLE YORUMLANMASI VE BİR İPLİK İŞLETMESİNDE UYGULAMA
Utkay DÖNMEZ
YÜKSEK LİSANS TEZİ
TEKSTİL MÜHENDİSLİĞİ ANABİLİM DALI
Bu Tez …/…/2012 Tarihinde Aşağıdaki Jüri Üyeleri Tarafından Oybirliği/Oyçokluğu ile Kabul Edilmiştir. ………………………………… ………………………………. ………………………………. Yrd. Doç. Dr. Emel Ceyhun SABIR Doç. Dr. Pınar DURU BAYKAL Yrd. Doç. Dr. Ramazan ÇOBAN DANIŞMAN ÜYE ÜYE Bu Tez Enstitümüz Tekstil Mühendisliği Anabilim Dalında hazırlanmıştır. Kod No:
Prof. Dr. Selahattin SERİN Enstitü Müdürü
Bu Çalışma Ç. Ü. Araştırma Projeleri Birimi Tarafından Desteklenmiştir. Proje No: Not: Bu tezde kullanılan özgün ve başka kaynaktan yapılan bildirişlerin, çizelge ve fotoğrafların
kaynak gösterilmeden kullanımı, 5846 sayılı Fikir ve Sanat Eserleri Kanunundaki hükümlere tabidir.
I
ÖZ
YÜKSEK LİSANS TEZİ
İSTATİSTİKSEL PROSES KONTROL TABLOLARININ BULANIK MANTIK YÖNTEMİ İLE YORUMLANMASI VE BİR İPLİK
İŞLETMESİNDE UYGULAMA
Utkay DÖNMEZ
ÇUKUROVA ÜNİVERSİTESİ FEN BİLİMLERİ ENSTİTÜSÜ
TEKSTİL MÜHENDİSLİĞİ ANABİLİM DALI
Danışman : Yrd. Doç. Dr. Emel Ceyhun SABIR Yıl: 2012, Sayfa: 204 Jüri : Yrd. Doç. Dr. Emel Ceyhun SABIR : Doç. Dr. Pınar DURU BAYKAL : Yrd. Doç. Dr. Ramazan ÇOBAN
İstatistiksel proses kontrol yöntemleri, rekabette farkı açmak isteyen girişimciler için, daha verimli, daha az zaman alan, daha az maliyetli, sonuca daha doğru yaklaşan, yapay zeka tekniklerinden bulanık mantık ile desteklenmiştir. Üretim prosesinin çok karmaşık olması ve bununla ilgili yeterli bilginin bulunmaması durumunda kişilerin görüş ve değer yargılarına yer verilmesi gibi durumlarda bulanık mantığa başvurulmaktadır. Bulanık kontrol tabloları hem prosesten kaynaklı hataları tespit etmekte hem de sistem kontrol altında olmasına rağmen kontrol dışı gibi gösteren hataları ayırt ederek sistemin sağlıklı çalışmasını sağlamaktadır.
Çalışmanın birinci bölümünde istatistiksel proses kontrol ve teknikleri hakkında, bulanık mantık ve uygulama alanları konularında detaylı bilgiler verilmektedir. İkinci bölümde literatür çalışmasına yer verilmiştir. Üçüncü bölümde, iplik eğirme makinesinin (Ring Sistem) prosesi incelenmiş ve iplik numarası için yeterlilik analizi yapılmıştır. Cp (2,79) > (1,33) ile prosesin yeterli olduğunu göstermekte ve Cpk (2,79) > (1,33) ile de prosesin şartname değerlerini karşıladığı görülmektedir. Bölüm dörtte ise 8 girdi ve 1 çıktı verileri için üyelik fonksiyonları (Ne 30) ±3σ sınırları içerisinde 8 adım aralığı (±Kontrol Dışı, ±A, ±B ve ±C) seçilmiştir. Sistem kural tablosu için Nelson’un 8 kuralı temel alınarak hazırlanan prosesin kontrol dışında veya altında olduğunu belirleyen 22 adet kural işlenmiş ve bulanık kontrol sistemi Mamdani Yöntemi ile yorumlanmıştır. Durulaştırma aşamasında Sentroid Yöntemi seçilmiştir. Bölüm beşte ise hazırlanan sistem ile iplik prosesininde iplik numara kontrolü takip edilmiş ve bunların sonuçları verilmiştir. Bulanık Mantık yönteminin İstatistiksel Proses Kontrol Tablolarının yorumlanmasında kullanılabileceği ve İplik İşletmesinin Proses Kontrolüne de uygun olduğu ortaya konulmuştur. Anahtar Kelimeler: İstatistiksel proses kontrol, Kontrol tabloları, Bulanık mantık,
Bulanık kontrol tabloları,
II
ABSTRACT
MSc. THESIS
CONSTRUE OF STATISTICAL PROCESS CONTROL CHARTS WITH FUZZY LOGİC AND APPLICATION IN A YARN MANUFACTORY
Utkay DÖNMEZ
ÇUKUROVA UNIVERSITY
INSTITUTE OF NATURAL AND APPLIED SCIENCES DEPARTMENT OF TEXTİLE MACHINES
Supervisor : Asst. Prof. Dr. Emel Ceyhun SABIR Year: 2012, Pages: 204 Jury : Asst. Prof. Dr. Emel Ceyhun SABIR : Assoc Prof. Dr. Pınar DURU BAYKAL : Asst. Prof. Dr. Ramazan ÇOBAN
Statistical process control (SPC) methods, the difference in competition for entrepreneurs wishing to open, more efficient, less time-consuming, less costly, more accurate results approaching, supplemented with fuzzy logic, which is an artificial intelligence techniques. The production process is very complex, and if there is enough information about this opinion to be given in such cases, the people and the value judgment of fuzzy logic. Fuzzy control charts to detect errors from both processed under control, although the system is out of control as well as distinguish between errors indicating that provides smooth operation of the system.
In the first part of the study, detailed information about SPC and it’s techniques are given. Fuzzy logic and it’s application areas and its historical development are given detailed information. In the second part are given work of literature. In the third section, a yarn spinning machine in the spinning mill, process capability analysis for the number of yarn were examined. The adequacy of the business process Cp(2.79)>(1.33) is sufficient to show the process and Cpk(2.79)>(1.33) with the values of the process specifications are met. In the section fourth, the 8 inputs and 1 output membership functions for the data (30 Ne) 8-by-step within the limits of ± 3σ range (± Out Off, ± A, ± B, ± C) were selected. System on the basis of Nelson’s 8 of the rules prepared to table out of control and monitoring of the process that determines under rule 22, and fuzzy control system processed with the method of Mamdani. Method of centroid in defuzzification stage of selecting the conclusions. In the fifth section, the number control system have been followed with thread prosesininde thread and their results. Yarn process in the textile sector on the basis of control charts are and suggested created which have been made available in a modular system, which use with the system established in all sectors. Fuzzy logic can be used in the interpretation of control tables and spinning business process control also brought up as appropriate. Keywords: Statistical process control, control charts, fuzzy logic, fuzzy control
charts
III
TEŞEKKÜR
Çalışmamın her aşamasında yardımlarını esirgemeyen ve bana “İstatistiksel
Proses Kontrol Tablolarının Bulanık Mantık Yöntemi İle Yorumlanması Ve Bir İplik
İşletmesinde Uygulama” konulu yüksek lisans tezini veren yapıcı ve yönlendirici
fikirleri ile bana daima yol gösteren, danışman hocam Sayın Yrd. Doç. Dr. Emel
Ceyhun SABIR’a sonsuz şükranlarımı sunarım.
MATLAB® programını kullanmamızı tavsiye eden ve bu konu da yardımını
eksik etmeyen Yrd. Doç. Dr. Ramazan ÇOBAN’a ve Arş. Gör. İnayet Özge
AKSU’ya teşekkürlerimi sunarım.
Çalışma süresince ihtiyacım olan dokümanlara ulaşmamda yardımcı olan ve
fakültenin imkânlarını kullanmamı sağlayan tüm Tekstil Mühendisliği Bölümüne çok
teşekkür ederim.
Tez süresince iplik işletmelerinde çalışmalarımıza müsaade eden Marteks
İplik Fabrikası İşletme Müdürü Sayın Ahmet ACER’e ve tüm işletme çalışanlarına
teşekkür ederim.
IV
İÇİNDEKİLER SAYFA
ÖZ ................................................................................................................................. I
ABSTRACT ................................................................................................................. II
TEŞEKKÜR ............................................................................................................... III
İÇİNDEKİLER .......................................................................................................... IV
ÇİZELGELER DİZİNİ ........................................................................................... VIII
ŞEKİLLER DİZİNİ ..................................................................................................... X
SİMGELER VE KISALTMALAR ......................................................................... XIV
1. GİRİŞ ....................................................................................................................... 1
1.1. İstatistiksel Proses Kontrol ................................................................................. 3
1.1.1. Proses Akış Şeması ................................................................................. 10
1.1.2. Veri Toplama ve Analizi ......................................................................... 11
1.1.3. İstatistiksel Proses Kontrolde Kullanılan Teknikler ............................... 13
1.1.3.1. Çetele Diyagramı ....................................................................... 13
1.1.3.2. Histogramlar ................................................................................ 14
1.1.3.3. Pareto Analizi .............................................................................. 15
1.1.3.4. Sebep-Sonuç Diyagramı ............................................................. 17
1.1.3.5. Dağılma (Saçılma) Diyagramı .................................................... 18
1.1.4. Proses Yeterlilik Analizleri ..................................................................... 19
1.1.4.1. Makine Yeterlilik Analizi ........................................................... 19
1.1.4.2. Proses (Süreç) Yeterlilik Analizi ................................................ 21
1.1.4.3.Yeterli Olmayan Proseslere Yönelik Müdahaleler ...................... 23
1.2. Kontrol Tabloları .............................................................................................. 23
1.2.1. Kontrol Tablolarının Yapısı .................................................................... 25
1.2.2. Ölçülebilen Karakteristikler İçin Kontrol Tabloları ................................ 29
1.2.2.1. X-R Proses Kontrol Çizelgeleri .................................................. 29
1.2.2.2. Xort-R Proses Kontrol Çizelgeleri .............................................. 31
1.2.2.3.X-S Proses Kontrol Çizelgeleri .................................................... 34
1.2.3. Niteliksel Karakteristikler İçin Kontrol Tabloları ................................... 35
1.2.3.1. p Çizelgesi ................................................................................... 35
V
1.2.3.2. np Çizelgesi ................................................................................. 36
1.2.3.3. c Çizelgesi ................................................................................... 37
1.2.3.4. u Çizelgesi ................................................................................... 39
1.2.4. Kontrol Tablolarının Yorumlanması ....................................................... 40
1.2.4.1.Kontrol Altında Bulunan Prosesler .............................................. 41
1.2.4.2.Kontrol Dışı Prosesler .................................................................. 42
1.3.Bulanık Mantık ................................................................................................. 46
1.3.1. Bulanık Mantığın Tarihsel Gelişimi........................................................ 47
1.3.2. Bulanık Mantık Kavramı......................................................................... 49
1.3.3. Bulanık Mantık Yönteminin Avantaj Ve Dezavantajları ........................ 53
1.3.3.1. Avantajları ................................................................................... 53
1.3.3.2. Dezavantajları ............................................................................. 54
1.3.4. Bulanık Kümeler ..................................................................................... 55
1.3.5. Üyelik Fonksiyonları ............................................................................... 56
1.3.6. Sözel (Dilsel) Değişkenler ...................................................................... 64
1.3.7. Bulanık Kontrol (Denetim) .................................................................... 66
1.3.7.1.Bulanıklaştırma ............................................................................ 68
1.3.7.2.Bilgi Tabanı .................................................................................. 69
1.3.7.3.Kural Tabanı................................................................................. 69
1.3.7.4.Karar Verme Birimi ..................................................................... 70
1.3.7.5.Durulaştırma ................................................................................. 73
1.3.8. Bulanık Mantığın Uygulama Alanları ..................................................... 77
2.ÖNCEKİ ÇALIŞMALAR ....................................................................................... 81
2.1. İstatistiksel Proses Kontrol İle İlgili Yapılan Çalışmalar ................................. 81
2.2. Bulanık Mantık ve Uygulamaları İle İlgili Yapılan Çalışmalar ....................... 83
2.3. Bulanık Proses Kontrol Tabloları Uygulamaları İle İlgili Yapılan
Çalışmalar ........................................................................................................ 99
3.MATERYAL VE METOD ................................................................................... 105
3.1. Materyal ......................................................................................................... 105
3.2. Metod ............................................................................................................ 105
3.2.1. Proses Yeterlilik Analizi ....................................................................... 105
VI
3.2.2. Bulanık Kontrol Tabloları ..................................................................... 106
3.2.3. MATLAB® Bulanık Mantık Araç Kutusu ........................................... 108
3.2.4. Bulanık Kontrol Tabloları Ve MATLAB® Programı .......................... 109
3.2.4.1. Bulanık çıkarım sistemi............................................................. 111
3.2.4.2. Kural Tabanı.............................................................................. 112
3.2.4.3. Üyelik Fonksiyonları ................................................................. 112
4.BULGULAR VE TARTIŞMA ............................................................................. 113
4.1. Proses Yeterlilik Analizi ................................................................................ 113
4.2. Bulanık Çıkarım Sistemi ................................................................................ 116
4.2.1.Üyelik Fonksiyonları .............................................................................. 118
4.2.2.Bulanık Kural Tabanı ............................................................................. 122
4.2.3.Kural Tabanına İşlenmiş Kuralların Uygulanması ................................ 124
4.2.4.Bulanık Mantık Araç Kutusu Ara Yüzü................................................. 134
5. SONUÇLAR VE ÖNERİLER ............................................................................. 137
KAYNAKLAR ........................................................................................................ 139
ÖZGEÇMİŞ ............................................................................................................. 149
EKLER ..................................................................................................................... 204
VII
VIII
ÇİZELGELER DİZİNİ SAYFA
Çizelge 1.1. Histograma ilişkin veriler .................................................................... 14
Çizelge 1.2. Pareto analizi için kullanılan veri tablosu ............................................ 16
Çizelge 1.3. Cp ve Cpk indislerinin karar noktaları ................................................. 22
Çizelge 1.4. n değerine göre katsayı değerleri ......................................................... 30
Çizelge 1.5. n değerine göre katsayı değerleri ......................................................... 32
Çizelge 1.6. A3, B4 ve B3 sabit değer değişim tablosu ........................................... 35
Çizelge 1.7. Tefeleme işlemi sırasında çözgü tansiyonun modellenmesi için
girdi bilgileri ........................................................................................ 63
Çizelge 1.8. Bulanık mantığın uygulama alanları .................................................... 78
Çizelge 1.9. Bulanık mantık denetiminin endüstriyel uygulamalarına örnekler ...... 79
Çizelge 2.1. Düzenleme önceliği karar tablosu ........................................................ 95
Çizelge 2.2. Üyelik fonksiyonları ve dereceleri ....................................................... 100
Çizelge 3.1. Geleneksel Shewhart kontrol tabloları ve bulanık kontrol
tablolarının karşılaştırılması ................................................................. 108
Çizelge 4.1. Numara Ölçüm Örneklemleri (Marteks) ............................................. 113
Çizelge 4.2. Üyelik fonksiyonları adım hesaplamaları ............................................ 120
Çizelge 4.3. Çıktı üyelik fonksiyonunda kullanılan kısaltmalar ve anlamları ......... 121
Çizelge 4.4. Programa girilen 22 verinin sonuçlarının verildiği tablo örneği .......... 131
Çizelge 4.5. Veriler içerisinde kontrol dışı bir veri yakalanırsa sistemin
verdiği sonuç tablosu............................................................................ 132
IX
X
ŞEKİLLER DİZİNİ SAYFA
Şekil 1.1. Prosesin temel unsurları ............................................................................. 4
Şekil 1.2. Proses girdileri ve çıktıları ......................................................................... 4
Şekil 1.3. Proses kontrol şeması ................................................................................. 8
Şekil 1.4. İstatistiksel proses kontrol araçlarının genel görünümü........................... 10
Şekil 1.5. Standart süreç akış şeması ........................................................................ 10
Şekil 1.6. Proses analiz akış diyagramı ................................................................... 11
Şekil 1.7. Verilere ait histogram .............................................................................. 14
Şekil 1.8. Verilere ait Pareto diyagramı ................................................................... 16
Şekil 1.9. Hataların azaltılması durumu için sebep–sonuç diyagramı ..................... 18
Şekil 1.10. Dağılma diyagramı ................................................................................... 19
Şekil 1.11. Kontrol Şemalarını kullanarak prosesin iyileştirilmesi ............................ 25
Şekil 1.12. Kontrol tablolarının genel yapısı .............................................................. 26
Şekil 1.13. Kontrol tablolarının seçimi ..................................................................... 28
Şekil 1.14. Kontrol diyagramlarının yorumlanması(a-b-c-d-e-f-g)............................ 40
Şekil 1.15. Kontrol grafiğinin bölgelerinin belirlenmesi .......................................... 42
Şekil 1.16. Test 1-4’ün tablo üzerinde görüntüsü ..................................................... 44
Şekil 1.17. Test 5-8’in tablo üzerinde görüntüsü ...................................................... 45
Şekil 1.18. Klasik mantık .......................................................................................... 52
Şekil 1.19. Bulanık mantık ........................................................................................ 53
Şekil 1.20. Üyelik fonksiyonunun yapısı ................................................................... 57
Şekil 1.21. Girdi (X1) değerinin üyelik fonksiyonunda aldığı dereceleri .................. 57
Şekil 1.22. Üçgen üyelik fonksiyonu ........................................................................ 59
Şekil 1.23. Yamuk üyelik fonksiyonu ....................................................................... 60
Şekil 1.24. Guassian üyelik fonksiyonu .................................................................... 60
Şekil 1.25. Çan şekilli üyelik fonksiyonu .................................................................. 61
Şekil 1.26. Sigmodial üyelik fonksiyonu ................................................................... 61
Şekil 1.27. S üyelik fonksiyonu ................................................................................. 62
Şekil 1.28. ∏1 üyelik fonksiyonu .............................................................................. 62
Şekil 1.29. ∏2 üyelik fonksiyonu ............................................................................. 63
XI
Şekil 1.30. Çerçeve yüksekliği üyelik fonksiyon grafiği ........................................... 64
Şekil 1.31. Atkı sıklığı üyelik fonksiyon grafiği ........................................................ 64
Şekil 1.32. Atkı sıklığı üyelik fonksiyon grafiği ........................................................ 64
Şekil 1.33. Hız değerlerine ait dilsel değişkenlerin bulanık kümedeki gösterimi ..... 65
Şekil 1.34. Bulanık Kontrol Sistemi ........................................................................... 68
Şekil 1.35. Mamdani modeli ...................................................................................... 71
Şekil 1.36. Takagi-Sugeno modeli ............................................................................. 72
Şekil 1.37. En büyük üyelik derecesi durulaştırma .................................................... 74
Şekil 1.38. Sentroid yöntemi ile durulaştırma ............................................................ 74
Şekil 1.39. Ağırlıklı ortalama yöntemi durulaştırması ............................................... 75
Şekil 1.40. Ortalamaların en büyük üyelik durulaştırılması ....................................... 75
Şekil 1.41. Toplamların merkezi durulaştırması ........................................................ 76
Şekil 1.42. En büyük alan merkezi ile durulaştırma................................................... 77
Şekil 1.43. İlk ve son en büyük üyelik dereceleri ile durulaştırma ............................ 77
Şekil 2.1. Elyaf olgunluğu için kural tabanı ............................................................. 92
Şekil 2.2. Drum ve Loop iplik besleme sistemi için çıkış fonksiyon değerleri ........ 96
Şekil 2.3. Kumaş mukavemeti değişimi için oluşturulan bulanık mantık
yöntemi ..................................................................................................... 98
Şekil 3.1. Tasarlanan bulanık sistemin çalışma prensibi ........................................ 110
Şekil 3.2. MATLAB® programında hazırlanan bulanık denetleyici ..................... 111
Şekil 4.1. Ölçümleri yapılan örneklemlerin Xort-R Diyagramları ......................... 115
Şekil 4.2. İşletmenin Proses Yeterlilik Analizi ...................................................... 116
Şekil 4.3. 8 girdi ve 1 çıktı üyelik parametrelerinden oluşan Mamdani modeli .... 117
Şekil 4.4. Sistemde kullanılan bölgeler (sınırlar) .................................................. 118
Şekil 4.5. Üyelik fonksiyonu adımları ve sınır değerleri ....................................... 119
Şekil 4.6. Girdi 1. noktanın üyelik fonksiyonu ve sınırları .................................... 119
Şekil 4.7. Çıktı üyelik fonksiyonu .......................................................................... 121
Şekil 4.8. Bulanık mantık kural tabanı ve MATLAB® da hazırlanışı ................... 123
Şekil 4.9. MATLAB® programının bulanık mantık kural görüntüleyicisi ............ 124
Şekil 4.10. Birinci verinin A bölgesinde olması ...................................................... 126
Şekil 4.11. İkinci veya üçüncü verinin A bölgesinde olması ................................... 126
XII
Şekil 4.12. Mamdani (Max-min) yöntemine belirlenip hesaplanacak (a) ve (b)
üçgenleri ................................................................................................. 126
Şekil 4.13. Sentroid yönteminin uygulanması.......................................................... 127
Şekil 4.14. Dördüncü kuralın uygulanışının gösterimi............................................. 128
Şekil 4.15. Dördüncü kural örneğine Sentroid yönteminin uygulanması ................ 128
Şekil 4.16. Dördüncü kural ile ikinci kuralın aynı 8li grup içerisindeki veride
bulunması durumu .................................................................................. 129
Şekil 4.17. Dördüncü (***) ve ikinci (**) kurala sentroid yönteminin
uygulanması ........................................................................................... 130
Şekil 4.18. MATLAB® işlem özetlerini gösterir arayüzü ....................................... 133
Şekil 4.19. MATLAB® da kural ara yüzünün gösterimi ........................................ 135
XIII
XIV
SİMGELER VE KISALTMALAR
İPK : İstatistiksel Proses Kontrol
ÜKL veya ÜKS (UCL) : Üst kontrol limiti/Sınırı (Upper Control Limit)
AKL veya AKS (LCL) : Alt kontrol limiti/Sınırı (Lower Cotrol Limit)
Cm : Makine yeteneği
Cmk : Makine yeterliliği katsayısı
Cp : Proses yeteneği
Cpk : Proses yeterliliği katsayısı
Pp : Proses performansı
θ : Araba açısı
ϕ : Tekerlek açısı
σ : Standart sapma
s : Standart sapma
n : Toplam Yığın Mevcudu
R : Yayılma Alanı
X : Örnek değeri
Xort : Örnek değerlerin ortalaması
u : Bir Birime Düşen Ortalama Kusur Sayısı
c : Örnekteki Toplam Kusur Sayısı
p : Ana Kütlenin Toplam Kusur Sayısı
D : Değişim Genişliği Katsayısı
a : Üyelik adım dereceleri
µ : Üyelik derecesi
∏ : Üyelik üçgen çeşidi
≤ : Küçük eşittir
≥ : Büyük eşittir
∑ : Toplam
min : Minimum
max : Maksimum
XV
Z* : Durulaştırma işlemi sonucu
FIS : Bulanık çıkarım sistemleri
MÇ (CL) : Merkez çizgisi (Central line)
Ts : Tolerans aralığı
Tnat : Doğal tolerans (Natural Tolerance)
3M+İ+Ç : Makine, malzeme, metot, insan ve çevre
SAA : Sağ aşağı
SAY : Sağ yukarı
SAD : Sağ dikey
D : Dikey
SOD : Sol dikey
SOY : Sol yukarı
SOA : Sol aşağı
SO : Sol
SOO : Sol orta
SAO : Sağ orta
SA : Sağ
NB : Negatif büyük
NO : Negatif orta
NK : Negatif küçük
S : Sıfır
PK : Pozitif küçük
PO : Pozitif orta
PB : Pozitif büyük
NÇB : Negatif Çok Büyük
NOB : Negatif Orta Büyük
NOK : Negatif Orta Küçük
POK : Pozitif Orta Küçük
POB : Pozitif Orta Büyük
PÇB : Pozitif Çok Büyük
V : Volt
1. GİRİŞ Utkay DÖNMEZ
1
1. GİRİŞ
Yoğun rekabetin yaşandığı günümüzde, ülkemizde en çok tartışılan
kavramların başında kalite ve kalite geliştirme süreci gelmektedir. 1980’li yıllardan
itibaren kapalı ekonomik sistemden çıkıp uluslar arası piyasada rekabet etmeye
başlayan şirketlerin temel hedefi, kaliteli mamul veya hizmeti, düşük maliyet ile
müşterinin istediği anda üretip piyasada varlığını sürdürebilmektir. Geçmişte kalite
kontrolü denince akla sadece ölçme ve muayene işlemleri gelirken, günümüzde, bu
uygulamalar yerini her türlü problemin çözümü için kullanılabilen, üretim prosesinde
meydana gelen istatistiksel proses kontrol tekniklerine bırakmıştır.
Kontrol grafikleri İstatistiksel Proses Kontrolünde (İPK) en yaygın kullanılan
araçlardandır. İPK üründe meydana gelen değişimin, süreçte oluşan ve kaliteyi
etkileyen belirlenebilir nedenlerden hangilerinden kaynaklandığını ortaya koyar.
İstatistiksel kalite kontrol çalışmalarında, üretimde kullanılan girdilerden
başlayarak üretim süreci boyunca devam eden ve çıktılarda kendini gösteren
faklılıklar ve belirsizlikler ile karşılaşılan zorlukların giderilmesinde işletmeler pek
çok yöntemi kullanmaya başlamışlardır. Bu yöntemlerden en önemlilerinden birisi de
bulanık mantıktır.
Günümüzde birçok bilim dalı gelişen teknolojiyi kullanmak istemektedirler. Bu
sebeple istatistiğin bilgisayar ortamında uygulamaya başlanmasıyla beraber
istatistiksel analizlerin tüm süreçleri, daha hızlı ve kolay bir biçimde, daha çok
insanın kullanımına sunulmuştur. Artık istatistik, karmaşık formüllerin ve uzun
zaman alan uygulamaların bir bileşimi olmaktan çıkarak, birçok bilim dalı için
vazgeçilmez bir araç haline gelmiştir. Bilgisayarlar, insan beyni gibi akıl
yürütemezler. Bilgisayarlar da sıfır (0) ve bir (1) dizilerine indirgenmiş kesin
gerçekler ve doğru ya da yanlış olan önermeler kullanılır. İnsan beyni ise, “serin
hava”, “yüksek hız” gibi belirsizlik ya da değer yargılarını içeren bulanık anlatım ve
iddiaların üstesinden gelebilecek biçimde akıl yürütebilir. Ayrıca insan,
bilgisayarlardan farklı olarak, hemen her şeyin kısmen doğru olduğu bir dünyada akıl
yürütmek için sağduyusunu kullanabilmektedir. Bulanık mantık, belirsiz bir
1. GİRİŞ Utkay DÖNMEZ
2
dünyanın gri, sağduyulu resimlerini üretmeleri için bilgisayarlara yardımcı olan bir
makine zekâsı biçimidir.
Çalışmanın amaçlarından biri, sektörde var olan kaliteli ürünü, ucuza ve kısa
sürede üretmede yeni yöntemlerin başarısını göstermektir. İPK yöntemlerinin
işletmelere olan kazancı bilinmektedir. Bulanık Mantık da kullanım kolaylığı ve
faydaları ile birlikte bilim dünyasında yerini çoktan almıştır.
Bu doğrultuda yapılan araştırmalar neticesinde, değişkenliğin yapısını
belirlemeye yönelik bulanık mantık çalışmalarına, literatürde pek rastlanmamaktadır.
Bu tür bir çalışma yakınsama muhakemesinden çok, değer atayarak sınıflandırma
özelliği göstermektedir. İstatistiksel proses kontrolde bulanık mantık yaklaşımlarının
kullanımı güncel çalışmalar arasında yer aldığından değişkenliğin yapısının
belirlenmesinde kullanımının gösterilmesi önemlidir. Çalışma, bulanık mantık
yaklaşımları ile geliştirilen bir modelin seçilen bir kalite parametresinin kontrolünü
incelemektedir.
Çalışmanın birinci bölümünde konuya giriş yapılmış, İPK’nın tanım ve önemi
verilerek kısaca tanıtılmış ve bulanık mantıktan söz edilmiş, bulanık küme ve bulanık
çıkarım sistemi kavramları hakkında bilgi verilmiştir. Üçüncü bölüm de materyal
başlığı altında, seçilen iplik kalite parametresiyle ilgili ve iplik işletmesi hakkında
kısaca bilgi verilmiş ve proses yeterlilik analizi yapılmıştır. Metot başlığı altında ise
süreçteki değişkenliğin bulanık mantık yaklaşımı ile belirlenebilirliği üzerine olup,
süreçte meydana gelebilecek özel durumların tespiti amacıyla yapılan çalışmaları
kapsamaktadır. İlgili bölümde, bulanık mantık yaklaşımıyla oluşturulan model ile
sistemin kontrol altında çalıştırılması ve karşılaşılabilecek sorunları tespit etmek
amaçlanmıştır. Son bölümde, çalışmadan çıkarılabilir sonuçlara ve ilgili konuda
çalışacak araştırmacılar için önerilere yer verilmiştir.
1. GİRİŞ Utkay DÖNMEZ
3
1.1. İstatistiksel Proses Kontrol
Ekonomideki globalleşme ve pazar eğilimleri, işletmeleri gittikçe artan
rekabetle karşı karşıya bırakmıştır. Günümüzde rekabet, sadece ulusal bazda değil
uluslar arası seviyelerde de olmaktadır. Bu sebeple üreticiler, ürettikleri malları
satabilmek için düşük maliyetli ve kaliteli üretime yönelmek zorundadırlar.
İşletmeler bu hızlı gelişmeleri takip ederek, gelişmelere uyum sağlayabilmeli ve
uygun stratejiler geliştirmelidir. Aynı zamanda teknolojik değişikleri takip ederek,
kaliteyi sürekli geliştirmek zorundadır.
Geçmişte kalite problemlerinin çözümüne gelişigüzel metotlarla ulaşılmak
istenirken, bugün bu uygulama yerini, üretim prosesinde çalışan herkesin katkısını
sağlayan sistemli faaliyetlere bırakmıştır.
İstatistiği sanayinin hizmetine sunan kalite önderleri iki arkadaş ve meslektaş
olan Dr. Shewhart ve Dr. Deming'tir. 1946'da ASQC (Amerikan Kalite Kontrol
Grubu)'nun kurulmasıyla, İstatistiksel Kalite Kontrol’ün yayılması için elverişli bir
ortam sağlanmış oldu. Ancak yanmış ve yıkılmış bir dünyaya, yaptıkları her malı
rahatça satabilen Amerikalılar, İstatistiksel Kalite Kontrol'e ilgi göstermediler. Bu
sebeple 1947 yılında Deming ve diğer kalite önderleri Japonya'ya gittiler ve büyük
bir ilgi ile karşılandılar (Umur, 2000).
Bugün birçok şirket, personeline temel İPK tekniklerinin eğitimini vermektedir.
Şirketler bilinen İPK tekniklerinden en çok kontrol diyagramlarının eğitimini
vermektedirler (Al-Turki ve Andijani, 1997).
İstatistiksel proses kontrol çalışmaları, kalite problemlerinin kaynağı olarak
operatörden daha çok proses (süreç) üzerinde odaklanır. Özellikle, kalite sorunlarının
temelini oluşturmayan, kötü operatör gibi, faktörlerle de ilgilenmesine rağmen,
üretim metotları, hammadde, çalışma ortamı ve malzemedeki kusurların ve
sorunların belirlenmesi ve çözümlenmesini araştırır (Erdoğan, 2006).
İstatistiksel proses kontrol uygulamalarında proses sürekli gözlemlenerek
problemler tespit edilir, problemin sebepleri belirlenir, çözüm geliştirilir, geliştirilen
1. GİRİŞ Utkay DÖNMEZ
4
çözüm uygulanır ve proses tekrar izlenir. Bu döngü sonsuz olup bu sayede prosesin
sürekli iyileştirilmesi sağlanır (Elevli ve Behdioğlu, 2006).
Şekil 1.1. Prosesin temel unsurları (Bek, 2008)
İstatistiksel proses kontrol terimi karmaşık teknikleri şemsiyesi altına alan bir
yapıdadır. Oakland 1986 da yayımladığı kitabının bir bölümünü sadece Shewhart ve
Cusum kontrol tablolarını incelemeye ayırmış, diğer bölümlerde ise İstatistiksel
proses kontrolünün kullanım alanlarının çok daha geniş olduğunu ifade etmiştir
(Wood, 1994).
Şekil 1.2. Proses girdileri ve çıktıları
Malzemeler
Metotlar/Prosedürler (Talimatlar)
Bilgi (Spesifikasyonlar) Çalışanlar (Yetenek, deneyim, bilge)
Çevre
Kayıtlar Teçhizat
Proses
Ürünler
Hizmetler
Bilgi
Yazışmalar/ Dokümantasyon
1. GİRİŞ Utkay DÖNMEZ
5
Proses kontrol yapılırken ortalamadan sapmaların dağılım ve derecesi göz
önüne alınmaktadır. Bu değişkenliğin dağılımı ise tesadüfî olan ve olmayan gibi iki
farklı grupta incelenebilir. Tesadüfî değişkenlik, üretim faktörlerinin yapısında var
olan değişkenlerde ± 3 standart sapma aralığındaki değişmeyi, üretim prosesinin
yapısal toleransı olarak tanımlanmaktadır. Tesadüfî olmayan değişkenlikler, yönetimi
düzeltici kararlar almaya zorlamaktadır. Daha sonra bu kararlara göre yardımcı
teknikler uygulanmaktadır (Buluklu, 2006).
Yeni ürünlerin oluşturulması veya var olanın geliştirilmesi tıpkı onların
üretim proseslerinin geliştirilmesi veya dizayn edilmesi gibi kritik eylemlerin yer
aldığı birçok endüstriyel organizasyonlar vardır. Tipik deneysel dizayn uygulama
alanları, ürün ve üretim karakterizasyonları varyasyonu düşürme çalışmaları, kontrol
ve istikrarı prosese optimizasyonu ve ürün/proses yenilikçi çalışmaları gibi…
(Montgomery, 1999).
Bilgi teknolojisinin gelişmesi, kısa zamanda büyük boyutlarda ve düşük
maliyet aralığında çok fazla miktarda verinin toplanmasına olanak sağlamıştır.
Hesaplamalardaki karmaşalık online bilgisayar sistemleriyle oldukça azaltılmıştır.
Kalite yönetimi için yeni bir odaklanma olan otomatik proses sonucu, sistemi sürekli
görüntüleyebilme imkanı olmuştur (Jarett ve Pan, 2009).
Günümüzde birçok bilim dalı için kullanıma hazır bilgisayar paket
programları üretilmektedir. Bu kapsam dâhilinde istatistik bilim dalı için hazırlanmış
paket programlar da mevcuttur. İstatistiğin bilgisayar ortamında uygulamaya
başlanmasıyla beraber istatistiksel analizlerin tüm süreçleri, daha hızlı ve kolay bir
biçimde daha çok insanın kullanımına sunulmuştur. Artık istatistik, karmaşık
formüllerin ve uzun zaman alan uygulamaların bir bileşimi olmaktan çıkarak, birçok
bilim dalı için vazgeçilmez bir araç haline gelmiştir (Akın ve Öztürk, 2005).
İstatistiksel proses kontrol ve mühendislik proses kontrolün her ikisi de
proses çeşitliliğinin azaltılmasında kullanılır. Bu yöntemlerin farkı ise tekniklerin
yaklaşımlarıdır. Mühendislik proses kontrol ve İPK mühendisleri üretim prosesindeki
çeşitliliği azaltmak için ve kalite karakteristiklerimdeki hedefi yakalamada çeşitli
stratejilerde birleşmişlerdir. Kalite mühendisleri İPK tekniklerini, prosesin altında
1. GİRİŞ Utkay DÖNMEZ
6
yatan sorunları belirlemek için kullanırken, kontrol mühendisleri ise mühendislik
proses kontrol tekniklerini prosesi düzeltmek için kullanırlar (Shao, 1998).
Prosesteki çeşitliliği ve yorumlamalardaki karmaşıklığı ortadan kaldırmak ve
başarılı gözlemler sonucunda bağımsız istatistiki veriler elde etmek İstatistiksel
proses kontrolün geleneksel uygulama alanıdır (Montgomery, Keats, Runger, ve
Messina, 1994).
İstatistiksel proses kontrolün amaçlarını ve yöntemden elde edilecek
faydalardan bazıları aşağıdaki gibi sıralamak mümkündür (Tütmez ve Bayat, 1999);
• Ürün kalitesinin geliştirilmesi
• Kalite maliyetlerinin düşürülmesi
• Hatalı ürün miktarının azaltılması
• Muayene ve test masraflarının azaltılması
• Ürün miktarının ve güvenilirliğinin artması
• Kapasitenin artması
• Birim maliyetlerin azalması
• Gerçekçi standart ve spesifikasyonların belirlenmesi
• Daha az makine arızası
• Bakım onarım ve yeni ekipman alım işlemlerinin daha akıcı hale gelmesi
• Üretimlerdeki duruşlarda azalma
İstatistiksel proses kontrol, üretim proseslerin acil durumlarında oldukça
yaygın kullanım alanına ulaşmıştır. İstatistiksel proses kontrol ve temelleri üzerine
kitaplar ve Ford motor gibi organizasyonların düzenlediği kullanım kitapçıkları gibi
birçok kitap basılmıştır (Wood, 1994).
Ölçüm sisteminin yeterliliği ispatlandıktan sonra sürecin istenen değerlerde
çalışma konusunda yetenekli olup olmadığı incelenmekte, yetenekli olması
durumunda veri seti ve sürecin durumuna göre uygun olan kontrol kartlarının
çizilmesi ve yorumlanması ile İPK uygulaması tamamlanmaktadır (Durman ve
Pakdil, 2005).
1. GİRİŞ Utkay DÖNMEZ
7
Bütün proseslerde çeşitlilik vardır. 10 kez isminizi yazıp imzaladığınızda
hepsi birbirine benzer ama 2 tanesi bile birbirinin aynı değildir. Çeşitlilik ön
görülebilir ama limitler dâhilinde tahmin edilemez. Bunlar özel nedenler ve genel
nedenler olmak üzere çeşitliliğe neden olurlar.
İstatistiksel proses kontrol fark edilebilir nedenlerin sebeplerini inceler,
bunların çeşitliliği arttıran dışsal arızalar olduğu tahmin edilir. Birçok İPK tekniği,
istenilen değerlerin etrafındaki dalgalanmaları, bağımsız gözlemler ve istatistikî
terimler ile prosesteki olumsuzlukları tahmin eder (Montgomery, Keats, Runger, ve
Messina, 1994). Çıktının kalitesinde sayısız küçük nedenler, doğal durumundan
kaynaklanan değişikliğe yol açabilmektedir. Küçük nedenlerden kaynaklanan şans
nedenli değişikler normal kabul edilmektedir. Buna karşın, atanabilir nedenler
bulunduğunda proses “kontrol dışıdır” sonucuna ulaşılabilmektedir. Bu durumda,
prosesin tekrar kabul edilebilir kalite seviyesine ulaşması için düzeltici tedbirler
alınmalıdır (Aytaç, 2006).
Çeşitliliğin fazlalığı kalitesizliği getirir ancak İPK’da içinde bulunduğu
istatistikî teknikler ve tecrübeler kalite kontrol ve onun gelişmesinde önemli bir rol
oynar. Kalitenin gelişmesi, istatistikî eğitim verilmiş personelin uygulamış olduğu
projelerdeki İPK teknikleri ve özel uygulamaları ile sağlanır (Montgomery, 2005).
Önemli olan kusurlu ürünler üretildikten sonra bunların ayıklanması değil,
ürünlerin hatalı olmasına neden olan faktörlerin tespitidir. Yapılması gereken
prosesin tüm ayrıntılarıyla her aşamada kontrolü ile olabilecek sapmaları ve sorunları
anında müdahalelerle en aza indirerek prosesi sürekli geliştirmeye çalışmaktır. Bu
süreç Şekil 1.3’de gösterilmiştir.
1. GİRİŞ Utkay DÖNMEZ
8
Şekil 1.3. Proses kontrol şeması (Aksu, 2002)
Bir proses istatistiksel olarak kontrol altında iken, sadece doğal çeşitlilik veya
şans sebepleri gibi bilinen sebepler vardır. Önemli çevresel faktörler, yanlış
kalibrasyon, hammadde çeşitliliği veya insan hatası gibi prosesteki değişiklik bazen
fark edilebilir. Fark edilebilir hatalar, prosesi tahmin edilemez yaparlar ve kontrol
durumunun kaybolmasına sebep olurlar. İstatistiksel proses kontrolün ana amacı fark
edilebilir hataları tespit etmek ve bunları düzeltebilmektir (Spanos ve Gua, 1992).
Proses kontrol sistemi, işlerin en iyi şekilde yürüdüğünün sanıldığı veya ifade
edildiği zamanlarda bile, prosesle ilgili pek çok anlamlı bilgiyi derlemeyi, ölçmeyi,
değerlendirmeyi, gereken durum ve zamanlarda bu bilgilerden yararlanmayı sağlar.
Ancak yeterli gayret, işine bağlı ve iyi eğitilmiş personel aracılığı ile uygulanan İPK
teknikleri beklenen kalite gelişimini ve verimlilik artışını sağlayabilecektir (Aksu,
2002). İstatistiksel proses kontrolü daha iyi kavrayabilmek için bazı tanımların
gözden geçirilmesi gerekli olabilir;
İstatistik: Bir bütününü tamamını kontrol etmek yerine bütünden örnekler alarak
sonuçlara göre bütün hakkında tahminde bulunmak için kullanılan araçları ifade eder
(Durman ve Pakdil, 2005).
Proses: Bir ürün veya hizmetin önceden belirlenen nitelikte elde edilmesi için
kullanılan tezgâh, takım, metot, malzeme, çevre ve insan gücü faktörlerinin bir
bileşimidir (Durman ve Pakdil, 2005).
Sürece etki etme
Süreç hakkında bilgi edinme
Çıktı hakkında bilgi edinme
SÜREÇ İnsan Tezgah Malzeme
Metot Çevre Süreç Değişikliği
GİRDİ ÇIKTI
1. GİRİŞ Utkay DÖNMEZ
9
Kontrol: Bir şeyin bizim istediğimiz şekilde yani, hâkimiyetimiz altında gitmesini
sağlamaktır (Umur, 2000).
Kalite Kontrol: Bir kalite karakteristiğini ölçüp, standartları ile karşılaştırıp
arasındaki farkı ortaya çıkaran işlemdir. Bir ürün veya hizmetin kalitesinin istenen
spesifikasyonları karşılayabilmesini temin için operasyonel teknik ve faaliyetlerin
kullanılmasıdır.
Değişkenlik: Doğada veya bir üretim sürecinde iki nesnenin hiç bir zaman
mükemmel olarak birbirinin aynısı olmadığını ifade eder.
Spesifikasyon: Bir işin nasıl yapılacağını belirten ayrıntılı bir talimat veya belirli
özellikleri yanılgıya meydan vermeyecek açıklıkta ve ölçütlerde tanımlayan
bilgilerdir.
Bir prosesi kontrol etmek için birçok yol bulunmaktadır. Bunlar; deney yolu,
sezgiyle hareket etme yolu ve prosesi iyiymiş gibi kabul etme yoludur. Deney yolu
çok zaman almaktadır. Sezgiyle hareket etme yolu ise oldukça risklidir. Kontrolün
amacı; meydana gelen düzeltilebilir hataları belirleyip düzeltmek ve doğal limitler
içerisinde proses çeşitliliğini sağlamaktır (Buluklu, 2006).
İstatistiksel proses kontrolde sayılar ve bilgi, kararlar ve faaliyetler için temel
oluştururlar. İstatistiksel proses kontrolde kullanılan metotlar, verilerin toplanması,
sunulması ve analizi için yardımcı olur (Öner, 2002):
• Proses akış diyagramı (Ne yapılmaktadır?)
• Kontrol çizgileri / Çetele diyagramları (Ne sıklık da yapılmaktadır?)
• Histogramlar (Sayıların dağılımı nasıldır?)
• Grafikler (Sayıları kullanarak şekil oluşturabilir miyiz?)
• Pareto analizi (Büyük problemler hangileridir?)
• Sebep sonuç diyagramı (Problemlere ne sebep olmaktadır?)
• Saçınım diyagramı (Faktörler arasında ne şekilde bağlantı mevcuttur?)
• Kontrol diyagramları (Hangi değişimler ve nasıl kontrol edilecektir?)
1. GİRİŞ Utkay DÖNMEZ
10
Şekil 1.4. İstatistiksel proses kontrol araçlarının genel görünümü
1.1.1. Proses Akış Diyagramı
Süreç akış şeması, belli bir süreçteki adımları grafik sembollerle
göstermektedir. Süreç akış şemalarıyla, büyük bir süreçte çeşitli basamaklar
tanımlanmakta ve yapılan işin herkes tarafından anlaşılması sağlanmaktadır. Bu tür
şemalar incelenerek, sorunun potansiyel kaynağı olan çevrimler açığa
çıkartılabilmektedir. Süreç akış şeması oluşturmakla, belli bir süreçte atılması
gereken adımlara daha yakından bakma olanağına kavuşulmaktadır. Aynı zamanda
akış şemaları, sürece kimin nasıl katılacağını belirlemede önemli katkı
sağlamaktadır. Şekil 1.5’ de süreç akış şemalarında kullanılan semboller
görülmektedir (Aytaç, 2006).
Şekil 1.5. Standart süreç akış şeması
Verimlilik ve kaliteyi geliştirmek için İPK’da uygulanması önemli olan
Proses analiz akış diyagramı ise Şekil 1.6’da gösterilmiştir (Aksu, 2002).
Başlama ve Bitiş
Faaliyetler Karar Akış Yönü
Bekleme Depolama
1. GİRİŞ Utkay DÖNMEZ
11
Şekil 1.6. Proses analiz akış diyagramı (Aksu, 2002)
1.1.2. Veri Toplama ve Analizi
Kalite sistemlerinde veri toplanmalı ve analiz edilmelidir. Kalite problemleri ile
ilgili olarak istatistik teknikleri kullanmadan önce verilerin doğru olarak toplanması
gerekir (Bulut, 2007). Mevcut bir problemde veya değişiklikte en önemli husus, konu
hakkında bilgi (veri)'lerin doğru kaynaklardan toplanmasıdır. Bu bilgiler belirli bir
sabitle kıyaslanabilecek şekilde değişken ya da bir özelliği tespit etmek için sabit
sayısal değerlerde olabilir (Aksu, 2002).
Problemin tanımı
Problemin belirlenmesi: Proses istatistiksel kotrol altında mı?
Standart sapma ve proses yeteneğinin hesaplanması
Evet
Problemin sıralanması
Nedenlerin belirlenmesi
En iyi çözümün seçilmesi
Uygulamaya geçilmesi
Uygulamanın değerlendirilmesi ve takip edilmesi
Çözülmüş problemlerin muhafaza edilmesi
Prosesin sürekli geliştirilmeye devam edilmesi
Yeni veri toplanması
1. GİRİŞ Utkay DÖNMEZ
12
Veri çeşitleri 2’ye ayrılır (Bulut, 2007):
Nicel veriler: Sayılabilir, ölçülebilir özellikteki verilerdir; boy uzunluğu, ağırlık v.b.
Nitel veriler: Nitelik belirten verilerdir; cinsiyet, tabiyet v.b.
Ölçerek: Uzunluk, Sıcaklık, ağırlık, yoğunluk
Sayarak: Üretilen pantolon adedi, bozuk olarak reddedilen parti adedi
Okuyarak: Skor, notlar, raporlar vb. veri toplanır.
Veriler otomatik bir sistemle ya da elle toplanır. Verilerin elle toplanması
bazı yönlerden avantajlıdır (Aksu, 2002).
1. Elle veri toplama; işi yapanı prosese yakınlaştırır, konuyu daha iyi
anlamasını ve hissetmesini sağlar.
2. Olaylar ve zaman ilerledikçe veriyi toplayan kişi prosesi izlerken sebep-
sonuç ilişkilerini görmeye, bazı keşifler yapmaya başlayacaktır. Esas amaç
da bunu başarmaktır.
3. Yaklaşımı dinamik bir hale getirir. Kimi verilerin gereksizliği ortaya
çıkacak ve veriler toplanmayacak, kimi zamanda yeni faktörler araştırılarak,
konu ile ilgili veriler toplanacaktır. Böylece optimum bir veri toplama
düzeneği kısa sürede kurulabilir.
4. "Sürekli Gelişme"ye yönelik veri toplama araştırma niteliklidir ve geçicidir,
istenilen gelişme sağlanınca, veri toplamanın konusu değişmelidir.
Elle veri toplamanın avantajlarının yanı sıra otomatik veri toplama
sistemlerinin kullanımının daha avantajlı olduğu ve/veya zorunlu olduğu durumlar da
söz konusudur (Öner, 2002).
• Değişimin çok hızlı olduğu durumlarda
• Çok sayıda verinin aynı anda toplanması gerektiğinde
• Sağlık veya emniyet nedeni ile elle veri toplamanın riskli olması halinde
1. GİRİŞ Utkay DÖNMEZ
13
• Veri toplamanın matematiksel analizinin de yapılması gerektiğinde 1.1.3. İstatistiksel Proses Kontrolde Kullanılan Teknikler
İstatistiksel proses kontrol adapte edilmiş bir prosedür, normal çeşitlilikleri,
özel veya fark edilebilir nedenlere bağlı normal dışı çeşitlikten ayrılır. Bu genellikle
proses ortalaması için kontrol tablosu ile yapılır. Bu tablolar girdilerin ve
gözlemlenen örneklemin karşılaştırılması ile yorumlama yapar.
En yaygın İPK teknikleri histogramlar, kontrol tabloları, pareto analizi ve
şemalardır. Histogramlar belli zaman aralığında veri dağılımını çubuk grafiklerle
gösterilmesidir. Kontrol tabloları proses kararlılığını tespit eder. Pareto analizi,
proses çeşitliliğinin rakamsal ilişkisini gösterir (O’Sullivan, 1995).
1.1.3.1. Çetele Diyagramı
Kontrol çeteleri, kalite kontrolde verilerin kaydı ve düzenlenmesi için
kullanılır. Çetele diyagramı, belirli bir zaman aralığında meydana gelen hataların
ortaya çıkma nedenlerini ve kaynaklarını bulmak amacıyla sorunları çetele ile
göstererek sıklık derecelerinin saptanması için kullanılan bir araçtır (Kaya ve Ağa,
2004, Aytaç, 2006, Akın ve Öztürk, 2005).
Kusurlu ürün veya kusur yeri ve nedeninin kaydı ile kusurlu ürün sayısının
bilinmesiyle beraber, kusura yol açan sebeplerin tespiti mümkündür.
Diyagram oluşturulurken izlenmesi gereken yol şöyle özetlenebilir. Önce parti
büyüklüğü ve sonra da numune alma planlarından faydalanılarak örnek büyüklüğü
belirlenir. Daha sonra hata tipleri alt alta yazılır ve hangi hata tipine rastlanırsa
karşısına bir işaret konulur. Kontrol edilecek parça sayısı bitince her hata tipi için
konulan işaretler toplanır. Red edilen kusurlu parça sayısı bilgi formuna yazılır.
Böylece karşılaşılan hata türlerinin dağılımı ve düzeltmenin nereden başlaması
konusunda fikir yürütülebilir (Umur, 2000).
1. GİRİŞ Utkay DÖNMEZ
14
1.1.3.2. Histogramlar
Çetele diyagramı ile sınıflandırılan verilerin histogram adı verilen bir grafikle
ifade edilebilir. Histogram üzerinde gerektiğinde alt ve üst spesifikasyon limitlerinin
belirlenmesi yolu ile kabul edilen ve red edilen üretim miktarları kolaylıkla
görülebileceği gibi, verilerin normal dağılıp dağılmadığı da izlenir. Ayrıca iki farklı
üretimin veya firmanın karşılaştırılmasında da kullanılan etkin bir yöntemdir (Umur,
2000, Zeyveli ve Selalmaz, 2008, Bek, 2008, Akın ve Öztürk, 2005).
Çizelge 1.1’de histogram çizimi için kullanılacak veriler, Şekil 1.7’de ise bu
verilerle oluşturulan histogram görülmektedir (Aytaç, 2006).
Çizelge 1.1. Histograma İlişkin Veriler Gruplar Frekans Çetele Diyagramı
5.00 – 7.75 6 IIIIII 7.75 – 10.50 20 IIIIIIIIIIIIIIIIIIII 10.50 – 13.25 11 IIIIIIIIIII 13.25 – 16.00 3 III
Şekil 1.7. Verilere ait histogram
Histogram bize kapsamlı bir değerlendirmeyi ilk bakışta verebilir. Bu
bakımdan, histogramlar analizlerde ve değerlendirmelere çok kıymetli, vazgeçilmez
görsel araçlardır. Kalite geliştirme çalışmasında da en çok kullanılan teknik arasında
histogramlar gelir (Aksu, 2002).
1. GİRİŞ Utkay DÖNMEZ
15
1.1.3.3. Pareto Analizi
V. Pareto, 1897’de gelir dağılımının eşit olmadığını gösteren bir formül
geliştirerek, gelirin çok büyük bir diliminin, küçük bir azınlık tarafından
sahiplenildiğine dikkat çekmiştir. Maliyetin %80’inin elemanların sadece
%20’sinden kaynaklandığı veya servetin yaklaşık %80’ninin nüfusun %20’sinin
elinde olduğu gibi durumları örnek göstermiş ve bu oranı 20/80 olarak açıklamıştır.
Juran, bu kurala “Pareto Prensibi” adını vermiştir. Bu prensibe göre,
uygunsuzlukların çok büyük bölümü belli birkaç sebebe dayanmakta ve bu
sebeplerin tespiti, sorunların giderilmesinde kilit rol oynamaktadır. Çok sayıda
parçadan oluşan karmaşık mamullerde tolerans limitlerini düşürmek için, Pareto
grafiğinin çizimi bu konuda uygulanabilecek basit fakat etkili bir analizdir. Pareto
analizi, maliyet ve hataları tespit etmek için kullanılabilen bir yöntemdir. Bu
analizden faydalanılarak hangi parçaların maliyet bakımından önemli olduğu tespit
edilmekte ve kontrol çalışmaları, daha çok bu parçalar üzerinde yapılmaktadır
(Özcan, 2001).
İstatistiksel proses kontrol, örneklemlerin dizaynı ve tasarımını içeren
aktivitelerin anlamları, büyük sınırlar ile etrafını çevirmişlerdir. Pareto analizi ise
deneysel tasarı ve çok çeşitlilik analizidir (Harris ve Ross, 1991).
Çizelge 1.2’deki veriler kullanılarak hazırlanan Şekil 1.8’daki pareto grafiğinde
sol taraftaki en uzun sütun önemi açısından birinci sorun olarak düşünülür. (Yani en
fazla hata sayısına neden olan veya maliyeti en çok arttıran) ve araştırmacı grup
tarafından ilk olarak ele alınır. Pareto Diyagramı, ekip üyelerinin tipik olarak
karşılaştığı birkaç önemli sorunu diğer birçok sorundan ayırabilmelerini sağlayan
karar analizi işleminin bir parçasıdır. Teorik olarak Pareto Diyagramında
kullanılacak en az sütun sayısı iki, en fazla sütun sayısı sınırsızdır (Aksu, 2002).
1. GİRİŞ Utkay DÖNMEZ
16
Çizelge 1.2. Pareto analizi veri tablosu Gruplar Frekans Yüzdesi % Kümülatif %
7.75 – 10.50 20 50 50 10.50 – 13.25 11 27,5 77,5 5.00 – 7.75 6 15 92,5
13.25 – 16.00 3 7,5 100 Toplam 40 %100 -
Şekil 1.8. Verilere ait Pareto diyagramı
Ishikawa’ya göre; Pareto analizi en çok hatayı veya hataları kolayca tespit
etmenin yanında, bir iyileştirme programının vermekte olduğu sonuçların
izlenmesinde de kullanılır.
Pareto analizi, fabrikada meydana gelen duruşların sebeplerini araştırmada,
stok kontrolünde, enerji tasarrufunda, güvenlik, verimlilik, pazarlama, satın alma,
dağıtım, satış analizi, atık azaltma, mamul çeşidi, malzeme tedariki ve başarıyı
izlemek gibi çok çeşitli alanlarda kullanılarak çok faydalı sonuçlar vermektedir
(Özcan, 2001).
1. GİRİŞ Utkay DÖNMEZ
17
1.1.3.4. Sebep-Sonuç Diyagramı
İlk defa 1953 yılında K. Ishikawa tarafından kullanılan bu yöntem, daha
sonra Japonya’da büyük ilgi görmüş ve Japon Endüstri Standartları (JIS) Kalite
Kontrol terminolojisine dâhil edilmiştir. Orada geçen tanımıyla Sebep-Sonuç
Diyagramı, “kalite karakteristikleriyle etmenler arasındaki ilişkiyi gösteren
diyagram”dır. “Balık kılçığı diyagramı” olarak da bilinen bu diyagram, omurgasını
ilgili kalite karakteristiğinin (sonuç) oluşturduğu, sebeplerin ise önemine göre (ana
sebep/tali sebep) kılçıkları teşkil ettiği bir gösterim yöntemidir (Aytaç, 2006).
Sebep-sonuç arasındaki ilişkinin kurulmasında değişkenler arasındaki
bağıntının doğru biçimde ortaya konabilmesi çok önemlidir. Zira bir prosesi kontrol
ederken hangi parametreyle ne şekilde oynamanız gerektiği bilmek zorundasınızdır.
Aksi takdirde durumu daha da kötüleştirip işin içinden çıkılmaz hale getirmek
kaçınılmaz olur (Akın ve Öztürk, 2005).
Diyagram, hangi sebeplerin hangi sonucu meydana getirdiğini açıklamada
etkili bir araçtır. Uygulamada beyin fırtınası yapılarak, çözümlenmek istenen sorun
ortaya konmuştur. Burada sorun, üretim hatalarının % 1’in altına indirilememesidir.
Sorununun ana nedenleri “Balık Kılçığı” şeklinde ortaya konmuştur (Bircan ve
Gedik, 2003).
Sebep-sonuç diyagramı, bir kalite karakteristiği ve faktörleri arasındaki
ilişkiyi gösteren bir diyagram olarak tanımlanabilir. Beyin fırtınasında, makine, araç-
gereç, malzeme, personel, metot ve çevre, ana sorunlar olarak seçilmiş ve
çalışanların fikirleri çerçevesinde ana sorunların kapsamı içindekiler belirlenmiştir
(Zeyveli ve Selalmaz, 2008). Bir konfeksiyon işletmesi için sebep-sonuç diyagramı
Şekil 1.9’de verilmiştir.
1. GİRİŞ Utkay DÖNMEZ
18
Şekil 1.9. Hataların azaltılması durumu için sebep–sonuç diyagramı (Bircan ve
Gedik, 2003).
1.1.3.5. Dağılım (Saçılım) Diyagramı
Dağılım Diyagramları birbiri ile ilişkili, iki ayrı veri analizini araçlardır.
İstatistiksel olarak tam bir sonuç elde edilmese dahi dağılma diyagramları
değişkenler arasındaki önemli ilişkileri gösterir (Bek, 2008). Dağılım diyagramı ile
belirli bir süreçte birbirleriyle ilişkili olarak düşünülen iki veri, bir diyagram üzerinde
incelenmektedir. Diyagramın yatay ekseninde, genellikle neden olarak
değerlendirilecek değişken yer alırken; dikey ekseninde bundan etkilendiği
düşünülen değişken yer almaktadır. Bu diyagrama verileri yerleştirirken dikkat
edilecek en önemli husus, verilerin alındığı iki değişken arasında anlamlı bir ilişkinin
olmasıdır. Aksi halde, yanlış sonuçlara meydan verilmektedir (Aytaç, 2006).
Dağılım diyagramına bir örnek Şekil 1.10’da görülmektedir. Bu grafiğin
yorumlanması x artarken y de artar ve aralarında pozitif bir ilişki vardır.
Personel Makine
Malzeme Metot
Proses Hatalarını %1’ in Altına İndirilmesi
Vasıfsız Yorgun
Fazla Çalışıyor
Motive Eksikliği
Dikkatsizlik
İş Yeri Kapanma Korkusu
Yeni Parça Temini
Bakım
Yenisi Alınamıyor
İplik Kalitesi Kumaş Kalitesi
Alımı Başka Birimin Yapması
Kesim Çizim
Bilgisayarlı Kesim Yok Dikkatsizlik
1. GİRİŞ Utkay DÖNMEZ
19
Şekil 1.10. Dağılma diyagramı
1.1.4. Proses Yeterlilik Analizleri
Üretim faaliyetlerinde, kalite özelliklerindeki değişkenliğin azaltılmasının yanı
sıra hedeflerin de sürekli olarak karşılanması istenir. Bunun için, üretim prosesi
içerisinde ürün gerekliliklerinin veya spesifikasyonlarının sağlanma derecesi sürekli
olarak incelenmelidir. Bu inceleme proses yeterlilik analizi ile yapılabilmektedir
(Elevli ve Behdioğlu, 2006).
Makine yeterlilik ve proses yeterlilik analizi olmak üzere iki türlü analiz
yapılmaktadır. Proses/makine yeteneklerinin belirlenmesi, proses veya makineden
çıkan ürün üzerinden bir ölçü çıktısına ait veri grubu üzerinden yapılır. Makine
yeteneği Cm ile proses yeteneği ise Cp ile gösterilir.
Yetenek (Cm veya Cp), iki parametrenin, istenen ile yapılabilenin oranıdır.
İstenen; spesifikasyon aralığı (tolerans aralığı; Ts) müşterinin/tasarım departmanının
belirlediği geçerlilik aralığıdır. Yapılabilen ise; doğal tolerans (Natural Tolerance,
Tnat), ölçülerin gösterdiği aralıktır. Pratikte 6σ (standart sapma) olarak hesaplanır.
Doğal tolerans makine, malzeme, metot, insan ve çevre faktörleriyle belirlenir
(3M+İ+Ç) (Umur, 2000).
1.1.4.1. Makine Yeterlilik Analizi
Makine yeterlilik analizi, kısa bir süre içinde, aynı proses şartlarında kullanılan
makinelerin kabiliyeti ve varsa değişimleri ortaya çıkarmak amacıyla
kullanılmaktadır. Makine yeterliliği, üretilen üründen sürekli olarak az sayıda
X
. . …. .. . . .
Y
1. GİRİŞ Utkay DÖNMEZ
20
numune alınıp, ölçülerek ve temel istatistik uygulanarak incelenebilir. Makine
yeterliliği hesaplanırken şu sıra izlenir (Bulut, 2007);
• Kesintisiz bir ortamda, aynı kişi tarafından, aynı metot, cihaz ve şartlarda
en az 50 numune alınır.
• Ölçüm cihazının toleransının 1/10 hassasiyetinde olmasına dikkat edilir.
• Ölçüm sonuçları forma kaydedilir. Dağılım eğer normal değilse özel
nedenler belirlenerek ortadan kaldırılır ve işlem tekrarlanır.
• Standart sapma (σ) hesaplanır.
• Yeterlilik indisleri hesaplanır. Yeterlilik indeksleri hedeflenen veya müşteri
tarafından istenen değerlerden büyük olmalıdır.
Cm ve Cmk makine yeterlilik katsayısını hesaplayarak dağılımın konumu
hakkında bilgi sağlar. Makine yeterlilik indislerinden küçük olan değerlendirilir.
Makinenin yeterli olması için indis minimum 1 olmalıdır. Ancak birçok dokümanda
prosesin zaman içindeki muhtemel sapmaları da dikkate alınarak bu oran 1,33
verilmektedir.
ÜKL: Üst kontrol limiti
AKL: Alt kontrol limiti
σ : Standart sapma
n : Örnek sayısı
Xort = (X1+X2+…+Xn) / n (1.1)
σ = √ [∑ (Xi-Xort)2 ] / (n-1) (1.2)
Cm = (ÜKL – AKL) / 6 σ (1.3)
1. GİRİŞ Utkay DÖNMEZ
21
Cmk = min[(ÜKL-Xort) /3σ ; (Xort – AKL) /3σ] (1.4)
1.1.4.2. Proses (Süreç) Yeterlilik Analizi
Bir prosesin üretim yeteneğini tanıma yollarından birisi de proses yeterlilik
analizidir. Proses yeteneği, bir prosesin sağlayabildiği en az kalite değişikliğidir.
Proses yeterliliği, prosesin değişkenliğinin, ürünün toleransına ne oranda uyduğunun
ölçüsüdür veya bir başka tanımlama ile proses performansının tolerans limitleri ile
bağlantısını irdeleyen bir karşılaştırmadır ve yetenek indeksleri ile açıklanır (Umur,
2000).
Proses yeterlilik analizinin amacı; proses ortalaması ve standart sapmasını,
spesifikasyonlar ile ilişkilendirerek prosesin tüketici isteklerine uygun ürün
oluşturma yeteneğini değerlendirmektir. İşletmelerin ulaşmak istediği amaç; proses
ortalamasının hedef değer üzerinde ve yayılımın spesifikasyonlar içerisinde,
mümkün olan en küçük değerde oluşmasıdır. İşletmelerin ulaşmak istediği amaç;
proses ortalamasının hedef değer üzerinde ve yayılımın spesifikasyonlar içerisinde,
mümkün olan en küçük değerde oluşmasıdır. Proses yeterlilik analizinde proses
yeterlilik indeksleri, histogram, normal olasılık işaretlemesi ve kontrol grafiği
yaklaşımları kullanılabilmektedir (Zeyveli ve Selalmaz, 2008).
Süreç yeterliliği, istatistiksel bir ölçüt olup müşteri beklentilerine (şartname
limitleri spesifikasyonlar) göre bir sürecin ne kadar değişkenlik gösterdiğini özetler.
Bu aşamada dikkate alınan parametreler Cp ve Cpk indisleridir (Durman ve Pakdil,
2005). Cp indeksi prosesin yeteneğini analiz eder. Bu genellikle prosesin standart
sapmasını tahmin eder ve tahmini proses yeteneğini (Cp) belirler. Standard kontrol
çizgileri doğal tolerans (6σ) limitleri değeridir (Kane, 1986).
Cp ve Cpk proses yeterlilik katsayısını hesaplayarak dağılımın konumu
hakkında bilgi sağlar. Prosesin yeterli olması için Cp ve Cpk ≥1,33 olmalıdır.
Otomotiv üreten firmaların istediği değer genellikle Cp ve Cpk ≥1,67 ’dir. Pp, Cp ve
Cpk değerleri hedeflenen veya müşteri istek değerinden büyük bir değer almalıdır
(Bulut, 2007).
1. GİRİŞ Utkay DÖNMEZ
22
Pp : Proses performansı
Cp, Cpk : Proses yeterlilik indeksleri
ÜKL : Üst kontrol limiti
AKL : Alt kontrol limiti
σ : Standart sapma
Cp = Pp = [(ÜKL – AKL) / 6σ] (1.5)
Cpk = min[(ÜKL-Xort) /3σ ; (Xort – AKL) /3σ] (1.6)
Çizelge 1.3. Cp ve Cpk İndislerinin Karar Noktaları (Durman ve Pakdil, 2005). Cp>1,33 Proses yeterliliği yeterli 1<Cp<1,33 Proses marjinal olarak yeterli, daha yakından izlenmeli Cp<1 Proses yeterliliği yetersiz (Proses değişkenliğinin azalması gerekli) Cpk>1,33 Proses şartname limitlerini karşılıyor 1<Cpk<1,33 Proses marjinal olarak şartname limitlerini karşılıyor. Proses
ortalaması hedeften uzaklaştıkça prosesin hata yüzdesi artabilir Cpk<1 Proses şartname limitlerini karşılamıyor. Proses ortalaması hedef
değerden uzakta
Bu tabloda Cp ve Cpk değerlerinin hangi aralıklarda ne ifade ettikleri
görülmektedir. Buna göre, Cp değerinin 1,33’ten büyük olması ölçülen proses
yeterliliğinin yeterli olduğu, yani proseste büyük bir değişkenliğin olmadığı anlamına
gelmektedir.1–1,33 arasında olması prosesin yeterli kabul edilebileceği fakat daha iyi
olması için gerekli iyileştirme faaliyetlerine başlanması gerektiğini gösterir. 1’den
düşük olması ise prosesin yetersiz olduğunu, yeterli olması için acilen proses
değişkenliklerini azaltmak gerektiğini ifade eder (Bulut, 2007).
1. GİRİŞ Utkay DÖNMEZ
23
1.1.4.3. Yeterli Olmayan Proseslere Yönelik Müdahaleler
Bir prosesin kontrol altında olup da spesifikasyon limitlerini karşılama
yeterliliği olmadığında düşünülmesi gereken bir kaç alternatif vardır. Bunlardan
bazıları şöyle sıralanabilir (Umur, 2000).
• Prosesin bakımı yapılır. (Örneğin, yeni yataklar, miller, talimatların gözden
geçirilmesi, eğitim)
• Proses değiştirilir. (Örneğin, metodu, hızı, beslemesi değiştirilir.)
• Daha iyi bir proses seçilir. (Örnek; tornalama yerine dövme, matkap yerine
raybalama gibi)
• Spesifikasyon limitleri gözden geçirilir, (Gereksiz sıklıkta ise genişletilir.)
• Yeni ekipman alınır.
• Proses yeterliliğini geliştirmek için problem çözme teknikleri kullanılır.
• Ürün %100 muayene edilir ve ayıklanır. Bu son çare olmalıdır, çünkü hem
etkin değildir hem de maliyetli bir uygulamadır.
1.2. Kontrol Tabloları
Üretimden belirli ve eşit zaman aralıklarında alınan örneklerden elde edilen
ölçüm değerlerinin zaman içerisindeki değişimlerinin gösterildiği grafiklere kontrol
tabloları denir. Kontrol grafikleri belirlenebilir nedenlerden kaynaklanan
değişmelerin tespit edilmesini sağlayarak, düzenlenmesine imkân tanıyan etkili bir
İPK aracıdır (Zeyveli ve Ersin, 2008). Kontrol tabloları, kontrol grafiği, kontrol
şemaları, kontrol çizelgeleri olarak da bilinmektedir.
Temel istatistiksel tekniklerin en önemlisi ve en çok kullanılan kontrol
tablolarıdır. Bir prosesin ne zaman ayarlamaya ihtiyaç duyduğunu ne zaman kendi
haline bırakılacağını belirtmek ve proses kararlılığını değerlendirmek için
kullanılmaktadır. Aynı zamanda prosesin iyileştiğini de doğrulamaktadır. Kontrol
tabloları arzu edilen niteliklerde ürün veya hizmet üretebilmek için istatistiksel
1. GİRİŞ Utkay DÖNMEZ
24
olarak prosesin kontrol ve analiz edilmesinde kullanılmaktadır. Bu konuda ilk
uygulama Dr.W.A.Shewhart tarafından başlatılmıştır (Akın ve Öztürk, 2005).
Birçok kontrol tablosu, varyasyonun tespiti için kullanılan kontrol tabloları
genellikle bağımsız ve benzeş olarak dağılan proses örneklemleri için ayarlanabilen
ve değerlendirilen (bir tek unsur/faktör) tekil kalite karakteristiklerinin durumlarını
tespit etmede standart olarak kullanılmaktadır (Chang ve Zhang, 2007).
Bir kontrol tablosunun en önemli görevi, proses kontrol dışına çıktığı zamanı
belirlemektir. Kontrol tabloları, proseslerin doğal çeşitliliğinin bilinen nedenleri ve
özel sebeplerini birbirinden ayırmayı amaçlar ve bunu da prosesin kendisinden alınan
ölçümlere dayanan kontrol limitlerini kullanarak başarır (Does ve Trip, 1997).
Proses kontrol grafikleri sayesinde proses performansı, müşteri beklentileri ve
istekleri karşılama yetenekleri kontrol edilerek, gerekirse proses geliştirilerek
iyileştirilir (Bircan ve Gedik, 2003, Woodall, Spitzner, Montgomery, Gupta, 2004).
Shewhart X ve R diyagramları kolaylıkları ve etkinlikleri ile kalite
varyasyonlarının sürekli takibi için halen en çok tercih edilen diyagramlardır. Bu
diyagramlarındaki kullanılmasındaki ana amaç düzensiz dalgalanmalar gösteren
kalite varyasyonunun ana sebeplerini tanımlamaktır (Bhattac ve Samanta, 2002).
Kontrol şemalarının gücü, üretim prosesi içindeki normal olmayan durumları
tanımlama ve proses kaymalarını ortaya çıkarma yeteneği altında yatmaktadır.
Böylelikle mümkün teşhisler yapılmakta, çoğu üretim problemleri düzeltilmekte,
genellikle kayıplar azaltılmakta ve ürün kalitesinde ilerlemeler kaydedilmektedir.
Kontrol şemalarını kullanarak prosesin iyileştirilmesi Şekil 1.11’de görülmektedir
(Aytaç, 2006).
1. GİRİŞ Utkay DÖNMEZ
25
Şekil 1.11. Kontrol Şemalarını kullanarak prosesin iyileştirilmesi (Aytaç, 2006).
1.2.1. Kontrol Tablolarının Yapısı
Kalite kontrol şemaları, normal dağılıma göre (x ± 3σ) belirlenmektedir. Şekil
1.12’ daki şemanın merkez çizgisi (MÇ, central line-CL), proses kontrolde
olduğunda, prosesin ortalamasına karşılık gelmektedir. Dikey çizgi ise; dikkate
alınan değişken için ölçüm ölçeğini (kalite düzeyini) tanımlamaktadır. ÜKL ve AKL
olarak etiketlenen iki çizgi, prosesin kontrolde veya kontrol dışı olduğuna karar
vermede önemli rol oynamaktadır. Bu çizgiler, üst kontrol limiti, ÜKL (upper control
limit, UCL) ve alt kontrol limiti, AKL (lower control limit, LCL) olarak
adlandırılmaktadır. ÜKL ve AKL genel olarak, ortalamaya ±3σ eklenerek
bulunmaktadır. Merkezi limit teoremine göre, işlemin dağılımı normal olmasa bile,
yeterince büyük örnek hacmi için x ’nın örnekleme dağılımı, normal dağılıma
uygundur. Böylece, normal dağılım gösteren bir değişkenin değerlerinin %99,7’sinin
x ±3σ sınırları içinde olduğu göz önüne alınarak, tesadüfî değişkenliğin de %99,7
olasılıkla kontrol limitleri içinde kalacağı söylenebilmektedir. Kontrol limitleri
dışındaki değerler, prosesin kontrol dışında olduğunun ve düzeltici tedbirin alınması
gerektiğinin güçlü istatistiksel kanıtıdır (Aytaç, 2006).
Proses
Ölçüm Sistemi
Girdi Çıktı
Atanabilir Bir Neden Araştır
Problemin Temel Nedenini Araştır
Doğrulama ve Devam Etme
Düzeltici Tedbir Uygulama
1. GİRİŞ Utkay DÖNMEZ
26
Kalite Düzeyi
Üst Kontrol Limiti (ÜKL)
Merkez Çizgi (MÇ)
Alt Kontrol Limiti (AKL)
Örnek Sayısı Şekil 1.12. Kontrol tablolarının genel yapısı
Prosesin izlenerek çeşitli nedenlerden kaynaklanan değişkenliğin azaltılması
amacıyla kullanılan kontrol grafiğinin seçilmesinde; üretilen birimlerin
karakteristikleri, kalite karakteristiklerinin dağılımı, muayene türü, muayene
maliyeti, muayene zamanı, üretim esnasında örneklemenin yapılabilirliği, üretim
sistemi, muayene anı ve üretim parti büyüklüğü gibi faktörler göz önüne alınır
(Anagün, 1997).
Söz konusu faktörler dikkate alındığında, ilgilenilen kalite karakteristiği
temelinde, işletmenin mevcut şartları ve üretimine yönelik uygun kontrol grafiğinin
seçilmesi mümkün olabilmektedir. Örneğin, üretilen birimlerin niceliksel
karakteristiklerinin izlendiği, muayene maliyetinin yüksek olmadığı, tahribatsiz
muayene türünün uygulandığı, muayene zamanının uzun olmadığı, sürekli üretimin
yapıldığı dolayısıyla üretim esnasında örneklemenin yapılabildiği, kalite
karakteristiği temelinde alınan örneklerin normal dağılım gösterdiği bir işletmede
örnek büyüklüğüne bağlı olarak Xort-R ve Xort-S kontrol grafiklerinden birisinin
seçilerek kullanılması uygun olacaktır (Anagün, 1997).
İstatistiksel proses kontrol teknikleri içerisinden kontrol tabloları en önemli
ve çok yaygın kullanıma sahiptir. Shewhart tarafından ilk olarak geliştirilen kontrol
tabloları endüstriyel uygulamalarda standart haline gelmiştir. Bu kontrol tabloları
geliştirildi ve X, R ve S tabloları olarak çeşitlendi, yıllar geçmesine rağmen halen
çok yaygın olarak kullanılmaktadır (Yeh ve Lin, 2002). Veri toplamada, analizinde
1. GİRİŞ Utkay DÖNMEZ
27
ve yorumlanmasında kullanılan İPK tekniklerinin kullanımı, üretim ve servis
endüstrisinde genişleyerek yaygınlaşmaktadır. Hatalı olan örneklemler kontrol
tablolarının gelişmesini sağlamıştır. Çeşitli sektörlerde uygun olmayan ölçümler için
n, p, c ve u kontrol tabloları kullanılmaktadır (Nembhard ve Nembhard, 2000).
Şekil 1.13, Kontrol tablolarının seçimi için takip edilecek sırayı
göstermektedir. Örneğin X-R çizelgesini kullanabilmek için verinin ölçülen veya
sayılan veri olması örnek miktarının 10’dan küçük olması ve 1’den büyük olmas
halinde kullanılır.
1. GİRİŞ Utkay DÖNMEZ
28
1.2.2. Şekil 1.13. Kontrol tablolarının seçimi (Vural, 1998).
VER
İ TİP
İNİ
BEL
İRLE
ÖLÇ
ÜLE
N V
EYA
SA
YIL
AN
VER
İ? S
AY
ILA
N V
ERİ
(NİT
ELİK
SEL
VER
İ)
UY
GU
NSU
Z BİR
İMLE
R V
EYA
U
YG
UN
SUZL
UK
LAR
UY
GU
NSU
ZLU
KLA
R
UY
GU
NSU
ZLU
KLA
R O
RA
NI
U Ç
İZEL
GES
İ
ÖLÇ
ÜLE
N V
ERİ
(DEĞ
İŞK
EN V
ERİ)
ÖR
NEK
MİK
TAR
I 10
’DA
N B
ÜY
ÜK
MÜ
?
ÖR
NEK
M
İKTA
RI 1
Mİ?
HA
YIR
HA
YIR
X-R
ÇİZ
ELG
ESİ
X-s
ÇİZ
ELG
ESİ
EVET
UY
GU
NSU
Z BİR
İMLE
RİN
p
ÇİZ
ELG
ESİ
UY
GU
NSU
Z BİR
İMLE
R
OR
AN
I
SAY
ISI
c ÇİZ
ELG
ESİ
(n=
SABİT
)
SAY
ISI
np Ç
İZEL
GES
İ
EVET
X-R
ÇİZ
ELG
ESİ
1. GİRİŞ Utkay DÖNMEZ
29
1.2.2. Ölçülebilen Karakteristikler İçin Kontrol Tabloları (Çizelgeleri)
Bunlar uzunluk, ağırlık, yoğunluk gibi bir alet veya cihaz yardımıyla
ölçülebilen ve rakamlarla ifade edilebilen özelliklerdir. Bu özellikler için kullanılan
diyagram tiplerini üç ana grupta toplayabiliriz (Umur, 2000).
1.2.2.1. X-R Proses Kontrol Çizelgeleri
X-R çizelgeleri tek tek alınan ölçümlerin olduğu proseslerde kullanılır.
Örneğin, günde 1, vardiyada 1 veya saatte 1 alınan ölçümlerde bu çizelge çeşidi
kullanılır. Kısa süreli üretimler, özel proses testleri, tahribatlı deneyler kullanım
alanlarıdır. X-R çizelgesinin oluşturulma adımları şu şekildedir;
• Tekil ölçüm verileri sırayla kaydedilir. ( X değerleri )
• Kaydedilen verilerin hareketli ortalamaları alınır. Hareketli aralık, her
defasında ilk değerin düşülmesinden sonra örnek verileri arasındaki farktır.
Genellikle bu işlemlerde n=2 şeklinde hareketli ortalama alınır. Bu değer R
değeri olarak adlandırılır.
• Daha sonra yazılan değerlerin X ve R ortalamaları bulunur. Bu da tüm X ve
R toplamlarının k=ölçüm sayısına bölünmesiyle bulunur.
• Kontrol limitleri hesaplanır.
ÜKLx = Xort + E2Rort (1.7)
(E2 değeri hareketli ortalamada alınan n değerine göre belirlenen sabit bir değerdir)
AKLx = Xort - E2MRort (1.8)
ÜKLR = D4MRort (1.9)
1. GİRİŞ Utkay DÖNMEZ
30
AKLR = D3MRort (1.10)
(D3 ve D3 katsayıları da yine n=2 ye göre göre belirlenen sabit bir değerdir)
Çizelge 1.4. n değerine göre katsayı değerleri
n 2 3 4 5
E2 2,66 1,77 1,46 1,29
D3 0 0 0 0
D4 3,27 2,57 2,228 2,11
• Belirlenen kontrol limitleri çizelge üzerinde kalın çizgiler halinde çizilir.
• Ölçülen X ve R değerleri her ölçümden sonra çizelge üzerinde çizilerek bu
noktalar bir çizgiyle birleştirilir. Kontrol çizgilerinin dışında yer alan
noktalar belirlenir, sebepleri araştırılır ve uygun iyileştirme yöntemleri
bulunur (Bulut, 2007).
X-R diyagramlarında meydana gelebilecek olası gelişmeler ve bu
gelişmelerin olası nedenlerini şu şekilde sıralayabiliriz (Umur, 2000);
Durum 1: Kontrol limitlerinin dışına çıkma. Proses ortalama değerinin
değişimi ve /veya prosesin kendisinin değişime uğraması. Bazı köklü nedenler
vardır; bunların soruşturulması gerekir.
Durum 2: Merkez çizginin bir tarafından birbirini izleyen noktalar dizisi (en
az yedi nokta). Bu tür şekillendirme tesadüfi değildir. Bunu doğuran belirli nedenler
vardır. Nedenlerin belirtilmesi gerekir; çözümler genellikle tekniktir.
Durum 3: Limite yakın noktaların tekrarı. Ortalama için olası nedenler;
kontrol eksikliği, malzeme kalitesinde geniş sistematik farklılıklar, ölçme alet ve
yöntemlerinde geniş sistematik farklılıklar ve iki veya daha fazla prosesin aynı
diyagramda kontrol edilmesidir. Dağılma aralığı için olası nedenler; çok farklı
kaliteye sahip malzeme karışımları, aynı diyagramı kullanan farklı iş görenler ve
1. GİRİŞ Utkay DÖNMEZ
31
farklı koşullar altındaki proseslerden elde edilen verilerin aynı diyagramda işlenmesi
vb. gibi.
Durum 4: Noktaların belirli bir eğilim göstermesi.(azalan çoğalan devirsel
diziler) Ortalama için olası nedenler; sıcaklık, nem gibi fiziksel şartlardan devirsel
değişiklikler; iş gören yorgunluğu; kullanılan ölçme aletlerindeki farklılıklar; makina
veya operatörlerin düzenli rotasyonu veya diğer proses/alt proseslerin etkileri vb.
gibi. Dağılma aralığı için olası nedenler; önleyici bakım çalışmaları, iş gören
yorgunluğu veya aşınmış takımlar vb. gibi.
Durum 5: Pozitif veya negatif bir trend. Ortalama için olası nedenler;
takımlarda zaman içinde oluşan aşınma, iş gören yorgunluğu, ıskarta ürün sayısının
artışı veya çevresel şartlardaki kötüleşme. Dağılma aralığı için; operatörlerin
becerilerindeki gelişme veya kötüleşme, montaj bandını besleyen üretim hatlarında
değişim veya malzeme kalitesindeki dereceli değişim vb. gibi.
Durum 6: Proses seviyesinde sıçrama: Ortalama için olası nedenler; farklı
kaynaklardan gelen malzemelerde değişim, yeni makina veya çalışan, üretim
metotlarında veya proseslerde modifikasyon vb. gibi. Dağılma aralığı için olası
nedenler; malzemenin, metotun veya çalışanın değişmesi vb. gibi. Durum 7: Merkez çizgiye çok yakın ardışık noktalar: Ortalama için olası
neden; kontrol limitlerinin yanlış hesaplanması. Dağılma aralığı için olası neden; çok
büyük bir yığından örnek alınması.
1.2.2.2. Xort-R Proses Kontrol Çizelgeleri
Xort-R Diyagramları, ölçülebilen bir kalite karakteristiğinin varyasyonunda
“büyük” kaymaların olduğu durumları belirlerken, örneklemin 1’den büyük olduğu
ve veriler arasında otokorelasyonun olmadığı durumlarda kullanılabilen bir diyagram
çiftidir. Alt grup sınırı 9’dan küçük olmalıdır, genelde alt grup sınırı 5 olarak alınır.
Daha sonra alınan en az 25 ölçüme göre (alt grup sayısı en az 5) Xort, Rort, UKL ve
AKL değerleri hesaplanır (Bulut, 2007).
1. GİRİŞ Utkay DÖNMEZ
32
Çizelge 1.5. n değerine göre katsayı değerleri (Bulut, 2007).
n 2 3 4 5
A2 1,88 1,023 0,729 0,577
D3 0 0 0 0
D4 3,27 2,57 2,228 2,11
• Kontrol çizelgesinde prosese ait bilgiler belirtilir (Umur, 2000).
• Alt grup örnek büyüklüğü ve alt gruplar arası zaman aralığı belirlenir.
Genelde alt grup örnek büyüklüğü 5 olarak alınır ve tüm alt gruplar için
sabit kalmalıdır. Başlangıç aşamasında alt gruplar sık aralıklarla
alınmalıdır. İleri aşamalarda alt gruplar arasında zaman periyodu
büyütülebilir.
• Belirlenen örnek büyüklüğü ve frekans dâhilinde ölçümleri yapılarak
çizelgeye kaydedilir. Alt grup sayısı prosesteki büyük değişkenlikleri
gösterecek şekilde minimum 25 olmalıdır.
• Her bir alt grup için ortalama (Xort) ve aralık (R) değerlerini hesaplayarak
çizelgeye kaydedilir.
Xort = (X1 + X2 +…+ Xn) / n (1.11) R = Xmax - Xmin (1.12)
• Kontrol limitleri hesaplanır
_ _ _ _ X(ort) = (X1 + X2 +…+ Xk) / k (1.13) _ _ _ _ R = (R1 + R2 +…+ Rk) / k (1.14) _ _ ÜKLXort = X(ort) + A2R (1.15)
1. GİRİŞ Utkay DÖNMEZ
33
_ _ AKLXort = X(ort) - A2R (1.16) _ ÜKLRort = D4R (1.17) _ AKLRort = D3R (1.18)
_ • Hesaplanan Xort ve Rort değerlerini kesik çizgilerle, ÜKL ve AKL kontrol
limitlerini de düz kalın çizgilerle çizelge üzerine çizilir.
• Hesaplanan X ve R değerlerini de çizelge üzerinde noktalayarak yerleştirilir
ve prosesi takip edebilmek için noktalar düz çizgi ile birleştirilir.
• Çizelgedeki ilk karar için kontrol dışı koşullar araştırılır. Kontrol dışı
koşullar varsa, özel nedenleri bulunmaya çalışılır. Özel nedenler
bulunduğunda, kontrol dışı verileri çıkartarak merkez çizgi ve kontrol
limitleri yeniden hesaplanır. Eğer proseste kontrol dışı koşullar yoksa
çizelgeyi işaretlemeye devam edilir.
• Kontrol dışı durumlarda müdahale: Bir kontrol çizelgesindeki tüm kontrol
dışı koşullar, özel nedenleri bulmak ve bunları ortadan kaldırmak için bazı
müdahaleleri gerektirir. Eğer bu nedenler bulunur ve ortadan kaldırılırsa
kontrol limitleri yeniden hesaplanır. Prosesle ilgili açıklamalar çizelgenin
arka yüzüne numaralandırılarak kaydedilir.
• Kontrol limitlerinin gözden geçirilmesi: Kontrol limitleri muhtemel
değişkenlikleri karşı sıkça gözden geçirilmelidir. (Her 20-30 alt grupta)
Proseste kötüleşme eğilimi olduğunda kontrol limitleri genişler, iyileşme
olduğunda ise kontrol limitleri daralır (Umur, 2000).
Çizelgede öncelikle kontrol dışı (limitlerin dışında kalan nokta) var olup
olmadığı araştırılır. Eğer varsa bunun hangi özel nedenden kaynaklanıyor olabileceği
araştırılır. Bu özel nedenler bulunur, bu değerler çizelgeden çıkartılır ve ardından
yeniden kontrol limitleri hesaplanır. Daha sonra kontrol altına alınan prosesten alınan
1. GİRİŞ Utkay DÖNMEZ
34
değerler ve limitler sıklıkla kontrol edilmelidir. Proses kötüleştiğinde limitler
genişler, daha sabit hale geldiğinde ise daralır (Bulut, 2007).
1.2.2.3. X-S Proses Kontrol Çizelgeleri
Standart sapmanın kullanıldığı kontrol şemalarına X ve S kontrol şemaları
denir. Gerçekçi bir tablo çizmesi açısından daha uygun olan S şeması hesaplamasının
R şemasına göre biraz daha zor olmasından dolayı arkaya itilmiştir. Hâlbuki son
zamanlarda bilgisayar kullanımındaki artışa paralel olarak bunun sorun olmaktan
çıkmış olması gerekmektedir (Aksu, 2002). X-S kontrol çizelgeleri, özellikle çok
sayıda örnek için proses değişikliklerini göstermesi açısından tercih edilen kullanılan
bir çizelgedir. Fakat hesaplanması daha zor olan ve değişkenliklerin bulunması
gereken durumlarda çok tercih edilmez (Umur, 2000).
Alt grup standart sapması;
S = √[(Xi-Xort)2 / n-1] (1.19)
Kontrol limitleri _ _ ÜKLXort = Xort + A3S (1.20) _ _ AKLXort = Xort - A3S (1.21) _ _ ÜKLS = B4S (1.22) _ _ AKLS = B3S (1.23)
A3, B4 ve B3 sabit değerler olup alt grup örnek sayısına göre değişirler.
1. GİRİŞ Utkay DÖNMEZ
35
Çizelge 1.6. A3, B4 ve B3 sabit değer değişim tablosu (Umur, 2000).
n 2 3 4 5
A3 2,66 1,95 1,63 1,43
B3 0 0 0 0
B4 3,27 2,57 2,27 2,09
1.2.3. Niteliksel Karakteristikler İçin Kontrol Tabloları (Çizelgeleri)
Kalite karakteristiklerinin ölçülemediği ama uygun-uygun değil, iyi-kötü,
geçer geçmez, kabul-ret gibi nitelikleri değerlendirilerek sayılabildiği durumlarda
kullanılır (Bulut, 2007).
Örneklemedeki (Ürün Üzerindeki) Hatalı Birimlerin,
Ø ORANI u
Ø SAYISI c (n sabit)
Örneklemedeki Hataların,
Ø ORANI p
Ø SAYISI np (n sabit)
1.2.3.1. p Çizelgesi
Endüstride en çok kullanılan niteliksel kontrol çizelgesidir. P çizelgesi
incelediği grup içerisindeki hata oranını ölçen bir çizelgedir. Ürün üzerindeki hata ne
olursa olsun ürün hatalı kabul edilir (Bulut, 2007).
Uygulamada bazı hallerde, mamullerin belli özelliklerinin standartlara
uygunluğu yerine, bu mamullerin kusurlu olup olmadıklarının araştırılması
durumunda, prosesten alınan örneklerin ortalamaları (x) yerine kusurlu oranlarının
(p) kontrol edilmesi uygundur. Bu ise, p şeması ile yapılmaktadır (Bircan ve Gedik,
2003). p grafiği oluşturma adımları şöyledir (Umur, 2000);
1. GİRİŞ Utkay DÖNMEZ
36
• Kontrol çizelgesinde prosese ait bilgiler belirtilir.
• Örnek büyüklüğü belirlenir.(En az 50 olmalıdır.)
• Örnek büyüklüğü (n) ve bulunan hatalı ürün sayısı (np) kaydedilir.
• Her bir alt grup için p hesaplanır.
p = np / n (1.24)
• Kontrol limitleri hesaplanır.
port = np1 + np2 +….+npn / n1+n2+…+nn (1.25)
ÜKLp = port + 3 √[port(1- port) / nort] (1.26)
AKLp = port - 3 √[port(1- port) / nort] (1.27)
• Bazı durumlarda alt kontrol limiti eksi çıkabilir.Bu durumda alt kontrol
limiti sıfır alınır.
• Kontrol çizelgesinde merkez çizgi (p) ve kontrol limitleri (ÜKL, AKL)
çizilir.
• Noktalar p çizelgesinde işaretlenir ve çizgi ile birleştirilir.
• Çizelgedeki ilk karar için kontrol dışı koşullar araştırılır. Kontrol dışı
koşullar varsa, özel nedenleri bulunmaya çalışılır. Özel nedenler
bulunduğunda, kontrol dışı veriler çıkartılarak merkez çizgi ve kontrol
limitleri yeniden hesaplanır. Eğer proseste kontrol dışı verileri çıkartarak
merkez çizgi ve kontrol limitleri yeniden hesaplanır. Eğer proseste kontrol
dışı koşullar yoksa çizelge işaretlenmeye devam edilir.
1.2.3.2. np Çizelgesi
Bazı problemlerde, kusurlu oranı yerine kusurlu sayısı ile ilgilenildiğinde np
şemaları kullanılır (Bircan ve Gedik, 2003). Bu çizelge sabit sayıdaki örnek
büyüklüğünde uygun olmayan (hatalı) ürünlerin sayısını ortaya koyar. Örnek
sayısının belirli zaman aralığında sabit kaldığı ve uygunsuzlukların gerçek sayısının
1. GİRİŞ Utkay DÖNMEZ
37
kaydedilmesinin daha anlamlı olduğu durumlarda tercih edilir (Bulut, 2007). Bu
çizelgeler p çizelgelerine benzer, np çizelgesi oluşturma adımları şöyledir (Umur,
2000);
• Kontrol çizelgesinde prosese ait bilgiler belirtilir.
• Sabit örnek büyüklüğü belirlenir.
• Örnek büyüklüğü ve bulunan hatalı ürün sayısı kaydedilir.
• Kontrol limitleri hesaplanır.
nport = (np1 + np2 +….+npk) / k (1.28)
ÜKLnp = nport + 3 √[nport (1 – (nport / n)] (1.29)
AKLnp = nport - 3 √[nport (1 – (nport / n)] (1.30)
• Kontrol çizelgesinde merkez çizgi np ve kontrol limitlerini (ÜKL, AKL)
çizilir.
• Noktalar np çizelgesine işaretlenir ve birleştirilir.
• Çizelgedeki ilk karar için kontrol dışı koşullar araştırılır. Kontrol dışı
koşullar varsa, özel nedenleri bulunmaya çalışılır. Özel nedenler
bulunduğunda, kontrol dışı veriler çıkartılarak merkez çizgi ve kontrol
limitleri yeniden hesaplanır. Eğer proseste kontrol dışı koşullar yoksa
çizelge işaretlenmeye devam edilir, np çizelgesi p çizelgesine benzer
şekilde yorumlanır. Tek fark hatalı ürün oranı yerine hatalı ürünlerin
sayısının dikkate alınmasıdır.
1.2.3.3. c Çizelgesi
Kalite denetiminde yaygın bir uygulama, bitmiş bir ürünün incelenip belli bir
tür bozukluğu ya da kusuru olanların sayısının saptandığı bir durumdur. Birimler
zaman içinde incelenmekte ve birim başına bozukluklar sayılırsa bu bilgi, bir kontrol
1. GİRİŞ Utkay DÖNMEZ
38
şemasına yerleştirilebilmektedir. Bu şema, c kontrol şeması olarak adlandırılmaktadır
(Aytaç, 2006).
c çizelgesi alman örnek büyüklüğündeki uygunsuzlukların sayısını (ürünler
üzerindeki hata sayısı) kontrol etmek için kullanılan bir çizelgedir. Örnek büyüklüğü
sabit alınır, c çizelgesi oluşturma adımları şöyle sıralanabilir (Umur, 2000):
• Kontrol çizelgesinde prosese ait bilgiler belirtilir.
• Sabit örnek büyüklüğü belirlenir.
• Örnek büyüklüğü ve her bir alt gruptaki uygunsuzluklar tespit edilip
kaydedilir.
• Kontrol limitleri hesaplanır.
cort = (c1 + c2 +…+ ck ) / k (1.31)
ÜKLc = cort + 3(√cort) (1.32)
AKLc = cort - 3(√cort) (1.33)
• Kontrol çizelgesinde merkez çizgi c ve kontrol limitlerini (AKL, ÜKL)
çizilir.
• Noktalar c çizelgesinde işaretlenir ve birleştirilir.
• Çizelgedeki ilk karar için kontrol dışı koşullar araştırılır. Kontrol dışı
koşullar varsa, özel nedenleri bulunmaya çalışılır. Özel nedenler bulunduğunda,
kontrol dışı veriler çıkartılarak merkez çizgi ve kontrol limitleri yeniden hesaplanır.
Eğer proseste kontrol dışı verileri çıkartarak merkez çizgi ve kontrol limitleri
yeniden hesaplanır. Eğer proseste kontrol dışı koşullar yoksa çizelge işaretlenmeye
devam edilir.
1. GİRİŞ Utkay DÖNMEZ
39
1.2.3.4. u Çizelgesi
Bazı hallerde üretilen birimlerin kusurlu olup olmadıkları yerine, bir tek
birimde tespit edilen kusur sayısıyla ilgilenilmektedir. İşte bir birimde tespit edilen
kusur sayıları esas alınarak çizilen kontrol şemasına, u kontrol şeması denmektedir
(Aytaç, 2006). u çizelgesi oluşturma adımları (Umur, 2000);
• Kontrol çizelgesinde prosese ait bilgileri belirtilir.
• Örnek büyüklüğü belirlenir.
• Her bir alt gruptaki uygunsuzluklar tespit edilip kaydedilir.
u = c / n (1.34)
• Kontrol limitleri hesaplanır.
Birim başına uygunsuzluk ortalaması;
uort = (c1+c2+…+ck ) / (n1+n2+…+n3) (1.35)
ÜKLu = uort + 3 √(uort / nort) (1.36)
AKLu = uort - 3 √(uort / nort) (1.37)
• Kontrol çizelgesinde merkez çizgi (u) ve kontrol limitlerini (ÜKL, AKL)
çizilir.
• Noktalar u çizelgesinde işaretlenir ve birleştirilir.
• Çizelgedeki ilk karar için kontrol dışı koşullar araştırılır. Kontrol dışı
koşullar varsa, özel nedenleri bulunmaya çalışılır. Özel nedenler bulunduğunda,
kontrol dışı veriler çıkartılarak merkez çizgi ve kontrol limitleri yeniden hesaplanır.
Eğer proseste kontrol dışı verileri çıkartarak merkez çizgi ve kontrol limitleri
yeniden hesaplanır. Eğer proseste kontrol dışı koşullar yoksa çizelge işaretlenmeye
devam edilir.
1. GİRİŞ Utkay DÖNMEZ
40
1.2.4. Kontrol Tablolarının Yorumlanması
Prosesin ilgili karakteristiğine ilişkin toplanan örnek verileri kontrol grafikleri
üzerine işaretlenerek operatör tarafından prosesin ne durumda olduğu gözlenir.
İşaretli bir noktanın kontrol sınırları dışında olması prosesin kontrol dışında
olduğuna kanıttır. Daha önce de bahsedilmiş olan şans etkileri nedeniyle bir noktanın
kontrol sınırları dışına düşmesi oldukça küçük bir olasılıktır. Bununla birlikte, işaretli
bütün noktaların kontrol sınırları içerisinde yer alması da prosesin kontrol altında
olduğunu kanıtlamak için yeterli değildir. Prosesin kontrol altında olduğunun
söylenebilmesi için, işaretlenen noktaların kontrol sınırları içinde ve belli bir düzen
göstermeksizin rasgele dağılmış olmaları gerekmektedir (Çimen, 2008).
Proses kontrolde sıkça karşılaşılan kontrol diyagramlarının yorumlanmasına
örnekler (Bek, 2008):
Şekil 1.14. Kontrol diyagramlarının yorumlanması (Bek, 2008).
1. GİRİŞ Utkay DÖNMEZ
41
Şekil 14-a’da ölçüm değerleri orta çizgi etrafında ve uyarı sınırları içinde
homojen bir dağılım göstermektedir. Uyarı sınırları çok ender aşılmaktadır. Proses
normal bir şekilde işlemektedir. Şekil 14-b’de uyarı sınırları birçok kez aşılmıştır.
Sistematik bir hata göstergesidir, nedeni ortadan kaldırılmalıdır. Şekil 14-c’de belli
bir trend söz konusudur. Örneğin 7 ölçüm değeri ard arda artmakta veya
azalmaktadır. Tolerans sınırının büyük olma olasılığı söz konusudur. Fazla kullanım
veya yorulma belirtisidir. Şekil 14-d’de genelde kararlı ancak ani değişim gösteren
ölçüm değeri içeren bir proses başka bir belirti olmadan çok zor analiz edilebilir.
Çünkü tekrarlanmamaktadır. Şekil 14-e’de örneklerden alınan ölçüm değerlerinin
çok az saçılımı, proses çok fazla hassas sonuçlar üretmektedir. Bu sonuçlar
maliyetler açısından uygun olmayabilir. Şekil 14-f’de kararsızlık ölçüm değerlerinin
belirgin bir varyasyon göstermesidir. Nedeni yanlış ayarlı bir ölçüm cihazı olabilir.
Şekil 14-g’de ise ölçüm değerlerinde ani değişimler olmasıdır, nedeni malzeme
değişikliği, yanlış ayar, yanlış ölçüm olabilir.
1.2.4.1. Kontrol Altında Bulunan Prosesler
Kontrol altında bulunan proseslerin kontrol grafiklerindeki değerleri, doğal
kalıp denilen belirli bir dağılım gösterirler. Rasgele olma özelliği taşıyan bu kalıbın
daha iyi anlaşılabilmesi için üst kontrol (ÜKL) ve alt kontrol (AKL) limitleri
arasındaki alan, merkez çizgisinin üstünde ve altında A, B, C olarak simgelenen üçer
bölgeye (toplam altı) ayrılır. (Şekil 1.15) Kontrol limitleri merkez çizgisinden ± 3
standart sapma (± 3σ) ilkesine göre yerleştirilmiştir. C bölgeleri merkez çizgisinin
her iki tarafında 1’ er standart sapma (±1σ) arasında bulunur. B bölgeleri merkez
çizgisinin her iki tarafında 1 ile 2 standart sapma sınırı (± 2σ) arasında bulunur. A
bölgesi merkez çizgisinin her iki tarafında 2 ile 3 standart sapma sınırı (± 3σ)
arasında bulunur. Bu şartlara göre kontrol altında bulunan proseslerin doğal kalıbın
özellikleri şu şekilde gösterilir (Özdamar, 2006):
1. GİRİŞ Utkay DÖNMEZ
42
• Değerlerin yaklaşık %34’ ü C bölgesinde (toplam %68)
• Değerlerin yaklaşık %13,5’ i B bölgesinde (toplam %27)
• Değerlerin yaklaşık %2,5’ i A bölgesindedir (toplam %5)
Şekil 1.15. Kontrol grafiğinin bölgelerinin belirlenmesi
Kontrol limitlerinin tayininde 3 standart sapma (±3σ ) ilkesi kullanıldığında
rasgele değerlerin (noktaların) % 0.27’ i (yaklaşık binde 3) limit dışında bulunur.
Buna bağlı olarak iki çeşit hata yapılabilir. İstatistikte I. Tip hata denilen hatalardan
birincisinde, bu değerler rasgele olmasına karşın, sistematik değerlermiş gibi ele
alınabilir. II. Tip hatada ise, sistematik değerlere, rasgele değerler olarak bakılabilir.
Bu hataların ana kaynağı yukarıda açıklandığı üzere kontrol limitlerinin ± 3σ ilkesine
göre tayin edildiği içindir (Özdamar, 2006).
1.2.4.2. Kontrol Dışı Prosesler
Kontrol dışı prosesler, yalnızca bir veya birkaç değerin kontrol dışında
bulunması durumunda değil, değerlerin rasgele niteliğini taşıyan doğal kalıp şeklinde
yerleşmemesi durumunda da olabilir. Tüm noktalar kontrol limitleri içinde olmasına
karşın noktaların yerleşmesi rasgele nitelikte olmayabilir. Bazen sıralı dizimlimler
olabilir. Bu tip durumlarda bu noktalar hata niteliği taşımaktadır ve bir nedeni vardır.
1. GİRİŞ Utkay DÖNMEZ
43
Bu rasgele olmayan tüm yerleşimler kontrol grafiklerinden çıkarılmalı, merkez ve
kontrol limitleri, kalan değerlere dayanarak hesaplanmalıdır (Özdamar, 2006).
Kontrol dışı durumlar hakkında literatürde farklı kaynaklarda benzer kurallar
vardır. Bunlardan en çok kabul göreni; 2 örnekle başlayan, 14 noktanın inişli çıkışlı
seyri ve 6 noktanın eğim oluşturduğu Nelson’un 8 kuralıdır (Smith, 1993).
Western Electric kontrol tablolarında sıra dışı durumların tespitine yönelik
birkaç kural sistemi önermiştir. Özellikle, memnun olunmayan sonuçların oluştuğu
kontrol dışı proseslerin takibinde kullanılması için önermiştir (Gülbay, 2006):
Ø Tek bir noktanın limitler dışında (±3σ) da olduğu durumlar
Ø Ardışık 3 noktadan 2’sinin ±A (±2σ) veya ötesinde olduğu durumlar
Ø Ardışık 5 noktadan 4’ünün ±B (±σ) veya ötesinde olduğu durumlar
Ø Ardışık 8 noktanın C veya ötesinde olduğu durumlar.
Grant and Leavenworth, kontrol tablolarında ardışık sıra gelen herhangi data
için bazı kurallar tavsiye etmiştir (Gülbay, 2006):
Ø Ardışık 7 noktanın merkez çizgisinin (CL) altında veya üstünde olduğu
durumlar
Ø Ardışık 11 noktanın en az 10 noktasının merkez çizgisinin (CL) altında veya
üstünde olduğu durumlar
Ø Ardışık 14 noktanın en az 12 noktasının merkez çizgisinin (CL) altında veya
üstünde olduğu durumlar
Ø Ardışık 17 noktanın en az 14 noktasının merkez çizgisinin (CL) altında veya
üstünde olduğu durumlar
Nelson’un 8 kuralı “Supplementary Run” testi olarak da bilinir. Nelson testi X
kontrol tabloları için kontrol dışı durumların tartışıldığı bir standart olarak geniş
kullanım alanı bulmuştur. Nelson testinin 8 kuralı aşağıdaki gibidir (Wang ve
Rownlands, 2000, Griffiths, Bunder, Gulati ve Onzawa, 2010):
1. GİRİŞ Utkay DÖNMEZ
44
Ø Test-1. Noktalardan birinin ±3σ nın dışında olması
Ø Test-2. Ardışık 9 noktanın merkez çizgisinin(CL) bir tarafında olması
Ø Test-3. Ardışık 6 noktanın bir eğim (trend) oluşturması
Ø Test-4. Ardışık 14 noktanın inişli çıkışlı hareket etmesi
Ø Test-5. Ardışık 3 noktadan 2’sinin ±A veya ötesinde yer alması
Ø Test-6. Ardışık 5 noktadan 4’ünün merkez çizginin aynı tarafında ±B veya
ötesinde yer alması
Ø Test-7. Ardışık 15 noktanın ±C bölgesinde yer alması
Ø Test-8. Ardışık 8 noktanın (±C bölgesinde yer almaması) ±B ve veya
ötesinde yer alması
Şekil 1.16 ve Şekil 1.17’de Nelson’un kurallarının görüntülendiği özel
durumları görülebilir.
Şekil 1.16.Test 1-4’ün tablo üzerinde görüntüsü (Rodrigez ve Prablu, 1997).
1. GİRİŞ Utkay DÖNMEZ
45
Şekil 1.17.Test 5-8’in tablo üzerinde görüntüsü (Rodrigez ve Prablu, 1997).
Nelson testi geniş bir alanda kabul görmüş, ve SAS, Minitab ve İstatistika gibi
istatistiksel paketlerde kullanılarak hizmete sunulmuştur (Griffiths, Bunder, Gulati ve
Onzawa, 2010). Western Electric, 1956 yılında bazı kurallar tanımlamıştır. Nelson
ise 1984 yılında bu kuralları dünyaya tavsiye etmiştir (Does, Trip ve Schipper, 1997).
1. GİRİŞ Utkay DÖNMEZ
46
1.3. Bulanık Mantık
Bilim, felsefe ve kültürel etkinliğin birçok alanında 19. yüzyıl, keşiflerle,
yeniliklerle dolu bir süreci gösterir. Bu süreci henüz bitmemiştir ve halen devam
etmektedir. Bilim adamları, mucizevî keşif ve icatlarla bilimi zenginleştirmekte,
geleceğin seyrini tespit ve tayin etmek için çalışmaktadırlar.
Bilişim ve bilgisayar teknolojilerinin gelişmesi ve bilgi çağının şekillenmesi
ile bilimlerin çeşitli alanlarda gerçekleşen farklı buluş ve ileri sürülen yaklaşımların
etkisi ile yapay zekâ kavramı şekillenmeye başlamıştır. İnsanoğlunun evrensel
ölçekteki ilgi ve erişim alanı arttıkça yeni yöntem ve yaklaşım tarzları ortaya
konmuştur (Baykal ve Beyan, 2004).
20. yüzyılın son çeyreğinde zihin felsefesi, spekülasyondan arınmak için
kendine bilimden dayanaklar bulmaya başladı. İnsanın en önemli niteliği olan
düşünme yeteneği ve bu yeteneğin bir sonucu olan iş görme becerisi, sibernetik
makineler tarafından taklit edilmeye başlandı. Zekânın davranış olarak makinelerde
kullanılması, düşünmenin hesaplama olarak mantık şebekeli elektronik cihazlarda
uygulanması, insan zekâsı hakkında daha ayrıntılı çalışmaları ateşlemiş, eldeki
bilgilerin geometrik artısını sağlamıştır. Lotfy A. Zadeh, felsefenin bazı
problemlerini ele almış, makineler düşünebilir mi(?) sorusuna ve dolayısıyla yapay
zekâ sorunlarına tatminkâr cevaplar vermiştir. Aristoteles’ten beri süregelen ve halen
sembolik mantık seklinde varlığını sürdüren mantık ve dilbilimsel sorunlara yeni
çözümler getirmiştir. İki değerli mantığa, teknoloji üreten ve teknoloji ile
desteklenen kuvvetli bir alternatif sunmuştur (Işıklı, 2008).
Mühendislikte ve diğer bilim dallarında olaylar ve sistemler, kesin
matematiksel modeller kullanılarak tanımlanmaktadır. Oluşturulan bu modellerin
kullanılması ile olayın veya sistemin gelecekte alacağı durum veya göstereceği
davranış biçimi tahmin edilmeye çalışılmaktadır. Hâlbuki günlük yaşantıda
karşılaşılan problemlerin büyük bir çoğunluğu ya çeşitli nedenlerden dolayı tam
olarak modellenememekte ya da kesin bir durumu ifade edememektedir. Bu tip
problemlerin incelenmesinde ve çözümlenmesinde Bulanık Mantık yaklaşımı
kullanılabilmektedir. Buna göre bulanık mantık, bulanık küme teorisine dayanan bir
1. GİRİŞ Utkay DÖNMEZ
47
matematiksel disiplin olup doğruluğun ya da yanlışlığın derecesini konu almaktadır
(Aytaç, 2006). Bulanık mantıkta rakamların yerine kelimelerin kullanılması birçok
problemin aşılmasında etkin rol oynayacaktır. Bu çözümler toleranslardaki kesin
olmayan verilerin kullanılması ile elde edilecektir. Kelimeler ile işlem yapmanın rol
modeli insan beynidir (Zadeh,1996).
Bulanık mantığın uygulama alanlarından bazıları aşağıdaki gibidir:
• Otomatik Kontrol Sistemleri; Robotik, otomasyon, akıllı denetim, izleme
sistemleri, ticari elektronik ürünler vb..
• Bilgi Sistemleri; Bilgi depolama ve yeniden çağırma, uzman sistemler, bilgi
tabanlı sistemler, vb..
• Görüntü Tanımlama; Görüntü işleme, makine görüntülemesi, vb..
• Optimizasyon; Fonksiyon optimizasyonu, süzgeçleme, eğri uydurma,
vb...(Altaş,1999).
Bulanık mantık bir kontrolcüdür. Araştırmacıların çoğu bulanık mantığın en
önemli özelliğinin bu olduğunu bilmektedir. Böylece işlemler daha kolay, daha ucuz
ve daha hızlı yapılmasına imkân veriyor (Işıklı, 2008).
1.3.1. Bulanık Mantığın Tarihsel Gelişimi
20. yüzyılın ikinci yarısında sibernetiğin bir bilim olarak ortaya çıkışı,
canlılığı ve zekâyı taklit etmeye girişmesi yeni ve tuhaf bir dönemin başlamasına
neden oldu. Bu dönemde önemli bilimsel çalışmaların bir kısmı sibernetik ve mantık
alanında gerçekleştirildi (Işıklı, 2008).
Bulanıklık kavramı, ilk olarak Amerikalı filozof Black tarafından 1937
yılında ortaya atılmış ve bundan otuz yıl kadar sonra 1962 yılında Zadeh tarafından
ele alınmıştır. Zadeh’in 1965 de yayınladığı makalede, bulanık küme kuramının
temelleri oluşturulmuştur. Zadeh bu makalede, sistemdeki karmaşıklığın yarattığı
belirsizliğin farklı görünümlerini ve kişilerin algılama farklılıklarını ele almıştır.
1. GİRİŞ Utkay DÖNMEZ
48
1970’lerde bulanık mantık, endüstriyel uygulamalarda uygulanan bir bulanık mantık
sistemi oluşturmak için uzman sistemlerle birleştirilmiştir (Aytaç, 2006).
1965 yılında, Azeri asıllı Amerikalı sibernetikçi Lotfy A. Zadeh tarafından
geliştirilen bulanık [fuzzy] mantık kuramı, iki değerli mantık kuramlarına bir
alternatif oluşturmuş, sibernetik ve onunla doğrudan ilgili bilimlerde akıl almaz
derecede hızlı gelişmeleri tetiklemiş, sibernetik ve yapay zekâ çalışmalarını
hızlandırmıştır. Halen süren ömrüne beş büyük bilimsel kuram sığdıran Lotfy A.
Zadeh mantık, sibernetik, bilgisayar, yapay zekâ ve otomatik makinelere dair ortaya
koyduğu kuramlar ve keşfettiği kanunlarla 20. ve 21. yüzyıl teknoloji devriminde
önemli pay sahibi olmuştur. Çünkü sibernetik, insan gibi hareket eden makineler
yapma girişimi olarak daha fazla otomasyon ve makineleşmeye imkân sunmaktadır
(Işıklı, 2008).
Bulanık kavram ve sistemlerin dünyanın değişik araştırma merkezlerinde
dikkat kazanması, 1975 yılında Mamdani ve Assilian tarafından yapılan gerçek bir
kontrol uygulaması ile olmuştur. Bu araştırıcılar, ilk defa bir buhar makinesi
kontrolünün bulanık sistem ile modellenmesini başarmıştır. Bu ön çalışmada, bulanık
sistemlerle çalışmanın ne kadar kolay ama sonuçlarının da ne kadar etkili olduğu
anlaşılmıştır (Şen, 2001).
Daha sonraki yıllarda bulanık sistem uygulaması bir çimento fabrikasının
işletilmesi ve kontrolü yapılınca, artık bulanık kavramlar dünyanın birçok yerinde
yavaş yavaş kullanılmaya başlanmıştır. Bu başlama, batıda çok yavaş olurken,
doğuda ve özellikle de Japonya, Singapur, Kore ve Malezya’da fazlaca kendisini
göstermiştir. Teknolojiye duyarlı olan Japon mühendisleri, bulanık kontrol
birimlerini kurmanın ne kadar kolay olduğunu görerek, bunları birçok cihazın
yapımında kullanılmaya başlamışlardır. Bunlar arasında bulanık sistemin elektrikli
süpürgeler, çamaşır makineleri, asansörler, metro ve şirket işletimi gibi konularda
kullanılmasında 1980 sonrasında patlama olmuştur (Aytaç, 2006). Son yıllarda
birçok mühendislik dallarında, veri tabanlarının sözelleştirilmesinde, telesekreterlerin
cevaplanmasında ve birçok konuda bulanık mantık kullanılır hale gelmiştir (Şen,
2001).
1. GİRİŞ Utkay DÖNMEZ
49
Bulanık teori her bir kelimenin anlamında saklı olan belirsizliği temsil eden
teoridir. Bu teorinin bir uygulaması olarak, “Bulanık Yapay Zekâ”nın gelecekte
insanlar ile bilgisayarlar arasında kurulacak olan yakın ilişkide büyük bir rol
oynayacağı beklenmektedir.
Bulanık mantığın gelecekteki uygulama sahaları, daha da genişleyecek gibi
gözükmektedir. Şeker hastaları için vücuttaki insulun miktarını ayarlayarak suni bir
pankreas görevi yapan minik yapıların imalinde, prematüre doğumlarda bebeğin
ihtiyaç duyduğu ortamı devam ettiren sistemlerin hazırlanmasında, suların
klorlanmasında, kalp pillerinin üretiminde, oda içindeki ışığın miktarının
ayarlanmasında ve bilgisayar sistemlerinin soğutulmasında, bulanık mantık çok
şeyler vaat etmektedir (Ünal, 2009).
Değişik bilim ve mühendislik konularını yayınlayan uluslar arası dergilere
bakıldığında, hemen her mühendislik konusunda ve teknolojik çalışmalarında artık
bulanık sistem kontrollerinin ve hesaplamalarının yaygınlaştığı görülmektedir (Şen,
2001).
1.3.2. Bulanık Mantık Kavramı
Bulanık mantık yaklaşımı, makinelere insanların özel verilerini işleyebilme
ve onların deneyimlerinden ve önsezilerinden yararlanarak çalışma imkanı
vermektedir. Bu yeteneği kazandırırken sayısal ifadeler yerine sözel ifadeler
kullanılır. Bulanık mantık denetleyicinin temeli sözlü ifadeler ve bunlar arasındaki
mantıksal ilişkiler üzerine kurulmuştur. Sözel ifadelerin bilgisayara aktarılması
matematiksel bir temele dayanmaktadır. Bu matematiksel temel, bulanık kümeler
teorisi ve bulanık mantık olarak adlandırılır (Özden, 2007).
Günümüz bulanık mantık çağı, bulanık mantık uygulamaları muazzam
büyüdü ve çok çeşitlendi. Özellikle temel bilimlerdeki (matematik ve fizik)
uygulamaları dikkat çekici ve daha hissedilebilir hale geldi. Ama sıklıkla sorulan iki
soru var. a) Bulanık Mantık nedir? b) Diğer metotlarla (dayanaklı mantık, olasılık
1. GİRİŞ Utkay DÖNMEZ
50
teorisi, sinirsel ağlar, Bayersia network, klasik kontrol) çok iyi analiz edilemeyen
konular, çözümlenemeyen konular Bulanık Mantıkla yapılabilir mi? (Zadeh, 1996).
Dünyadaki bazı olayları açıklamak için kesin tanımlamalarda bulunabilmek
imkânsızdır ve olaylar çoğu kere belirsizlikler ve doğrusal olmama özellikleri
taşımaktadır. Terimler ya da ölçüler kesin olarak tanımlanıp ölçülemediğinden dolayı
insanlar çoğu zaman belirsiz (kesin olmayan) ifadeler kullanmaktadır. İşte bulanık
mantık, bazı sorulara basitçe evet-hayır cevabı verilemeyen durumları kapsar.
Bulanıklığın ve bulanık mantığın temeli de budur (Ünal, 2009).
Klasik mantık (yada iki değerli mantık) üzerine kurulu temel varsayım yani
her önermenin ya doğru yada yanlış olduğu Aristo’dan beri sorgulanmıştır. “Yorum
üzerine” eserinde Aristo geleceğe bağlı olan meselelerin problematik doğruluk
durumunu tartışmıştır (Altunli, 2009).
Küme teorisinden yola çıkılarak geliştirilen bulanık mantık tekniği, özellikle,
çoklu değerler ile değerlendirme yapması nedeniyle problemlerin çözümünde
kolaylık ve gerçeğe yakınlık gibi üstünlüklere sahip olmaktadır (Murat, 2006).
Bazı sistemlerde modelleme doğru şekilde yapılsa bile elde edilen modelin
denetleyici tasarımında kullanımı karmaşık problemlere ve oldukça yüksek maliyete
neden olabilir. Bu nedenle, bazı denetim algoritmalarının belirsiz, doğru olmayan, iyi
tanımlanmamış, zamanla değişen ve karmaşık sistemlere uygulanması mümkün
olmayabilir. Bu durumda ya hiç çözüm üretilememekte ya da elde edilen
denetleyicinin performansı yeterince iyi olmamaktadır (Civelekoğlu, 2006).
Bulanık mantık, klasik mantık sistemlerinden ziyade, insan düşüncesi ve tabii
dil ruhuna daha yakındır. Temel olarak, gerçek dünyanın eksik ve yaklaşık özelliğini
yakalayan etkili bir araç sağlamaktadır. Matematiksel model ve ölçülen değerlerin
yanı sıra insan düşüncesini de mühendislik sistemine katmak üzere insan düşüncesini
formüle etmektedir (Ünal, 2009).
Günlük hayatta rasgele kullandığımız birçok terim genellikle bulanık bir
yapıya sahiptir. Bir şeyi tanımlarken, bir olayı açıklarken, komut verirken ve daha
birçok durumda kullandığımız sözel veya sayısal ifadeler bulanıklık içerir. Bu
terimlere örnek olarak; yaşlı, genç, uzun, kısa, sıcak, soğuk, ılık, bulutlu, parçalı
bulutlu, güneşli, hızlı, yavaş, çok, az, biraz, fazla, çok az, çok fazla gibi daha pek çok
1. GİRİŞ Utkay DÖNMEZ
51
sözel terim gösterilebilir. Biz insanlar bir olayı anlatıp, bir durum karşısında karar
verirken bu tür kesinlik ifade etmeyen terimler kullanılır. Kişinin yaş durumuna göre
ona yaşlı, orta yaşlı, genç, çok yaşlı ve çok genç deriz. Yolun kayganlık ve rampa
durumuna göre arabanın gaz veya fren pedalına biraz daha yavaş veya biraz daha
hızlı basılır. Çalışılan odanın ışığı yetersiz ise onu biraz artırır, yeterinden fazla ise
biraz azaltılır. Bütün bunlar insan beyninin belirsiz ve kesinlik içermeyen durumlarda
nasıl davrandığına ve olayları nasıl değerlendirip, tanımlayıp, komut verdiğine dair
birer örnektir (Altaş,1999).
Bulanık mantığın ana düşüncesi dil değişkenleridir ki, özellikle bulanık
mantık alanında bulanık uzman sistemlerde onların uygulamalarının çoğunda anahtar
rol oynar. Dil değişkenliği, tıpkı bir önerme gibi çok çeşitlidir ki, kelimelerin, doğa
bilimlerinin veya yapay dillerine göre değişir. Örneğin, “yaş” bir dilsel ifadedir ve
genç, genç değil, çok genç, yaşlı, yaşlı değil, çok yaşlı gibi çeşitlidir (Zadeh, 1988)
İkili mantık, iki ayrık değer alabilen değişkenleri ve mantıksal anlam taşıyan
işlemleri ele almaktadır. Değişkenlerin alabileceği iki değer farklı şekillerde
adlandırılmaktadır (örneğin doğru ve yanlış, evet ve hayır, vs.). Kısacası, her
değişken ancak ve ancak olası iki ayrı değerden birini almaktadır; 1 ve 0.
Bulanık mantık; ikili mantık sistemine karşı geliştirilen ve günlük hayatta
kullanılan değişkenlere üyelik dereceleri atayarak, olayların hangi oranlarda
gerçekleştiğini belirleyen çoklu mantık sistemidir. Bulanıklık, çoklu değerlilik (multi
– valued) demektir. İkili mantığın 0-1 önermelerine karşın bulanıklık, üç veya daha
fazla, belki de sonsuz sayıda önermeler yapmaktadır. Yani, bulanık mantıkta küme
üyeleri derecelendirilmektedir (Ünal, 2009). Bulanık kural; her şey bir sahiplik
derecesine sahiptir. Dünya ne beyaz ne de siyahtır, gridir. Batılı bilim adamları ve
filozoflar bu gerçekle yüzleşmeyi reddettiler, onlar siyah ve beyaz dilde gri dünyayı
tanımlamada ısrarcı oldular (Koska, 1993).
Bulanık mantık kesin akıl yürütme yerine yaklaşık akıl yürütmeye
odaklanmaktır. İki değerli mantıkta her şey ya doğru ya da yanlıştır. Çok değerli
mantıkta doğruluk derece sorunudur. Bulanık mantıkta ise, doğruluk da dâhil her şey,
ya da izin verilen her şey, sadece bir derece sorunudur. Bulanık mantığın temelleri ve
temel bilimlere, özellikle de matematik ve fiziksel bilimlere etkisi gün geçtikçe daha
1. GİRİŞ Utkay DÖNMEZ
52
belirginleşmektedir. Yine de bulanık mantığın amaçları, güçlü ve zayıf yanları
hakkında pek çok yanlış değerlendirmeler de bulunmaktadır.
Bunlardan bir tanesi bulanık mantığın tanımı üzerinedir. Bulanık mantığın iki
anlamı bulunmaktadır: Özelde; dar anlamıyla bulanık mantık, yaklaşık akıl
yürütmeyi amaçlayan bir mantıksal sistemdir. Bu anlamda, bulanık mantık çok
değerli mantığın bir uzantısı olsa da, gündemi, klasik, çok değerli sistemlerden
oldukça farklıdır.
Geniş anlamda ise bulanık mantık, bulanık küme teorisini de kapsar ve dar
anlamında bulanık mantığı da içerir. Günümüzde bulanık mantık denildiğinde
anlaşılan geniş anlamda bulanık mantıktır. (Baykal ve Beyan, 2004)
Bulanık mantığın sistemi şu şekildedir: Bir ifade tamamen yanlış ise klasik
mantıkta olduğu gibi 0 değerindedir, yok eğer tamamen doğru ise 1 değerindedir.
Ancak bulanık mantık uygulamalarının çoğu bir ifadenin 0 veya 1 değerini almasına
izin vermezler veya sadece çok özel durumlarda izin verirler. Yani değeri 0.32 olan
bir ifadenin anlamı %32 doğru %68 yanlış demektir. Aşağıda sıcaklık değerlerinin
gösterildiği Şekil 1.18 ve Şekil 1.19 bulunmaktadır ve klasik mantık ile bulanık
mantık arasındaki anlam farkın anlaşılmasını ifade etmektedir (Bulut, 2007).
Şekil 1.18. Klasik mantık
1. GİRİŞ Utkay DÖNMEZ
53
Şekil 1.19. Bulanık mantık
1.3.3. Bulanık Mantık Yönteminin Avantaj Ve Dezavantajları
Bulanık mantık sistemi nümerik veriler ile dilsel bilgileri aynı anda
işleyebilen eşsiz bir özelliği vardır. Bu, girdi verilerinin doğrusal olmayan formatını
skaler çıktıya çevirir. Birçok alan için mühendislik sistemleri nedensel olduğundan
Bulanık mantık sisteminin gelişmesine bir zorlama gibi nedensellik yüklenmiştir.
Bulanık mantık literatürünün havzasının çok özel ve geniş olması daha az bilgi
kullanılmasına izin verir. Bu da bulanık mantığın mühendislik uygulamaları için çok
değerlidir (Mendel, 1995). Sistemi bu şekilde ele aldığımızda, birçok alanda
uygulanabilmesi ve sistemlerin etkin şekilde çalışabilmesini sağlayan bulanık mantık
yaklaşımının avantajlarının yanında bazı dezavantajlarının da olduğu bilinmektedir
(Bulut, 2007).
1.3.3.1. Avantajları
Bulanık mantık kuramının insan düşünüş tarzına çok yakın olması onun en
büyük üstünlüğünü oluşturmaktadır. Bilindiği gibi denetim işlemlerinin birçoğu
dilsel niteleyicilerle yapılmaktadır. Bulanık mantık yaklaşımı, matematiksel modele
ihtiyaç duymadığından, matematiksel modeli iyi tanımlanamamış, zamanla değişen
ve doğrusal olmayan sistemler bu yöntemin en başarılı uygulama alanlarıdır. Bulanık
mantık yaklaşımında, işaretlerin bir ön işleme tabi tutulmaları ve geniş bir alana
1. GİRİŞ Utkay DÖNMEZ
54
yayılmış değerlerin, az sayıda üyelik işlevlerine indirgenmeleri, uygulamaların daha
hızlı bir şekilde sonuca ulaşmalarını sağlar (Elmas, 2003). Yazılımının basit olması
dolayısıyla ucuza mal olması da bir başka avantajıdır (Bulut, 2007).
1.3.3.2. Dezavantajları
Bulanık mantık denetleyicilerine yöneltilen çeşitli eleştiriler de söz
konusudur. Sistemlerin kararlılık, gözlemlenebilirlik ve denetlenebilirlik
analizlerinin yapılmasında ispatlanmış kesin bir yöntemin olmayışı bulanık mantığın
en temel sorunudur. Günümüzde bu, sadece pahalı deneyimlerle mümkün
olmaktadır. Bulanık mantık yaklaşımında, üyelik işlevlerinin değişkenleri sisteme
özeldir ve başka sistemlere uygulanması çok zordur. Bunun yanı sıra en sık belirtilen
dezavantajları ise üyelik işlevlerinin ayarlanmasının uzun zaman alması ve öğrenme
yeteneği olmamasıdır (Elmas, 2003).
Bulanık mantık denetleyicileri ile ilgili bir diğer sorun da süreç hakkında daha
fazla bilgiye ve daha fazla algılayıcıya ihtiyaç duymaları nedeniyle hem pahalı hem
de daha az güvenilir olmalarıdır. Bu düşüncenin her zaman doğru olduğunu
söylemek mümkün değildir. Örneğin, Mitsubishi tarafından üretilen klima cihazında
geleneksel denetleyiciye göre daha az algılayıcı kullanılmıştır. Benzer şekilde,
National Panasonic firmasının piyasaya sürdüğü bulanık denetleyicili çamaşır
makinesinde ise sadece iki tane algılayıcı vardır (Özdağoğlu, 2008).
Uygulamada karşılaşılan bazı güçlükler de şu şekilde sıralanabilir (Bulut, 2007);
• Uygulamada kullanılan kuralların oluşturulmasının uzmana bağlılığı
• Üyelik fonksiyonlarının deneme-yanılma yolu ile bulunmasından dolayı uzun
zaman alabilmesi
• Kararlılık analizinin yapılışının zorluğu (ancak benzeşim yapılabilir)
1. GİRİŞ Utkay DÖNMEZ
55
1.3.4. Bulanık Kümeler
Zadeh'in "From Circuit Theory to System Theory" başlıklı (1962) yazısı,
bilim dünyasında yeni bir dönüm noktası ve "Fuzzy Sets" başlıklı 1965 yılındaki
yazısı da "Bulanık Kümeler" kuramında bir başlangıç olmuştur. Günümüze kadar da
bu konuda oldukça fazla ilerlemeler kaydedilerek; bulanık (fuzzy) mantığı,
endüstriyel kontrol, askeriye, ekonomi, mühendislik, tıp, model tanıma ve
sınıflandırma gibi pek çok konuda çok geniş problemlerın çözümünde kullanılmaya
başlanmıştır (Karadoğan, Başçetin, Kahriman ve Görgün, 2001).
Bulanık küme matematiksel olarak, söylem evrenindeki herhangi bir varlığa,
bulanık küme içindeki üyelik derecesini gösteren bir değer atanması şeklinde
tanımlanabilir. Bulanık kümeler kuramının amacı ise, belirsizlik ifade eden,
tanımlanması güç veya anlamı güç kavramlara üyelik derecesi atayarak onlara
belirlilik getirmek işlemidir (Çitli, 2006).
Bulanık mantık ile günlük konuşma dilinde gecen sözel belirsizlikleri
modelleme ve hesap yaparken işin içine katma imkânı bulunur. Gerçekte insan
kararları belirsiz ve bulanıktır ve kesin sayısal değerlerle belirtmeye uygun değildir.
Bu nedenle insan kararlarını modellemede sözel değişkenler kullanmak daha
gerçekçi olabilir. İste bulanık mantığın diğer mantık sistemlerinden önemli bir
farklılığı sözel değişkenlerin kullanımına izin vermesidir (Ertuğrul, 2007).
Klasik olan kümelerde bir öğeden diğerine geçiş, keskin ve aniden değişen
üyelik dereceleri sayesinde olmaktadır. Ancak bulanık kümelerde bu geçiş yumuşak
ve sürekli bir şekilde olmaktadır. Bu geçişte müphemlik, belirsizlik, hayal gücü,
sezgi gibi görüşler rol oynar. Aslında üyelik derecesi fonksiyonu bu tür görüşlerin
karışık bir şekilde öğelere yayılmasını temsil eder. Buradan bulanık kümenin değişik
üyelik derecesinde öğeleri olan bir topluluk olduğu tanımına varabiliriz. Buradan
ortaya çıkan önemli noktalardan biri klasik kümelerde bir öğenin kümeye ait olması
için üyelik derecesinin mutlaka 1’e eşit olması gerekirken, bulanık kümede nerede
ise bütün öğelerin değişik derecelerle kümeye ait olmaları mümkündür. Ayrıca, bir
bulanık küme öğesi aynı değişken özelliğine sahip olmak üzere başka bir kümenin de
öğesi olabilir (Esendal, 2007).
1. GİRİŞ Utkay DÖNMEZ
56
Aristo mantığına göre insanlar boy bakımından uzundur veya kısadır. Fakat
Zadeh uzun boyluluk kavramının kişilere göre değişeceğini belirtmektedir. Uzun
boylu insanlardan bir tanesi gerçek uzun boylu olarak alınırsa bundan biraz daha kısa
veya uzun olanlarda değişik üyelik dereceleri ile uzun boylular kümesine dâhil
olabilmektedirler, yani küme dışı kalmazlar. Gerçek uzun boylu olandan, çok daha
kısa olanlarda, belli bir üyelik derecesi ile yine uzun boylular kümesine dâhil
olabilmektedir (Tür, Kazaz ve Yardımcı, 2005).
Bulanık kümede de, klasik küme de olduğu gibi kümeler üzerinde
tanımlanmış birleşim, kesişim ve tümleme işlemleri vardır. Bu işlemlerin
gerçekleştirilebilmesi için bir takım fonksiyonlar tanımlanır (Özkan, 1997).
Geleneksel kümeden farklı olarak, {0,1} kümesi yerine [0,1] sürekli aralığı
söz konusudur ve bu aralıktaki değerler üyelik derecesi adını alırlar (Tatlı ve Şen,
2001). Bulanık kümenin üyelik fonksiyonun parametrelerinin değişimi, bulanık kural
temeline dayanan modellemede büyük önem arz eder (Tanyıldızı ve Yazıcıoğlu,
2006). Bulanıklık açık bir şekilde belirtilmemiş sınırlara sahiptir. Bölümler halinde
üyelik dereceleri içeren elemanlardan oluşabilir. Klasik mantıkla sağlanan sistemlerle
ise elemanları tümüyle ya içerir ya da içermez. Bulanık mantık da, durumların
gerçekliği belirli bir dereceden oluşur. Bulanık nedenler, yetersiz olan evet-hayır
cevaplarıyla birlikte evet-hayır sorularına da cevap verir. Bunlar insanoğlunun
yaşamındaki çeşitliliktir. Bulanıktaki nedenler, evet-hayır mantık ailesinin
genellemelerinin sadece bir özelliğidir. Eğer nümerik olarak 1’in karşılığına “doğru”
ve 0’a karşılıkta “yanlış” dersek, bulanık mantık 0,2 ve 0,7345 aralığındakilere bile
sözel olarak değer verebilir (Ahmed, 2003).
1.3.5. Üyelik Fonksiyonları
Genel olarak, küme üyelerinin değerleri ile değişiklik gösteren eğriye üyelik
fonksiyonu adı verilmektedir. Başka bir deyişle, bulanık küme tarafından tanımlanan
ve 0 ile 1 arasında değer alabilen ilgili karakteristik fonksiyona üyelik fonksiyonu
denilmektedir (Karakaşoğlu, 2008). Bulanık küme tanımında yer alan μA(x)
1. GİRİŞ Utkay DÖNMEZ
57
ifadesine X’in Üyelik Fonksiyonu adı verilir. μA(x) fonksiyonu X kümesini M
üyelik uzayına eşler. Üyelik A Fonksiyonu [0,1] kapalı aralığında değerler alabilir ve
bu değerler X elemanının üyelik derecesini gösterir (Özdağoğlu, 2008).
Bir bulanık kümenin üyelik fonksiyonunun yapısı, göbek (core), sınırlar
(boundaries) ve bunların birleşimi olan mevcut kısım, destek (support) olmak üzere 3
kısımdan oluşur (Sivanandam, Sumathi ve Deepa, 2007). Şekil 1.20’de bir üyelik
fonksiyonu görülmektedir (Kuşçu, 2007, Küçüksille, 2002).
Şekil 1.20. Üyelik fonksiyonunun yapısı (Kuşçu, 2007, Küçüksille, 2002)
İlk adım olan bulanıklaştırmada, Şekil 1.21’de gösterildiği gibi, belirgin
girdiler alınır ve her bir girdinin hangi bulanık kümeye ne derecede ait olduğuna
karar verilir. Bulanıklaştırma surecinin girdisi mutlaka bir belirgin sayı çıktısı ise 0
ile 1 arasında üyelik derecesini belirten bir ifade olmalıdır. Şekil 1.21’de gösterilen
X1 belirgin girdi değerleridir ve A üyelik fonksiyonu ile B üyelik fonksiyonunu 0,7
ve 0,3 aitlik derecelerinden kesmektedir (Ünal, 2009).
Şekil 1.21. Girdi (X1) değerinin üyelik fonksiyonunda aldığı dereceleri
1. GİRİŞ Utkay DÖNMEZ
58
İhtimaller hesabından bilineceği gibi rastgele bir değişkene değişik ihtimal
yoğunluk fonksiyonları uydurulmasına benzer şekilde bulanık kümelere daha da
fazla şekilde üyelik fonksiyonu uydurmak mümkündür. Bulanık kümelerin gerek
üyelik derecelerini ve gerekse bunların tümünü temsil edebilecek üyelik
fonksiyonlarının belirlenmesinde ilk başlayanlar tarafından sezgi, mantık ve
tecrübelerin kullanılmasına sıkça rastlanır. Zaten pratikte birçok sorunun üstesinden
gelmek için bu yaklaşımlar çoğu zaman yeterlidir. Öyle olmasa bile, ilk yaklaşım
olarak bu esaslara göre alınmaları faydalıdır. Üyelik fonksiyonlarının
belirlenmesinde birçok yöntem vardır. Başlıcaları; sezgi, çıkarım, mertebeleme, açılı
bulanık kümeler, yapay sinir ağları, genetik algoritmalar, çıkarımcı muhakeme gibi
değişik yaklaşımlardır (Esendal, 2007).
Bulanık üyelik fonksiyonları, uzmanın düşüncesini temel alarak pratik
problemlere bağlı olarak tayin edilebilir. Böyle bir durumda, üyelik fonksiyonları,
teorik bilgiden çok deneyime dayalı olan ampirik problem çözümünü formüle eden
bir teknik olarak düşünülebilir. Uzmanın düşünme şekli ya doğrudan ya da dolaylı
olarak özel bir algoritma aracılığıyla yakalanabilir. Bu gibi tayinlere gereksinim
artarsa, fiziksel ölçümlerlere daha fazla odaklanılabilir. Frekans histogramları ve
diğer olasılık verisi de üyelik fonksiyonlarının kurulmasına yardımcı olur. Bununla
birlikte üyelik fonksiyonları değerlerinin ya da üyelik derecelerinin olasılık olmadığı
ve 1’e eklenmemeleri gerektiği not edilmelidir (İbrahim, 2005).
Üyelik derecelerinin her bir bulanık söz için üç temel özelliği sağlaması tanım
olarak gerekmektedir(Şen, 2001);
• Bulanık kümenin normal olmasıdır ki, bunun için en azından o kümede
bulunan öğelerden bir tanesinin en büyük üyelik derecesi olan 1’e sahip
bulunması gerekliliğidir.
• Bulanık kümenin monoton olması istenir ki, bunun anlamı üyelik derecesi 1’e
eşit olan öğeye yakın sağda ve soldaki öğeleri üyelik derecelerinin de 1’e
yakın olmasıdır.
1. GİRİŞ Utkay DÖNMEZ
59
• Üyelik derecesi 1’e eşit olan öğeden sağa veya sola eşit mesafede hareket
edildiği zaman bulunan öğelerin üyelik derecelerin birbirine eşit olmasıdır ki,
buna da bulanık kümenin simetrik özelliği adı verilir.
Çok sayıda üyelik fonksiyonu tipi olmakla beraber pratikte en fazla
kullanılanlar üçgen, yamuk, çan eğrisi, Gaussian ve sigmoidal fonksiyonlarıdır.
Ayrıca S ve ∏ üyelik fonksiyonları da bulunmaktadır (Karakaşoğlu, 2008 ve Bai ve
Wang, 2006).
1) Üçgen üyelik fonksiyonu Şekil 1.22’de görüldüğü gibidir. Üçgen üyelik
fonksiyonun matematiksel olarak ifadesi ise şu şekildedir:
(1.38)
Şekil 1.22. Üçgen üyelik fonksiyonu
2) Yamuk üyelik fonksiyonu Şekil 1.23’de görüldüğü gibidir. Yamuk üyelik
fonksiyonun matematiksel olarak ifadesi ise şu şekildedir:
(1.39)
1. GİRİŞ Utkay DÖNMEZ
60
Şekil 1.23. Yamuk üyelik fonksiyonu
3) Gaussian üyelik fonksiyonu m ve ϭ parametreleri ile tanımlanır, Gaussian
üyelik fonksiyonu Şekil 1.24’de görüldüğü gibidir:
(1.40)
Şekil 1.24. Guassian üyelik fonksiyonu
4) Çan şekilli üyelik fonksiyonu, a1, a2 ve a3 olarak üç parametre ile
tanımlanır.
(1.41)
Burada a2 parametresi genellikle pozitif değer almaktadır. a1 ve a3
değerlerinde değişiklik yapılarak fonksiyonun genişliği ve merkezi
1. GİRİŞ Utkay DÖNMEZ
61
değiştirilebilmekte ve a2 değeri geçiş noktalarındaki eğimi kontrol etmek için
kullanılmaktadır.
Çan şekilli üyelik fonksiyonu Şekil 1.25’de görüldüğü gibidir:
Şekil 1.25. Çan şekilli üyelik fonksiyonu
5) Sigmodial üyelik fonksiyonu, a1 ve a2 olmak üzere iki parametre ile
tanımlanır.
(1.42)
Sigmodial üyelik fonksiyonu Şekil 1.26’daki gibidir.
Şekil 1.26. Sigmodial üyelik fonksiyonu
S üyelik fonksiyonu a1 ve a2 parametreleri ile tanımlanan düzgün bir üyelik
fonksiyonudur. Bu fonksiyonun adı, şeklinin S harfine benzemesinden gelmektedir
(1.43)
S üyelik fonksiyonu Şekil 1.27’deki gibidir.
1. GİRİŞ Utkay DÖNMEZ
62
Şekil 1.27. S üyelik fonksiyonu
6) İki tip ∏ üyelik fonksiyonu vardır. İlki iki parametre ile, ikincisi ise dört
parametre ile tanımlanır. S fonksiyonundan farklı olarak ∏ fonksiyonları iki taraflı
olarak “0” değerine doğru asimptotik olarak azalır. ∏1 üyelik fonksiyonun
matematiksel olarak ifadesi aşağıdaki gibidir:
(1.44)
Şekil 1.28’de birinci tip ∏1 fonksiyonu görülmektedir:
Şekil 1.28. ∏1 üyelik fonksiyonu
∏2 üyelik fonksiyonun matematiksel olarak ifadesi aşağıdaki gibidir.
(1.45)
Şekil 1.29’da ikinci tip ∏2 fonksiyonu görülmektedir:
1. GİRİŞ Utkay DÖNMEZ
63
Şekil 1.29. ∏2 üyelik fonksiyonu
Üyelik fonksiyonu oluştururken sezgi, mantık ve tecrübelerin kullanıldığı
bilinmektedir. Tefeleme işlemi sırasında çözgü tansiyonunun modellenmesi örneği
incelenebilir. Çizelge 1.7 dikkatle incelendiğinde sisteme girdi olarak çerçeve
yüksekliği, atkı sıklığı ve çözgü ipliği elastikiyeti verileri ve dereceleri
görülmektedir. Şayet bu bilgiler, bir sistemin girdi verisi olarak kullanılacak olursa
üyelik fonksiyonu oluşturulurken Çizelge 1.7’den faydalanılacaktır. Elde eden veriler
5 adımda işleme dahil edilecektir; çok düşük (çd), düşük (d), normal (n), yüksek (y)
ve çok yüksek (çy).
Çizelge 1.7. Tefeleme işlemi sırasında çözgü tansiyonun modellenmesi için girdi bilgileri (Dayık, Kayacan, Acer, Çalış, 2008).
Çerçeve Yüksekliği (mm)
Atkı Sıklığı (Adet/cm)
Çözgü İpliği Elastikiyeti (%)
25 0 0 30 20 2 35 25 4 40 30 6 45 35 8 50 40 10 55 45 12 60 50 14 65 55 16 70 60 18 75 20
Verileri kullanılarak oluşturulan üçgen üyelik fonksiyonu Şekil 1.30-31-32
deki gibi olacaktır (Dayık, Kayacan, Acer, Çalış, 2008).
1. GİRİŞ Utkay DÖNMEZ
64
çd d n y çy 1,0
0,5
0 25 30 35 40 45 50 55 60 65 70 75
Şekil 1.30. Çerçeve yüksekliği üyelik fonksiyon grafiği
çd d n y çy
1,0
0,5
0 0 20 25 30 35 40 45 50 55 60
Şekil 1.31. Atkı sıklığı üyelik fonksiyon grafiği
çd d n y çy 1,0
0,5 0
0 2 4 6 8 10 12 14 16 18 20
Şekil 1.32. Atkı sıklığı üyelik fonksiyon grafiği
1.3.6. Sözel (Dilsel) Değişkenler
Değişken değeri olarak bir dildeki kelimeleri alabilen değişkene “sözel
değişken” denir (Zadeh, 1996). Burada sözü edilen kelimeler, klasik küme teorisinde
sınır koşulunu net olarak ifade edemeyen kelimelerdir. Bazı kelimelerin anlamı, bir
karmaşıklık veya belirsizlik gösterebildiği için sözel değişkenin bulanık kümelere
dayanarak tanımlanması gerekir. Sözel değişkenler, net olarak ifade edilemeyen
kavramların yaklaşık olarak nitelenmesini sağlar (Karakaşoğlu, 2008).
Dilsel değişkenler insan düşünce tarzını bilgisayar ortamına aktarmada
özellikle bulanık veya kesinliği belli olmayan örnek tanımlamalarda, kısaltmaların
1. GİRİŞ Utkay DÖNMEZ
65
kullanıldığı konularda ve karar verme mekanizmalarında önemli bir rol oynar.
(Zadeh, 1975)
Örneğin, hız bir dilsel değişken gibi gösterilirse, bu durumda T(hız) terim
kümesi şöyle olabilir; T(hız)={yavaş, orta (makul), hızlı, çok yavaş, çok veya az hızlı,...}
Burada T(hız)’daki her terim U=[0, 100] örnek uzayındaki bulanık küme ile
karakterize edilir. Burada “yavaş” 40 km/h’ in altında bir hız ,”orta” terimini 55
km/h’e yakın bir hız,”hızlı” ise 70 km/h’den fazla bir hız olarak tanımlanabilir.
Bu terimlerin üyelik fonksiyonu Şekil 1.33’de gösterilen bulanık küme olarak
karakterize edilebilir.
Şekil 1.33. Hız değerlerine ait dilsel değişkenlerin bulanık kümedeki gösterimi
Bu örnekte de görüldüğü gibi, tanımlar tamamıyla insanların söylemlerine
göre geliştirilmiştir. Bu tanımlara ise dilsel terimler denir ve bir dilsel değişkenin
muhtemel değerlerini sergilerler. Dilsel değişkenler, gerçek değerleri dilsel değerlere
dönüştürürler. Bunların işlevsel olarak elde edilmesi ve uygulama aşamasına
getirilmeleri büyük ölçüde sistemde daha önce elde edilmiş deneyimlere bağlıdır ve
bu deneyimlere dayalı olarak kurulan sistemlere ise çıkarım sistemleri adı
verilmektedir (Ünal, 2009).
Dilsel değişkenlerin ilginç uygulamalarından bir örnek verilirse; Tokyo-
Sugeno Teknoloji Enstitüsü tarafından bir bulanık araba tasarlanmış ve dizayn
edilmiştir. Bulanık mantıkla dizayn edilen arabaların kontrol sistemi, otomatik vitesli
büyük tırlara uyarlanmış ve tırların rahatlıkla dikdörtgen dönüşleri (hareketler) ve
1. GİRİŞ Utkay DÖNMEZ
66
park etme işini yapabildiği ispat edilmiştir. Önemli bir özelliği arabaların
yeteneklerini örneklerden öğrenebilmesidir. Yani tıra monte edilen sistem arabada
öğrenmiş olduğu yeteneğini tıra yüklendiğinde de kullanabilmesidir (Zadeh 1988).
1.3.7. Bulanık Kontrol (Denetim)
Günümüzde kontrol teknolojisi, geleneksel kontrol tekniklerinden matematik
modellere dayanan kontrol tekniklerine ve bilgi tabanlı zeki kontrol tekniklerine
doğru hızla yol almaktadır. Son yıllardaki çalışmalar göstermiştir ki bulanık kontrol,
bulanık küme teorisinin uygulamasındaki araştırma için en aktif ve verimli
alanlardan biridir.
Klasik kontrol teorisinde sistemin yapısını açıklayan bilgiler, kesin değerler
halinde verilmektedir. Kontrol stratejisinin temelini; sisteme ait bilgilerle, sistem
değişkenleri arasındaki ilişkiler oluşturmaktadır. Klasik kontrol, sürecin
matematiksel bir modeli ile bağlamakta ve kontrolör de, bu modele göre
tasarlanmaktadır (Aytaç, 2006). Bulanık mantık kontrol sistemleri bilinen PID
kontrol tasarımlarında olduğu gibi sistemin tam bir model bilgisini gerektirmez. Bu
bilgi yerine uzman olarak adlandırılan insan deneyimini ve ustalığını koymaktadır.
Uzman bilgisinden ve tecrübesinden ve insanın keskin olmayan duygusal verilerden
yararlanarak bulanık sistem gerçekleştirilmeye çalışılır (Sarıtaş ve Herdem, 2009).
Böylece uzman operatör, dilsel niteleyiciler olarak bilinen; çok artır, biraz artır, çok
az gibi günlük hayatta sıkça kullanılan kelimeler doğrultusunda esnek bir kontrol
metodu geliştirebilmektedir. Bulanık mantık denetleyicinin temeli, bu tür sözlü
ifadeler ve bunlar arasındaki mantıksal ilişkiler üzerine kurulmuştur (Aytaç, 2006).
Bulanık mantık işlemleri, bir problemin analizi ve tanımlanması, değişken
kümelerin ve mantık ilişkilerinin gelişilmeden bulunan bilgilerin bulanık kümelere
dönüştürülmesi ve modelin yorumlanması işlemlerinden oluşmaktadır (Tortum,
Yayla ve Gökdağ, 2005).
Geçtiğimiz birkaç yıl boyunca, bulanık kontrol, bulanık mantık teori
uygulama araştırmaları için en aktif ve en faydalı alan olarak özellikle endüstriyel
1. GİRİŞ Utkay DÖNMEZ
67
proses bölgelerinde önem kazandı. Girdi-çıktı arasındaki ilişkilerin ölçülebilir
verilerinin eksikliği nedeniyle geleneksel metotlar tarafından kendi kendilerine
kontrol edilmelerine izin vermeyen proseslerin de incelenmesinde önem kazandı.
Bulanık kontrol, mantık sistemi insan düşüncesi ve doğal dil kullanılarak, geleneksel
mantık sisteminden daha yakın-doğru sonuçlar verir. Bulanık mantık kontrol, uzman
bilgisini otomatik kontrol stratejisine çevirmeyi temel alan dilsel kontrol stratejisini
anlamlı hale getiren bulanık mantık temeline dayanır (Lee, 1990).
Bulanık kontrol sistemleri Şekil 1.34’daki gibi basit bir yapıya sahiptir.
Bulanık denetleyiciyi kontrol edilecek bir sistem, veri ve kural tabanı,
bulanıklaştırma ve durulaştırma arabirimlerinden oluşur (Bai ve Wang, 2006).
Şekilde belirtilen bazı noktalardaki işaretler incelenecek olursa ; a noktasında,
kontrol edilen sistemden geri besleme yolu ile alınan duru işaret bulunmaktadır. Bu
işaret bulanıklaştırma ara birimine girerek bulanık işarete dönüştürülür.
Bulanıklaştırma ara biriminden çıkan bu bulanık işaret, b noktasındaki işarettir ve
bulanık denetleyiciye gider. Bulanık denetleyicide, gelen bulanık işaretin ve referans
işaretinin değerlerine göre bir kontrol işlemi uygulanarak bulanık kontrol işareti
üretilir, bu işaret denetleyici çıkışındaki, yani c noktasındaki işarettir. Bu işaret
durulaştırma ara birimine gönderilerek d noktasında kontrol edilecek sisteme
uygulanacak olan duru işaret elde edilmiş olur (Özkan, 1997).
1. GİRİŞ Utkay DÖNMEZ
68
Şekil 1.34. Bulanık Kontrol Sistemi (Özkan, 1997).
1.3.7.1. Bulanıklaştırma
Bulanıklaştırma klasik bir kümeyi bulanık kümeye ve ya bulanık bir kümeyi
daha bulanık bir kümeye dönüştürme işlemidir. İşlem klasik girişi ve ya ölçülen bir
değeri dilsel kavramlara dönüştürür (İbrahim, 2005). Gözlemlenen veri ölçülürken,
verilerin rastgele gürültü ile karışması söz konusu olabilir. Bu gibi bir durumda,
bulandırma işlemi ile şüpheli veri bulanık sayılara dönüştürülmelidir. Bulanık
sayılar, rasgele değişkenleri daha kolay işleyeceğinden hesaplama etkinliği daha da
artacaktır (Baykal ve Beyan, 2004). Üyelik işlemlerinden faydalanılarak giriş
bilgilerinin ait olduğu bulanık kümeyi/kümeleri ve üyelik derecesini tespit edip,
girilen sayısal değere küçük, en küçük gibi dilsel değişken değerler atar (Elmas,
2007).
1. GİRİŞ Utkay DÖNMEZ
69
1.3.7.2. Bilgi Tabanı
Bilgi tabanı, karar verme biriminin kural tabanının da kullandığı bilgilerin
alındığı veri tabanı ve denetim araçlarına uygun dilsel denetim kurallarının
bulunduğu kural tabanı olmak üzere iki kısma ayrılabilir (Lee, 1990). Genel olarak
da uygulama dönemindeki bilgilerden ve denetim araçlarından oluşur. Dilsel denetim
araçlarının tanımlanmasında ve bulanık mantık denetimindeki bulanık bilgi işleme
süresince yararlanılır. Kurallar kümesi denetim amaçlarını ve denetim stratejisini
belirler.
Denetimi yapılan sistemle ilgili, bulandırma, bulanık çıkarım, durulama
işlemleri sırasında gerek duyulan üyelik işlevi ve kural tablosu bilgileri veri
tabanından kullanıma sunulmaktadır (Elmas, 2007).
1.3.7.3. Kural Tabanı
Bulanık kural tabanı Eğer-O Halde (If-Then) kurallarından oluşur. Bulanık
mantık sistemindeki diğer bütün bileşenler düşünüldüğünde kural tabanı bu sistemin
kalbini oluşturur (Wang, 1997). Bilgiyi temsil etmek üzere, bulanık sistemler
çoğunlukla dilsel kurallar kullanırlar. Eğer-O halde tarzında ifade edilen bir kural
standart olarak şu şekildedir;
Eğer a1 ve a2 … ve an o halde b’dir. (Esendal, 2007) (1.46)
Bulanık sisteme gelen veriler, öncelikle işlenmeye hazır hale getirildikten
sonra bulanık kural tabanında yüklenmiş ‘eğer-o halde’ şeklinde yüklenmiş kurallara
göre çıkarım mekanizması tarafından işlenir. Blanık kural tabanında aslında,
ilgilenilen sistemin bir modeli sözel ifadelerle (bulanık kümeler) ‘eğer-o halde’
kurallarında işlenmiş durumdadır. Eğer a1 A1 dir ve …a1n A1n dir ise, o halde b1 B1 dir. (1.47)
1. GİRİŞ Utkay DÖNMEZ
70
Eğer a2 A2 dir ve …a2n A2n dir ise, o halde b2 B2 dir. (1.48)
……… Eğer am Am dir ve …amn Amn dir ise, o halde bm Bm dir. (1.49)
Bu genel bulanık ‘eğer-o halde’ kuralları ailesi genellikle bulanık mantık
kural tabanı olarak isimlendirilir. Her kuralda bulunan parça sayısı eşit olarak
gösterilmiştir (Baykal ve Beyan, 2004).
1.3.7.4. Karar Verme Birimi
Karar verme birimi, çıkarım motoru (fuzzy engine) olarak da
adlandırılmaktadır. Bu kısım, insanın karar verme ve çıkarım yapma yeteneğinin
benzeri bir yolla bulanık kavramları işlemekte ve çıkarım yaparak gerekli denetimi
belirlemektedir. Bulanık çıkarımda denetimi yapılan sistemi kullanan uzman
operatörün kullandığı dilsel niteleyiciler ve kurallar kullanılarak sembolik sonuç elde
edilmektedir. Bulanık mantık denetiminin beyni, bulanık çıkarımdır (Elmas, 2003).
En önemli iki tip bulanık çıkarım sistem metodu; Mamdani ve Takagi-
Sugeno. İkisi arasındaki fark şöyledir; iki metot da bulanık kurallar üzerine kurulmuş
olup, Mamdani bulanık kuramı kural olarak uygularken Takagi-Sugeno ise girdi
çeşitliliğinin lineer fonksiyonunu kural olarak kullanmaktadır. Lineer tekniklerle
(PID) çok iyi çalışması, oldukça etkili oluşu, çok iyi optimize ve adapte oluşu, çıktı
ara yüzünü sürekliliğini garanti etmesi ve çok iyi matematiksel analiz yapması
Takagi-Sugeno modelinin avantajıdır. Mamdani metodunun avantajları ise yaygın
kullanım alanı, insancıl düşünce sistemine göre daha yakın oluşu ve sezgilerinin
kuvvetli olmasıdır (Sivanandam, Sumathi ve Deepa, 2007). Bilinen bulanık çıkarım
sistemleri kısaca şöyledir.
Mamdani: Buna bulanık tümel evetleme de denilebilir. Girdi verisi tekil ise
bulandırılma yapılmaz çıktı verileri sırası ile eşlenir. Eğer girdi çoğulsa, bütün
verilerin birbiri ile çarpımını en küçük olanı çıkış değeridir (Baykal ve Beyan, 2004).
Mamdani çıkarım modeli ilk defa bir buhar motorunun insan tecrübelerinden elde
edilen sözel kontrol kuralları yardımıyla kontrolü amacıyla kullanılmıştır. Bu
1. GİRİŞ Utkay DÖNMEZ
71
modelde hem girdi değişkenleri hem de çıktı değişkeni kapalı formdaki üyelik
fonksiyonları ile ifade edilir (Yılmaz ve Arslan, 2005).
Şekil 1.35. Mamdani modeli
Takagi-Sugeno: Her bir kuralın çıkışı, giriş değerlerinin doğrusal birleşimiyle
bulunur. Keskin çıkış değeri ise, ağırlıklı ortalaması alınarak bulunur (Elmas, 2003).
İlk kez 1985 yılında kullanılmaya başlamış olan Takagi-Sugeno modeli Mamdani
bulanık mantık yönteminin bir uyarlamasıdır. Girdi deüişkenlerinin
bulanıklaştırılması ve bulanık mantık işlemleri Mamdani ile aynı olup çıktı üyelik
fonksiyonlarındaki sadece lineer sabit yapıda olmasıdır (Yılmaz ve Arslan, 2005).
1. GİRİŞ Utkay DÖNMEZ
72
Şekil 1.36. Takagi-Sugeno modeli
Max-Dot: Her bir giriş değeri, ait olduğu üyelik işlevindeki üyelik derecesine bağlı
olarak ilgili bulanık kümeyi yeniden ölçeklendirir. Tüm girişler için yeniden
ölçeklendirilmiş bulanık kümeler içerisindeki maksimum değer alınarak çıkış değeri
bulunur (Elmas, 2003).
Min-Max: Her bir giriş değeri için ait olduğu üyelik işlevindeki üyelik derecesine
bağlı olarak ilgili bulanık kümenin üyelik değerinin üstündeki kısmı kesilir. Çıkış
değeri, elde edilen bu bulanık kümelere genellikle ağırlıklı ortalaması yönteminin
uygulanmasıyla bulunur (Elmas, 2003).
Tsukamoto: Bu yapıda çıkış üyelik işlevi, tek yönlü artan bir işlev olarak seçilir.
Çıkış değeri ise, her bir kuralın keskin çıkış değerinin ağırlıklı ortalaması alınarak
bulunur (Elmas, 2003).
1. GİRİŞ Utkay DÖNMEZ
73
1.3.7.5. Durulaştırma
Pratik uygulamalarda, özellikle cihaz ve mühendislik plan, proje ve
tasarımlarında boyutlandırmalar için kesin sayısal değerlere gerek duyulmaktadır.
İşte bu durumlara bulanık olarak elde edilmiş veya verilmiş bilgilerden yararlanarak
gerekli cevapların verilmesi için bulanık olan bilgilerin durulaştırılması
gerekmektedir. İnsanlar için yapay zeka çalışmalarında bulanık değişken, küme,
mantık ve sistemlerin bulanık olabilecek çıkarımlarının kesin sayılar haline
dönüştürülmesi gerekir. İşte bulanık olan bilgilerin kesin sonuçlar haline
dönüştürülmesi için yapılan işlemlerin tümüne birden durulaştırma (defuzzification)
işlemleri adı verilir (Özdağoğlu, 2008). Durulama birimi karar verme biriminden
gelen bulanık bir bilgiden bulanık olmayan ve uygulamada kullanılacak gerçek
değerlerin elde edilmesini sağlar (Çetin, 2003).
Durulama yönteminde genel olarak gözlemlenen dört özellik vardır (Baykal
ve Beyan, 2004).
• Durulama işlemcisi daima bir sayısal değer hesaplar. Bu, durulamanın tanımı
gereğidir. Açıkça, iki bulanık küme aynı durulanmış değeri verebilir. Ayrıca,
durulanmış değerin daima orijinal bulanık kümenin dayanakları arasında olduğu
kabul edilir.
• Üyelik fonksiyonu durulanmış değeri belirler. Bulanık kümenin monotonik
olarak daraltılması normal bir bulanık kümenin normalini verir. Benzer şekilde
monotonik genişletme işlemcisi bulanık küme normalinden itibaren durulanmış
bir değeri verir.
• İki üçgen bulanık sayının işleme sokulup durulanmasından elde edilen değer
daima bireysel olarak durulanıp işleme sokulmasından elde edilen değerler
arasında yer alır.
• Engelleyici bilgi durumunda, durulanmış değer sınırlı bölgeye düşürülmelidir.
1. GİRİŞ Utkay DÖNMEZ
74
Literatürdeki durulaştırma işlemlerinden birkaçı şöyledir (Sivanandam,
Sumathi ve Deepa, 2007);
a) En büyük üyelik ilkesi:Diğer bir adı da yükseklik yöntemidir. Kullanılabilmesi
için tepeleri olan çıkarım bulanık kümelerine gerek vardır. Şekil 1.37’de
gösterilen bu durulaştırma işleminin aritmetik notasyon şeklinde gösterimi
aşağıdaki gibidir (Şen, 2001).
Şekil 1.37. En büyük üyelik derecesi durulaştırma (Sivanandam, Sumathi ve Deepa,
2007).
b) Sentroid yöntemi: Sentroid yönteminin diğer bir adı da ağırlık merkezi
yöntemidir. Durulaştırma işlemlerinde, belki de en yaygın olarak kullanılan
işlem budur (Şen, 2001).
(1.50)
Şekil 1.38. Sentroid yöntemi ile durulaştırma
c) Ağırlıklı ortalama yöntemi: Bu yöntemin kullanılabilmesi için simetrik üyelik
fonksiyonunun bulunması gereklidir. Durulaştırma işlemi Şekil 1.39’da
gösterilmiştir. Böylece çıkışı oluşturan bulanık kümelerin üyelik
1. GİRİŞ Utkay DÖNMEZ
75
fonksiyonlarının her biri sahip oldukları en büyük üyelik derecesi değeri ile
çarpılarak ağırlıklı ortalamaları alınır (Şen, 2001).
(1.51)
Şekil 1.39. Ağırlıklı ortalama yöntemi durulaştırması
d) Ortalama en büyük üyelik: Bu yöntem aynı zamanda en büyüklerin ortası diye
de bilinir. Ancak, en büyük üyeliğin konumu tekil olmayabilir. Bunun anlamı
üyelik fonksiyonunda en büyük üyelik derecesine sahip olan üA(z)=1, bir nokta
yerine plato gibi düzlük kısmı da bulunabilir. Durulaştırma işlemi gösterilmiş
olan bu yönteme göre durulaştırılmış değer Z = (a+b) / 2 olarak bulunur.
Buradaki a ve b değerleri Şekil 1.40’da gösterilmiştir (Şen, 2001).
Şekil 1.40. Ortalamaların en büyük üyelik durulaştırılması
e) Toplamların merkezi: Kullanılan durulaştırma işlemleri arasında en hızlı olan
yöntemdir. Bu yöntemde iki bulanık kümenin birleşimi yerine onların cebirsel
toplamları kullanılır. Bu yöntemin bir mahsuru örtüşen kısımların iki defa
1. GİRİŞ Utkay DÖNMEZ
76
toplama girmesidir. Şekil 1.41’de toplamların merkezinin örnek grafiği
görülmektedir (Şen, 2001).
(1.52)
Şekil 1.41. Toplamların merkezi durulaştırması.
f) En büyük alanın merkezi: Eğer çıkış bulanık kümesi en azından iki tane dış
bükey alt bulanık kümeyi içeriyor ise, dış bükey bulanık kümelerin en büyük
alanlısının ağırlık merkezi durulaştırma işlemimde kullanılır. Bu şart tüm
çıkarım bulanık kümesinin dış bükey olmadığı zaman kullanılır, ama tüm
çıkarımın dış bükey olması durumunda z sentroid yöntemi ile elde edilenin
aynısıdır. Şekil 1.42’de grafik görülmektedir. Matematiksel hesabı aşağıdaki
gibidir (Şen, 2001).
(1.53)
1. GİRİŞ Utkay DÖNMEZ
77
Şekil 1.42. En büyük alan merkezi ile durulaştırma
g) En büyük ilk veya son üyelik derecesi: Bu yöntemde, tüm çıktıların birleşimi
olarak ortaya çıkan bulanık kümede en büyük üyelik derecesine sahip olan en
küçük (ve ya en büyük) bulanık küme değerini seçme esasına dayanır. Şekil
1.43’de grafik görülmektedir (Şen, 2001).
Şekil 1.43. İlk ve son en büyük üyelik dereceleri ile durulaştırma
1.3.8. Bulanık Mantığın Uygulama Alanları
Günümüzde bulanık sistemler birçok fen bilimleri ve mühendislik
uygulamasında geleneksel teknolojilerin yerine geçmiş durumdadır. Bulanık
sistemler; kontrol (en sık kullanıldığı alan), model tanımlama (görüntü, ses, sinyal
isleme gibi), nicel çözümleme (yöneylem araştırması, yönetim), çıkarsama (teşhis,
tahmin ve planlama için uzman sistemler; doğal lisan isleme; akıllı arabirim; akıllı
robotlar; yazılım mühendisliği), ve bilgi çıkarma (veritabanları) gibi alanlarda
kullanılmaktadır (Deniz, 2006).
Bulanık Mantık, makineleri “daha zeki” yapmış ve birçok ürünün ve üretim
sürecinin makine IQ’ su (Zeka seviyesi) bu sayede artmıştır. Bu makineler arasında
fotoğraf makineleri, kameralar, televizyonlar, mikro dalga fırınlar, çamaşır
1. GİRİŞ Utkay DÖNMEZ
78
makineleri, elektrikli süpürgeler, otomatik şanzımanlar, motor kontrolü, metro
denetim mekanizmaları, asansörler ve mikro devreler sıralanabilir (Bulut, 2007).
Pilav pişirme aletlerinden asansörlere, arabaların motor ve süspansiyon
sistemlerinden nükleer reaktörlerdeki soğutma ünitelerine, klimalardan elektrikli
süpürgelere kadar bulanık mantığın uygulandığı birçok saha mevcuttur. Bu sahalarda
temin ettiği enerji, iş gücü ve zaman tasarrufu ise, onun “iktisat” adına ne kadar çok
önem verilmesi gereken bir sistem olduğunu göstermektedir (Bulut, 2007). Bulanık
mantığın uygulama alanlarına bazı örnekler Çizelge 1.8’de görülmektedir.
Çizelge 1.8. Bulanık mantığın uygulama alanları (Özkan, 1997) Uygulama Alanı Firma Sonuç
Asansör Denetimi Fujitec/ Toshiba
Yolcu trafiğini değerlendirir, böylece bekleme zamanı azalır.
Video Kayıt Cihazı Panosonic Cihazın elle tutulması nedeni ile çekim sırasında oluşan sarsıntılar ortadan kalkar.
Çamaşır Makinasi Matsushita Çamaşırın kirliliğini, ağırlığını, kumaş cinsini sezer ona göre yıkama programı seçer
Elektrikli Süpürge Matsushita Yerin durumunu ve kirliliğini sezer, motor gücünü uygun bir şekilde ayarlar.
Su Isıtıcısı Matsushita Isıtmada kullanılan suyun miktar ve sıcaklığına göre ayarlama yapar.
Klima Cihazı Mitsubishi Ortam koşullarını sezerek en iyi çalışma durumunu saptar.
ABS Fren Sistemi Nissan Tekerleklerin kilitlenmeden frenlenmesini sağlar.
Sendai Metro Sistemi Hitachi Hızlanma ve yavaşlamayı ayarlayarak rahat bir yolculuk sağlar. Durma pozisyonunu iyi ayarlayıp güçten tasarruf sağlar. Çimento Sanayi Mitsubishi/
Chem Değirmende ısı ve oksijen oranları için denetim yapar.
Televizyon Sony Ekran kontrastını, parlaklığını ve rengini ayarlar.
Birçok mühendislik optimizasyon problemlerinde kullanılan parametrelerin
bazıları veya hepsi, doğal dilden kaynaklı lineer (doğrusal) programlama problemi
olarak düşünülebilir. Bunlar bulanıklık kullanılarak ölçülebilir (Elamvazuthi,
Ganeson, Vesant, Webla, 2009). Bulanık mantık uygulamaları, ısı, elektrik akımı,
sıvı gaz akımı denetimi, kimyasal ve fiziksel süreç denetimlerinde kullanılmaktadır.
1. GİRİŞ Utkay DÖNMEZ
79
Bulanık mantık yaklaşımlarının kullanıldığı sistemler, klasik sistemlere göre daha
etkin ısı ve hız denetimi yapabilmektedir. Ayrıca, enerji tasarrufu sağlanmakta ve
aygıt ömrü uzamaktadır. Bulanık mantık yaklaşımının kullanıldığı bazı şirketler ve
kullandığı ürünler Çizelge 1.9’da verilmiştir (Özdağoğlu, 2008)
Bulanık Mantığın tıpkı matematik gibi uygulamasının olmadığı bir alandan
bahsetmek çok zordur. Özellikle Modern Kontrol Sistemleri, Bulanık Mantık
bilimini üstlenmiş durumdadır. Bu beraberlikten en çok yarar gören başarılı
uygulamalarıyla Otomatik Kontrol Sistemleri bilimi gibi görünmektedir. Bunun
yanında Bulanık mantık önüne çıkan daha karmaşık problemlerle kendini ispatlama
fırsatını yakalamaktadır (Bulut, 2007).
Çizelge 1.9. Bulanık mantık denetiminin endüstriyel uygulamalarına örnekler (Özdağoğlu, 2008).
Çamaşır makinesi AEG, Sharp, Goldstar Pirinç fırını Goldstar Fırın/Kızartıcı Tefal Mikrodalga fırın Sharp Kredi Kartı GE Corporation Elektrikli Tıraş Makinesi Sharp Isı Denetimi NASA inspace shuttle Klima Denetimi Ford Camcorder Canon, Sanyo, JVC Batarya şarj cihazı Bosch Buzdolabı Whirlpool Elektrikli Süpürge Philips, Siemens
Uygun proses parametrelerini ustaya gerek duymadan karşılamak, müşterinin
ihtiyaçlarını karşılayacak olanğı sağlamak, makine değişimlerini kolaylaştırmak, lot
değişimini azaltmak gibi. Modeller ve optimizasyon yapısı birlikte kullanıldığında,
istenilen kalite seviyeleri için veya çeşitli özelliklerde üretimi sağlamak için gerekli
makine parametreleri sorunlarına bulanık mantık alternatif çözüm önerileri sağlar
(Silva, Paiva, Balestrassi, Silva, 2009).
Bulanık mantık kontrol ve karar verme sistemlerinin ağları makine öğrenme
teknikleri sayesinde oluşturulmuştur ve bu bağlantı yapıları, gelişen bulanık mantık
1. GİRİŞ Utkay DÖNMEZ
80
kuralları ve uygun girdi-çıktı üyelik fonksiyonlarının bulunması sayesinde
eğitilebilir. Kendi kendine kontrol edebilme ve kontrol edilemeyenleri öğrenme
karışımı öğrenme hızı, orijinal geri beslemeli öğrenme algoritmasından daha hızlıdır.
Bu bağlantı modelleri de normal çok tabakalı ileri beslemeli sinirsel ağları, insanın
anlayabileceği şekle dönüştürür ki bu dâhili birimler, kullanıcılar için, geçmişte
anlaşılması oldukça güç kısımlar olmuştur (Lin ve Lee, 1991).
Mantık sistemlerindeki çalışmaların devamlılığının faydalı olacağı, bu
sistemlerin yayılacağı, belki bulanık mantık sistemler ile diğer sistemler arasında bir
köprü kurulabileceği bugün güçlü bir görüştür. Örneğin, quantum mantık da, cebirsel
yapı ile cebirsel anlam arasındaki ilişki gibi. Gerçek mantık hesaplamaları
hakkındaki bilgilerin, Bilgi Mühendisliği ve Yapay Zekâ alanlarındaki bulanık
mantık uygulamalarına dönüştürülmesi çok ilginçtir (Gottwald, 2005).
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
81
2.ÖNCEKİ ÇALIŞMALAR
2.1. İstatistiksel Proses Kontrol İle İlgili Yapılan Çalışmalar
Bhattacherjee A. ve Samanta B. (2002), Umur E. (2000), Kaya İ., Ağa A.,
(2003), Yıldırım F. ve Öntürk H. (1997), Tütmez B. ve Bayat O. (1999), Zeyveli M.
ve Selalmaz E. (2008), Elevli S. ve Behdioğlu S. (2006), kendilerinin belirlemiş
oldukları sektörlerde proses incelemesi yapmışlar, istatistiksel kontrol ve teknikleri
hakkında bilgi vermişler ve de prosesin kontrol altında olması üzerine çalışmalar
yapmışlardır.
Tekstil sektöründe ise Buluklu H.M. (2006) dokuma fabrikasında, Bek G.A
(2008) ile Bircan H. ve Gedik H. (2003) konfeksiyon işletmesinde, Erdoğan Ö.
(2006) ise iplik işletmesinde bilgisayar destekli proses kontrol çalışmaları
yapmışlardır. İstatistiksel proses kontrol ve teknikleri hakkında bilgi vermişler ve de
prosesin kontrol altında olması üzerine çalışmalar yapmışlardır.
Rodriguez R.N ve Prabhu S.S (1997), SAS enstitü şirketi tarafından SAS
yazılım programının kontrol tabloları uygulamalarının etkinliği üzerine hazırlanan
bir çalışma hazırlamışlardır. Shewhart kontrol tablolarının gelişimi, kullanım
alanları, proses çeşitliliğini oluşturan sebepler, kontrol limitleri, Western Electrik in
kullandığı özel durumların Nelson tarafından nasıl yorumlandığı gibi konuları
örneklerle anlatılmıştır. Aksu S. (2002) farklı tekstil proseslerinden seçilen örnekleri
İPK teknikleri ile incelenmiş, Minitab 13 programı ile sonuçlar analiz edilmiştir. İPK
uygulamaları için bir sistem tasarımı adlı çalışmada Durman B.M. ve Pakdil F.
(2005), bulaşık makinesi üretimi yapılan bir firmada üretimin spesifikasyon ve
kontrol limitleri içinde olup olmadığını izlemek amacıyla bir sistem tasarlamışlardır.
İstatistiki proses kontrol metodojisi kapsamında öncelikle ölçüm sisteminin
yeterliliği analiz edilmiş olup ikinci aşamada üretim yeterliliği indeksleri
hesaplanmış son aşamada ise X-S kartlarının Excel ortamında online olarak
izlenmesi sağlanmıştır. Besim A. Ve Öztürk E. (2005) İPK yöntemlerinin
bilgisayarlı ortama aktarılarak SPSS programı ile kısa sürede sorunlara cevap
bulmaya çalışmışlardır.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
82
İnsanoğlu çoklu parametrelerin takibinde istatistiksel kontrol tablosunda
farklı yöntemlere başvurmuştur. Chang S.I. ve Zhang K. (2007) çok değişkenli
dinamik modelleme matrixinin uygulaması ile S kontrol tablosunu, çok değerli
kontrol tablolusuna uyarlayan bir örneğe uygulamış, Jarrett J. E. ve Pan X. (2009) ise
çok değerli proses kontrol tabloları ile Shewhart kontrol tabloları kıyaslamış, çok
değerli proses kontrol tablolarının avantajları incelenmiştir. Örnek uygulamalar ile
sonuçlar tartışılmış ve çok değerli proses kontrol tablolarının kullanılabilirliği ortaya
konmuştur. Yine Spanos C.J, Guo H.F, Miller A. ve Levine-Parrill J. (1992),
çalışmalarında gerçek zamanlı ve çok değerli istatistiklerin analizinde kullanılan
parametrelerle İPK metotlarının uygulamaları incelenmiştir. İstatistiksel proses
kontrol gelişmesi için kullanılan modeller anlatılmıştır. Örnek uygulamalar ile
kıyaslanmış ve sonuçları tartışılmıştır.
Kane V.E. (1986), proses yeterlilik indeksleri (Cp, Cpu, Cpl, k ve Cpk),
prosesin durumu ve aralarındaki ilişkiyi ortaya koymuştur. ÜKL ve AKL
hesaplamaları ve prosesten istenen hedeflerin hesaplanması ve bilgiler verilmiştir
Woodall W.H., Spitzner D.J. Montgomery D.C. ve Gupta S. (2004), İPK ve
tekniklerinden ve uygulamalarından bilgiler verilmiş, kontrol tabloları üzerinde
üretim prosesinin geliştirilmesi adına örneklemlerin dalga boylarını incelemiş ve
grafik yorumlamalar ile lineer ve non-lineer modeller üzerinde durulmuştur.
Çalışmada, daha önceki yayımlanan kontrol tablosu çalışmaları incelenmiştir ve
avantajları ortaya konmuştur.
Harris T.J. ve Ross W.H. (1991), geleneksel kontrol tabloları hakkında kısa
bir bilgi verildikten sonra, kümülatif toplam (CUSUM) ve ağırlıklı ortalama kontrol
tabloları (EWMA) tekniklerinin performansları arasındaki ilişki incelenmiştir. Sıralı
veriler için zaman serili metotların kullanımı açıklanmıştır. Bu metotları ağırlıklı
ortalama kontrol tabloları örneklemler ile anlatılmıştır. Shiau J.J.H ve Hsu Y.C
(2005) de standart kalite kontrol tabloları ile modifiye edilmiş ağırlıklı ortalama
kontrol tabloları incelenmiş ve kıyaslanmıştır. İnceleme sonucunda 2 farklı modifiye
edilmiş kontrol tabloları üretilmiş ve simüle edilerek incelenmiş, modifiye edilmiş 3
farklı kontrol tablosu birbiri ile kıyas yapılmıştır.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
83
2.2. Bulanık Mantık ve Uygulamaları İle İlgili Yapılan Çalışmalar
Bulanık mantığın gelişip yaygınlaşmasıyla, üzerinde yapılan çalışmalar hızla
artmıştır. Özkan A. O. (1997), Murat Ş. Y. (2006), Karadoğan A., Başçetin A,
Kahriman A. ve Görgün S. (2001), Yılmaz M. ve Arslan E (2005), Kayacan M.C.,
Çelik Ş.A. ve Salman Ö. (2003), Tatlı H., Şen Z. (2001), Tanyıldızı H. ve Yazıcıoğlu
S. (2006), Deniz E. (2006), Tür R., Kazaz A. ve Yardımcı A. (2005), Özden S.
(2007), S.A. Oke, A.O. Johnson, O.E. Charles-Owaba, F.A. Oyawale ve I.O.
Popoola (2006), bulanık mantık üzerine çalışmalar yapmışlardır. Girdi ve çıktı üyelik
fonksiyonları atayarak bulanık çıkarım sistemi kurmuşlar ve sonuçlarında mevcut
sistemlerle bulanık mantık ile oluşturulan sistemleri kıyaslamışlar ve daha kısa
sürede, daha ekonomik ve daha sağlıklı çözümlere ulaşmışlardır.
Paramashwaran R, Karunakaran R, Iniyan S., Samuel A.A. (2008),
çalışmalarında çeşitli ayarlanabilir değerleri olan klima sistemlerinin optimizasyonun
2 farklı genetik algoritma (enerji tasarrufu ve ısıl rahatlık) test sonuçlarını
sunmuşlardır. Bulanık mantık kontrolörleri girdi için sıcaklık, basınç ve çıktı için fan
hızı seçilmiştir.
Silva E.A., Paiva A.P., Balestrassi P.P., Silva C.E.S. (2009), makalede Data
Mining Modelleme, Partial Least Squares Modelleme ve Genetic Algorithm
Optimizasyon Modelleme yöntemlerinin işletmelere; uygun proses parametrelerini
ustaya gerek duymadan karşılaması, müşterinin ihtiyaçlarını karşılayacak olanak
sağlaması, makine değişimlerini kolaylaştırması, lot değişimini azaltması gibi
konularda faydaları olduğuna değinilmiştir.
Zadeh L.A, (1975-1996-1998) kesin doğru olmayan, bilirsizlik içeren
toleransların sürdürülebilirliği, dilsel hesaplamadaki merkezi önemi anlatmaya
çalışmıştır. Mendel J. M. (1995), Atlaş İ. H. (1999), Ahmed N. (2003), Gottwald S.
(2005) ve Işıklı Ş. (2008), yayınlarında bulanık mantık ve uygulamaları hakkında
teorik bilgilere değinmişlerdir. Çalışmalarda, bulanık mantığın avantajlarından
bahsedilmiş, bulanık mantığın anlaşılması için örnekler vermişlerdir.
Çitli N. (2006), Esendal H. (2007), Kuşçu D. (2007), Özdoğdu A. (2008) ve
Karakuşoğlu N. (2008) çalışmalarındaki uygulamalarda bulanık küme teorisi
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
84
kullanılarak karar vermeye çalışmışlar ve karar verme yöntemleri ile bulanık mantığı
temel prensipleri hakkında bilgi verilmiştir.
Bulanık mantığın en etkili kullanım alanlarından biride kontrol sistemleridir.
Lee C.C. (1990) ve Bai Y., Wang D. (2007), bulanık mantık kontrolün (FLC) genel
metodolojisi ve performans değerlendirmesi tanımlanmış ve problemlerin
araştırılması gerektiğine ışık tutmuştur. Özellikle açıklamada, bulanıklaştırma ve
durulaştırma stratejileri, veri türetme ve kontrol kuralları, bulanıklığı karşılaştırma ve
bulanık düşünce mekanizmasının analizi bulunmaktadır.
Tortum A., Yayla N. ve Gökdağ M (2005), Civelekoğlu G. (2006),
çalışmalarında yapay sinir ağları (YSA) hakkında bilgi verilmiş ve birleştirilmiş
sinirsel bulanık sistemler (BSBS) kullanılmıştır. YSA performansını etkileyen
faktörlerin uygun değerleri belirlemiş ve bu faktörlerin uygun değerleri
belirlenmesinde hangi istatistiki bilgi kriterinin kullanılması gerektiğini araştırmıştır.
Lin C.T. ve George L.C.S. (1991), bir sinirsel ağ bağlantısının, bulanık mantık ve
kontrolleri için önerilen bir model olduğunu öne sürmüştür. Bulanık mantık kontrol
ve karar verme sistemlerinin sinirsel ağları, makine öğrenme teknikleri sayesinde
eğitim örneklerinden oluşturulmuş ve bu bağlantı yapıları, gelişen bulanık mantık
kuralları ve uygun girdi-çıktı üyelik fonksiyonlarının bulunması sayesinde
eğitilebilmiştir. Çalışmada kendi kendine kontrol edebilme ve kontrol edilemeyen
öğrenmenin karışımı öğrenmesi gibi sinirsel ağlar ile kurulan bulanık mantık
kontrollerinin izahına çalışılmıştır.
Koska B. (1993), Şen Z. (2001) ve Altunli Ş. (2009) bulanık mantığın temel
prensiplerini incelemiş, Elmas Ç. (2003) bulanık mantık, uygulamaları ve bulanık
denetleyiciler üzerinde durmuş, çalışmasında kullandığı örnekleri detaylı şekilde
anlatmıştır. (2007) de ise çalışmasına yapay zeka ile ilgili uygulamalarını ve genetik
algoritma ile ilgili uygulamaları eklemiştir. İbrahim M.A. (2004), Baykal N. ve
Beyan T. (2004) çalışmalarında bulanık mantık, bulanık uzman sistemler ve bulanık
denetleyiciler konularında bilgilendirme yapıp, uygulamalı örnekler sunmuşlardır.
Genetik algoritmaları da anlattıkları çalışmalarında genetik algoritma uygulamalarını
örneklerle anlatarak çalışmalarını desteklemişlerdir.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
85
Sivanandam S. N., Sumathi S. and Deepa S. N. (2007) çalışmalarında bulanık
mantık ile ilgili tanımlamalar, bulanık mantığın gelişimi, kullanım alanları hakkında
bilgi vermiş, üyelik fonksiyonu, yapısı, işlevi ve önemi, bulanıklaştırma-
durulaştırma, kural tabanı gibi konuları detaylıca ve örneklerle destekleyerek ve de
bu örnekleri MATLAB® da uygulayarak kitap halinde okuyucuya sunmuşlardır. Li-
Xin Wang (1997) ise kitabında yukarıdakilere ek olarak bilinen, faal durumda olan
ve bulanık sistemler ile çalışan makine ve sistemleri incelemiş, bulanık sistemleri
farklı bilgisayar sistemleri ile denemiş ve de bu denemeleri çeşitli örnekler ile
açıklamaya çalışmıştır. Bu sayede bulanık mantıkla çalışan sistemlerinin
kullanımının günümüzde ne kadar yaygınlaştığını ifade etmiştir.
Yapılan literatür araştırmasında; bulanık mantık üzerine mühendislik alanında
yapılan çalışma örneklerinin detaylı incelenmesi verilmiştir. Tarihsel sıralama ile
incelenen ve tekstil sektöründe yapılan bulanık mantık çalışmaları; elyaf olgunluğu,
iplik kondisyonlanması, dokumada atkı hızı, üretim planlama, konfeksiyonda çalışma
performansları gibi konular üzerinde yapılmış ve tekstil sektöründe bulanık mantık
uygulamalarının artmasına sebep olmuşlardır.
a.
b. Bulanık mantık denetimli bir araba (Elmas, 2007).:Çalışmada, bulanık mantık ile
arabanın bulunduğu konumdan geriye dönüşünü denetleyen bir sistem çalışılmıştır.
Burada üç adet girdi değişkeni vardır;
θ açısı arabanın yatay eksenle yaptığı açıyı, x ve y koordinat çifti de arabanın
arka ve orta noktasının pozisyonunu gösterir. Her adım için araba belli oranda geri
taşınacaktır. Hareket alanı [0,100]*[100,0] boyutuna sahiptir ve hedef nokta ise
(50*100) noktasıdır.
Sistemin giriş değişkenleri arabanın açısı (tekerlek) ϕ ve X eksenindeki
pozisyonunu gösteren x değişkenidir. Çıkış değişkenleri ise ön tekerleğin yaptığı θ
açısıdır. Değişkenlerin arlıkları ise
0 ≤ x ≤ 100
-90 ≤ ϕ ≤ 270
-30 ≤ θ ≤ 30 (Saat yönünde değişim pozitif, tersi ise negatif olarak alınmıştır )
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
86
Bulanık mantık da sistem ile aynı dili konuşabilmek için girdi ve çıktı veri
ifadeleri sisteme tanımlanır.
Açı (θ)
SAA : Sağ aşağı
SAY : Sağ yukarı
SAD : Sağ dikey
D : Dikey
SOD : Sol dikey
SOY : Sol yukarı
SOA : Sol aşağı
x-pozisyonu
SO : Sol
SOO : Sol orta
O : Orta
SAO : Sağ orta
SA : Sağ
ϕ (tekerlek açısı)
NB : Negatif büyük
NO : Negatif orta
NK : Negatif küçük
S : Sıfır
PK : Pozitif küçük
PO : Pozitif orta
PB : Pozitif büyük
Veri tabanına işlenmiş olan girdi ve çıktı değerlerinin bilgileri ve uzman
görüşe ve deneyimler ile harmanlanmış bulanık kural hazırlanır. Hazırlanan toplam
35 kuraldan bazıları şöyledir;
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
87
• Eğer x = SO ve θ = SAA ise ϕ = PK dır
• Eğer x = SOO ve θ = SAD ise ϕ = NK dır
• Eğer x = SA ve θ = D ise ϕ = PO dur
• Eğer x = O ve θ = D ise ϕ = S dir
• Eğer x = SAO ve θ = SAY ise ϕ = PB dir
Bulanık mantıkla yapılan ve arabanın bulunduğu konumdan geriye dönüşünü
denetleyen bir sistem sağlıklı çalışarak otomobil üreticilerine daha ucuz daha verimli
bir denetim sistemi sunmuştur. Günümüzde Subaru ve Nissan firmaları bulanık
mantıkla çalışan otomobil sistemlerini araçlarında kullanmaktadır.
c. Tornalama işlemlerinde kesici takım aşınmasının bulanık mantık ile
modellenmesi (Kayacan, Çelik, Salman, 2003).:Tornalama işlemlerinde takım
aşınması esas alınarak ekonomik takım kullanımı için bulanık mantık programlama
yöntemi kullanılarak genel bir fuzzy model kurulmuştur.
Bulanık mantık ile kesici takım aşınma parametrelerinin çözüm modeli
oluşturulurken parametrelerin alt ve üst limitleri daha önce yapılmış olan deneysel
çalışmalara, uzman görüşe ve problemin amacına uygun olarak belirlenmiştir.
Kesilecek malzeme sertliği, kesici takım sertliği üyelik fonksiyonları yumuşak,
normal ve sert olarak belirlenmiştir. Kesim hızı üyelik fonksiyonları yavaş, normal
ve hızlı olarak ve ilerleme oranı ile çalışma sıcaklığı üyelik fonksiyonları düşük,
normal ve yüksek olarak belirlenmiştir. Kesme derinliği üyelik fonksiyonları az,
normal ve fazla olarak giriş parametreleri ve her bir parametrenin alt ve üst limit
değerleri belirlenmiştir. Hedef fonksiyon olan kesici takım aşınma miktarı alt limit
değeri 0 (sıfır), üst limit değeri 0.8 ve üyelik fonksiyonları çok az, az, orta, çok, çok
fazla olarak belirlenmiştir.
Modeli kurmak için gerekli olan parametrelerin üyelik fonksiyonları ve ayak
genişlikleri belirlendikten sonra, probleme etki eden parametreler arasında gerekli
ilişkileri kurmak için uzman görüşe ve deneysel verilere göre oluşturulan kuralların
bir kısmı aşağıda bir kesit şeklinde belirlenmiştir. Bazı kurallar;
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
88
• Eğer iş parçası YUMUŞAK ve kesici takım SERT ve kesme hızı YAVAŞ
ve ilerleme oranı DÜŞÜK ve talaş derinliği AZ ve çalışma sıcaklığı
DÜŞÜK ise aşınma ÇOK AZ.
• Eğer iş parçası YUMUŞAK ve kesici takım SERT ve kesme hızı YAVAŞ
ve ilerleme oranı DÜŞÜK ve talaş derinliği AZ ve çalışma sıcaklığı
DÜŞÜK ise aşınma AZ.
• Eğer iş parçası SERT ve kesici takım YUMUŞAK ve kesme hızı HIZLI ve
ilerleme oranı FAZLA ve talaş derinliği FAZLA ve çalışma sıcaklığı
YÜKSEK ise aşınma ÇOK.
• Eğer iş parçası SERT ve kesici takım YUMUŞAK ve kesme hızı HIZLI ve
ilerleme oranı FAZLA ve talaş derinliği FAZLA ve çalışma sıcaklığı
YÜKSEK ise aşınma ÇOK FAZLA.
Tornalama işlemlerinde kesme parametrelerinin bulanık mantık ile
modellenmesini amaçlayan bu çalışmada, takım aşınmasını, en ekonomik işleme
şartlarını sağlayacak şekilde kesme parametrelerine uygulayabilmek için 1605 kural
yazılmıştır.
Elde edilen veriler neticesinde şu sonuca varmak hiçte zor olmamıştır;
ekonomik tornalama işlemi için en uygun takım aşınmasının işlem parametreleri en
kısa zamanda çok kolaylıkla belirlenmiştir, ayrıca değişen kesici takım
performanslarına, takım tezgâhlarına ve akademik çalışmalar sonucu elde edilen
olumlu kazanımlara göre kural tabanı, üyelik fonksiyonları ve ayak genişlikleri tekrar
kısa sürede düzenlenerek yeni kesme şartları belirlenebilir. Bunun yanı sıra
oluşturulan model, elektronik üretim sürecinde takım aşınmasının eş zamanlı
denetlenebilmesi için kesme şartlarının kontrol altında tutulması amacıyla da
kullanılabilir.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
89
d. Bulanık mantık denetimli sıcaklık denetim sistemleri (İklimlendirme) (Elmas,
2007).:İklimlendirme, kapalı bir ortamın sıcaklığı, nem, temizlik ve hava
hareketlerini insan sağlık ve konforuna veya yapılan endüstriyel işleme en uygun
seviyelerde tutmak üzere bu kapalı ortamdaki havanın düzenlenmesidir. Bulanık
sistem için giriş parametreleri;
a. İstenilen ortam ayar değeri sıcaklığından, oda tipi sıcaklık ölçme
elemanından alınan o andaki ortam sıcaklık bilgisinin farkı olan ISI HATA (sıcaklık 0C) denilen veri,
b. Şimdiki ısı hata değerinden bir önceki ısı hata değerinin farkı olan ISI
HATA DEĞİŞİM (sıcaklık 0C) denilen veridir.
Isı hata, ısı hata değişim giriş değişkenlerinin değişim aralıkları şöyledir;
-0,75 ≤ Isı hata ≤ 0,75
-0,75 ≤ Isı hata değişim ≤ 0,75
Isı hata, ısı hata değişim giriş değişkenlerinin değişim aralıklarını tanımları da
şöyledir;
NB : Negatif Büyük [-999, -0.5]
NO : Negatif Orta [ -0.75, -0.25]
NK : Negatif Küçük [-0.5, 0]
S : Sıfır [-0.25, 0.25]
PK : Pozitif Küçük [0, 0.5]
PO : Pozitif Orta [0.25, 0.75]
PB : Pozitif Büyük [0.5, 999]
Çıkış değişkeni ise, serpantinlerden geçen suyun miktarını ayarlayan vanaları
denetim eden servo motorlara uygulanan gerilim (Volt) bilgisidir. Çıkış değişkeninin
değişim aralığı şöyledir; -220 ≤ V ≤ 220
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
90
Çıkış değişkeninin (V’nin) değişim aralıklarını tanımları da şöyledir;
NÇB : Negatif Çok Büyük [-220]
NB : Negatif Büyük [-200]
NOB : Negatif Orta Büyük [-180]
NO : Negatif Orta [-160]
NOK : Negatif Orta Küçük [-140]
NK : Negatif Küçük [-120]
S : Sıfır [0]
PK : Pozitif Küçük [120]
POK : Pozitif Orta Küçük [140]
PO : Pozitif Orta [160]
POB : Pozitif Orta Büyük [180]
PB : Pozitif Büyük [200]
PÇB : Pozitif Çok Büyük [220]
Girdi değişkenleri verileri ile bilgi tabanı ve karar verme mantığı kullanılarak
tasarım yapılan bulanık mantık denetleyici biriminde 49 adet bulanık denetim
kuralları kullanılmıştır. Bazıları;
• Eğer ısı hata NB ve ısı hata değişimi NB ise Volt (V) S dır.
• Eğer ısı hata NO ve ısı hata değişimi NB ise Volt (V) PK dır.
• Eğer ısı hata NK ve ısı hata değişimi NB ise Volt (V) POK dır.
• Eğer ısı hata PO ve ısı hata değişimi PB ise Volt (V) NK dır.
• Eğer ısı hata PB ve ısı hata değişimi PB ise Volt (V) S (sıfır)’dır.
Klimanın servo motoru bulanık çıkış volt değerine göre çalışarak ortamın
sıcaklığı, nemi, havanın temizliği ve hava hareketliliğini kontrol eder ve bulanık
mantık denetimi ile sorunsuz ve ucuz bir sistem sağlanmış olur. Sektörde Mitsubishi
klimaları bulanık mantık denetleyiciler kullanmaktadır. Yine Mitsubishi ve Omron
firması ısı denetimi üzerine makineler üretmişlerdir.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
91
e. Bulanık mantık kavramı kullanılarak pamuğun microyapı düzeyindeki olgunluk
derecesinin analizi (Sarna, Rabiej, Sarna, Wlochowicz, 2008).:Pamuğun olgunluk
derecesi, SEM (scaning elektron microskop, elektron mikroskobu ile tarama) metodu
kullanılarak pamuk üzerindeki hatalar (ham bölgeleri) tesbit edilerek
belirlenmektedir. Bulanıklık kavramı (fuzzy set concept) elde edilen her resmi tek
tek analiz etmek için hata kategorileri göz önüne alınarak adapte edilmiştir. Bu
makalede pamuk olgunluğunun bulanık yöntemle tespiti üzerinde durulmuştur. Peki
nasıl? Kullanılan Rus-standartları bulanıklık için kuralları oluşturmuştur ve bulanık
yöntem ile yorumlama yapılmıştır.
Öncelikle SEM den elde edilen veriler bulanık kodlama ile sınıflandırılır.
SEM ‘in 14 ayrı elyaf olgunluk derecesi üç ayrı üyelik derecesine dağıtılır; 1-4 arası
plastik kırılma, 5-8 arası elastik-plastik kırılma ve 9-14 arası da elastik kırılma.
Olgunluk dereceleri de 0.5 ten 5.0 a kadar belirlenmiştir fakat 0.5-3.5 arası değerler
hatalı kabul edildiğinden üyelik derecelerinin tayinin de bu hatalı aralık
kullanılmaktadır.
Yukarıdaki üyelik derecelerinin yorumlanması ile Şekil 1.44’deki kural
tabanı oluşturulmuştur.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
92
Şekil 2.1. Elyaf olgunluğu için kural tabanı
Çalışmada Rus standardının bulanık mantık ile eşleştirilebildiği görülmüştür.
Yine SEM verilerinin tanımlanan kurallar ile Rus standartlarının tanımlanması ile
bulanık kural oluşturduğu tespit edilmiştir. Bu gelişmeler diğer olgunluk dereceleri
belirleme yöntemlerinin de bulanık mantık ile kullanılabileceğinin yolunu açmıştır.
f. Dokuma Kumaşların Kuruma Hızı Değerlerinin Bulanık Mantık Metodu İle
Belirlenmesi (Akarslan, 2007).:Kuruma hızının bulanık mantıkla çözümü için önemli
rol oynayan iplik numarası, sıcaklık, süre giriş değişkenleri ve kuruma hızı çıkış
parametreleri olarak seçilmiştir.
Kuruma hızının belirlenmesinde etkili olan iplik numarası beş aralıkta,
sıcaklık üç aralıkta, süre yirmi beş ayak aralığında deneysel çalışmalardan elde
edilen veriler ve uzman kişilerin görüşlerinden yararlanılarak belirlenmiştir. Çıkış
değişkeni olarak seçilen kuruma hızının tüm özelliklerinin detaylı incelenebilmesi
için deneysel sonuçlardan elde edilen değerler ve literatürdeki bilgilerden
faydalanılarak otuz iki ayak genişliğinde seçilmiştir. Belirlenen üyelik
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
93
fonksiyonlarının birbirleri arasındaki ilişkinin sonuca olan etkisi anlaşılabilmesi için
yüz seksen iki adet kural tabanı oluşturulmuştur.
Bu çalışmada kuruma periyotlarının tespitine yönelik deneysel verilerden
yararlanılarak bulanık mantık modellemesi yapılmıştır. Modelleme ile çalışma
bölgesi aralığında kalmak şartı ile deney yapılmamış değer aralıklarında da kuruma
hızı tespiti mümkün olmaktadır. Bulanık mantık analizinde, Mamdani çıkarım
sistemi kullanılmış, durulaştırma işlemi sentroid yöntemine göre yapılmıştır. Bu tür
bir analizde deneysel veriler, istenilen yakınsaklıkta işlenebilmekte ve kural tabanına
kolaylıkla ilave edilebilmektedir.
Bu çalışma, kurutmanın istenilen koşullarda yapılmasını sağlayacak, zaman
ve enerji tasarrufu da göz önünde bulundurularak, verilen bir mamul için makine
parametrelerini belirlemeye yardımcı olacaktır.
Bu sayede verilen şartlar altında mamulün davranışını izlemek suretiyle
kurutmanın optimizasyonu açısından deneysel çalışmalara veri olabilecek sonuçlar
elde edilmiştir.
g. Kondisyonlama Şartlarının İplik Rutubetine Etkisinin Yapay Zekâ Yardımıyla
Tespiti (Dayık, Kodaloğlu, 2007).:İplik rutubetinin belirlenmesinde etken olan
kondisyonlama basıncı ve sıcaklığı değişkenlerinin üyelik fonksiyon sayıları ve ayak
genişliklerinin tespiti deneysel çalışmalardan elde edilen verilerden ve uzman
görüşlerden yararlanarak tespit edilmiştir
İplik rutubeti üzerine etki eden faktörlerden kondisyonlama basıncı ve
sıcaklığının iplik rutubeti üzerine etkisi bulanık mantık yardımıyla tespit edilmiştir.
Elde edilen sonuca göre, kondisyonlama basıncı ve sıcaklığının etkisi açık bir şekilde
görülmektedir. Kondisyonlama basıncının iplik rutubeti üzerine etkisinin %80 ile
%90 arasında artan bir şekilde olduğu, %90 ile %100 arasında iplik rutubetine
etkisinin olmadığı açık bir şekilde görülmektedir. Kondisyonlama sıcaklığında ise
55°C ile 60°C arasında sabit olduğu, 60°C ile 70°C arasında artan bir şekilde iplik
rutubeti üzerine etkisinin olduğu açık bir şekilde anlaşılmaktadır. Yine 70°C ile 75°C
arasında rutubet üzerine etkinin olmadığı ve 75°C ile 80°C arasında artan bir şekilde
rutubet üzerine etkisinin olduğu anlaşılmaktadır. Elde edilen bu sonuçlar fabrika
ortamında yapılan deneysel sonuçlarla benzediği görülmüştür.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
94
h. İşletme Fiziksel Koşullarının Bulanık Mantık Yöntemi Kullanılarak
Değerlendirilmesi:Bir Konfeksiyon İşletmesi Örneği (Güner, İlleez, Ünal,
2009).:Gürültü, aydınlatma, iklim (nem ve sıcaklık) gibi fiziksel koşullar için
standart değerler göz önüne alınarak, her ergonomik değişken için ayrı ayrı üyelik
fonksiyonları tanımlanmıştır. Bu noktada aydınlatma kriteri gibi bazı değişkenler
departmanlara göre farklılık göstermektedir. O nedenle, bu farklılıkların üyelik
fonksiyonlarına getirdiği değişkenlikler çalışmaya yansıtılmıştır.
Hesaplamalarda kullanılacak üyelik fonksiyon tipleri ve tanımlamaları belir-
lendikten sonra departmanlar hakkında sonuç değerlendirmesinin yapılacağı çıktı
fonksiyonlarının tipleri ve tanımlamaları belirlenmiştir. Değerlendirmenin daha
sağlıklı bir sonuç vermesi için sözel anlatımlar "çok kötü", "kötü", "orta", "iyi" ve
"çok iyi" olmak üzere 5 farklı sınıflandırma şeklinde oluşturulmuştur. Girdi ve çıktı
fonksiyonlarının tümü oluşturulduktan sonra gerçekleşecek tüm koşulları sağlayacak
şekilde bulanık kurallar ortaya konulmalıdır. Bu kurallar yine sözel değişkenlerle
ifade edilmiş ve konu hakkındaki uzman kişilerin görüşleri göz önüne alınmıştır.
Üyelik fonksiyonu için 3 farklı sözel değerlendirme, fiziksel koşullar için 4 farklı
değişken ile 81 adet koşul oluşturulmuştur.
Çalışmada durulama işlemi için "centroid (sentroid)" olarak bilinen ağırlık
merkezi yöntemi kullanılmıştır. Yukarıda anlatılan yöntemle departmanlara göre
ergonomik değişkenlerin aritmetik ortalama değerleri MATLAB® Fuzzy Toolbox'a
girilmiş, böylece "centorid" yöntem; yardımıyla her departman için 0-100 aralığında
net bir değer elde edilmiştir.
Bu değerler tablo haline dönüştürüldüğünde, Çizelge 1.10 elde edilmiştir. Bu
sonuçların en düşükten en yükseğe doğru sıralanması ile fiziksel koşullarda
iyileştirme çalışmalarının hangi departmanda başlaması ve hangi sırada devam
edilmesi gereği ortaya çıkmaktadır.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
95
Çizelge 2.1. Düzenleme önceliği karar tablosu Departmanlar Değerlendirme Puanı (0-100) Koşullan Düzenleme Önceliği
Serim-Kesim 47,6 5
Metolama 48,8 6
Dikim 1 22,40 1
Dikim 2 23 2
K. Kontrol 49,6 7
Ütü 24,5 4
Paket 24,40 3
i. Drum ve Loop Sistemlerinde Atkı Hareketinin Dinamik Modellenmesi ve Hızın
Bulanık Mantıkla Kontrolü (Bayhan, Kodaloğlu, Cengiz, Kaplan, 2002).:Bulanık
mantıkla kontrol edilen denetleyiciler, tıpkı bir insanın makine başında çalışma
koşullanın gözlemleyerek o makineyi kullanmasına benzer şekilde çalışırlar.
Dolayısıyla, tıpkı usta bir operatör gibi sistem çıkışına bakarak, sistem girişini
ayarlarlar. Burada iplik numarası ve tüp boyu verilen giriş işaretleri olarak bulanık
denetleyiciye gönderilir. İplik numarası ve tüp boyu hangi bulanık kümede sıfırdan
farklı üyelik derecesine sahipse o kümenin ya da kümelerin temsil ettiği sözel te-
rimler ile durulaştırıcıda ifade edilir.
IF Tüp Boyu = Mf1 AND İplik Numarası Mf1 THEN İplik Hızı =Mf 12
Literatürde çeşitli çalışmalarda loop ve drum iplik besleme sistemleri için 17
tex numaradaki ipliğin hızı 4 ft yol boyunca teorik olarak hesaplanmış ve grafikleri
elde edilmiştir. Elde edilen bu değerler Fuzzy mantığına aktarılarak
bulanıklaştırılmıştır. Bu bulanıklaştırma işleminde iplik numara aralığı (15-45) tex,
iplik hızı (15-45) m/s ve tüp boyu 96 cm olarak hesaplanmıştır.
Uygulamalar MATLAB® programında hazırlanmıştır. Veriler ışığında
oluşturulan giriş üyelik fonksiyon aralıkları oluşturulmuştur. Giriş üyelik
fonksiyonlarına karşılık bir de çıkış üyelik fonksiyon aralığı belirlemek gerekir.
MATLAB® programında bu çalışmaya ait bulanık mantık giriş ve çıkış üyelik
fonksiyonları arasındaki ilişki giriş fonksiyonlarının değerleri için drum ve loop iplik
besleme sistemi için çıkış fonksiyon değerleri Şekil 1.45'de gösterilmiştir.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
96
Şekil 2.2. Drum ve Loop iplik besleme sistemi için çıkış fonksiyon değerleri
Bu kompleks özelliklerinden atkı ipliğinin numarası ve iplik besleme tipine
göre atkı ipliği hızının karakteristiğindeki değişim bulanık mantık ile çözülerek
teorik hesaplamalarda elde edilen değerlere uyumluluğu gösterilmiştir. İplik ve
makine özellikleri ile dokuma makinesinde atkı ipliği hızındaki değişimi göstererek
gerçek denemelere geçiş yapmadan önce, malzeme ve zaman tasarrufu yönünden
verilen bir atkı ipliği için atkının optimum bir şekilde taşınmasını gerçekleştirecek
makine parametrelerinin tespitine yardımcı olacaktır. Bu sayede istenilen şartlar
altında atkı hızının davranışını izlemek suretiyle optimizasyon açısından iyi sonuç
verecek yaklaşımlar elde edilebilecektir.
Numara
Tüp boyu
Atkı hızı
Numara
Tüp boyu
Atkı hızı
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
97
j. Hava Jetli Dokumada İplik Tipinin Atkı Hızına Etkisinin Bulanık Mantıkla
Tespiti (Kodaloğlu, Dayık, Çolak, Kaplan, 2002):Atkı ipliği hızına etki eden giriş
parametreleri bulanık mantıkta en yaygın olarak kullanılan (genellikle en doğru
sonucu veren) üçgen üyelik fonksiyonu seçilerek bulanık hale getirilmiştir. Daha
sonra bulanık mantık kural tabanı belirlenerek ve bu kurallara dayanarak Suggeno
veya Mamdami yöntemlerinin herhangi birisiyle "Bulanık karar verme işlemi"
gerçekleştirilmiştir. Elde edilen bulanık değerlerin bir bulanık küme işlemi
sonucunda kümenin tek sayı haline dönüştürülmesi gereklidir. Bu işlem
bulanıklaştırma işleminin tersi olan durulaştırma işlemi ile yapılır. Durulaştırma için
fuzzy sistemlerde yedi değişik çözüm metodu önerilmektedir. Fuzzy'de önerilen
çözüm yöntemlerin, en büyük üyelik ilkesi, sentroit yöntemi, ağırlıklı ortalama
yöntemi, ortalama en büyük üyelik yöntemi, en büyük alanın merkezi yöntemi,
toplamların merkezi yöntemi, en büyük ilk veya son üyelik derecesi yöntemleridir.
Ağırlıklı ortalama metodu seçilmiştir.
İplik hızının bulanık mantıkla tespiti için önemli rol oynayan iplik numarası,
tüp boyu giriş değişkenleri ve iplik hızı çıkış parametreleri olarak seçilmiştir. İplik
hızının belirlenmesinde etkili olan iplik numarası ve tüp boyu değişkenlerin üyelik
fonksiyon sayıları ve ayak genişlikleri deneysel çalışmalardan elde edilen veriler ve
uzman kişilerin görüşlerinden yararlanılarak seçilmiştir.
Çıkış değişkeni olarak seçilen atkı hızının tüp boyunca tüm özelliklerinin
detaylı incelenebilmesi için deneysel sonuçlardan elde edilen değerler ve literatür
bilgilerinden faydalanılarak 50 üyelik fonksiyonu ve bunların ayak genişlikleri
seçilmiştir.
Belirlenen üyelik fonksiyonlarının birbirleri arasındaki ilişkinin sonuca olan
etkisi anlaşılabilmesi için kural tabanının oluşturulması gerekmektedir.
Bu çalışmada iplik hızına etki eden özelliklerden en önemlilerinden olan iplik
tipi (open end, ring) ve atkı ipliği numarasının tüp boyunca atkı ipliği hızına etkisi ve
atkı ipliği hızındaki değişim bulanık mantık yardımı ile çözülmüştür ve ortalama atkı
ipliği hızı açısından OE ipliklerinin ring ipliklerine göre daha iyi performans
gösterdikleri görülmüştür.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
98
k. Kumaş Mukavemeti Değişiminin Uzman Sistemle İncelenmesi, (Telli,
Kodaloğlu, 2003):Mukavemet değişiminin bulanık mantıkla çözümü için önemli rol
oynayan iplik numarası, kumaş eni giriş değişkenleri; mukavemet kaybı çıkış
parametreleri olarak seçilmiştir. Problemin çözümünde kullanılan bulanık mantık
yöntemi Şekil 1.46’da verilmiştir.
Şekil 2.3. Kumaş mukavemeti değişimi için oluşturulan bulanık mantık yöntemi
Mukavemet kaybının belirlenmesinde etkili olan iplik numarası ve kumaş eni
değişkenlerin üyelik fonksiyon sayıları ve ayak genişlikleri her iplik tipi için
deneysel çalışmalardan elde edilen veriler ve uzman kişilerin görüşlerinden
yararlanılarak seçilmiştir. Burada giriş üyelik fonksiyonlarımız olan iplik numarası
altı, kumaş enimiz yirmi ayak aralığında seçilmiştir. Çıkış fonksiyonumuz olan
mukavemet değeri ise kırk iki ayak aralığında belirlenmiştir. Belirlenen üyelik
fonksiyonlarının birbirleri arasındaki ilişkinin sonuca olan etkisinin anlaşılabilmesi
için 1800 kural tabanı oluşturulmuştur.
Sonuç olarak; iplik tipi (open-end, ring) ile dokuma makinesinde atkı ipliği
büküm kaybı ile dokuma eni boyunca kumaş mukavemetinin nasıl değiştiğini göste-
rerek gerçek denemelere geçiş yapmadan önce, malzeme ve zaman tasarrufu
yönünden verilen bir atkı ipliği için atkının güvenilir bir şekilde taşınmasını gerçek-
leştirecek makine parametrelerini tespit etmeye yardımcı olacaktır. Bu sayede verilen
şartlar altında atkının davranışını izlemek suretiyle üretilen kumaş kalitesi
optimizasyonu açısından iyi sonuç verecek yaklaşımlar elde edilebilecektir.
İplik numarası
Kumaş Eni Mukavemet Kaybı
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
99
l. Bulanık mantık kullanılarak şönil ipliklerin büzülme davranışlarının tahmin
edilmesi ve değerlendirilmesi (Çeven, Özdemir 2007).:Bu çalışmada bulanık mantık
kullanılarak iplik parametrelerinin şönil ipliklerinin kaynama-büzülme davranışı
belirlenecektir. Şönil iplikleri farklı iplik numarası (Nm), pile uzunluğu ve büküm
parametreleri ile şönil makinesinde üretilir. Bu ipliklerin üretiminde merkezde
kullanılan iplik akrilik, pile ipliği ise viskozdur. Şönil ipliklerinin kaynayan suda
büzülmesi laboratuar test metotları ile ölçülür. Deney verileri bulanık mantık
modelini ve temel prensipleri oluşturmak için kullanılır.
Girdi verileri olan iplik numarası (Nm), pile uzunluğu ve büküm
parametreleri üyelik fonksiyonları Mamdani metoduna göre işlenerek çıktı verisi
iplik büzülme üyelik fonksiyonu elde edilir. Üyelik fonksiyonu oluşturulurken
uzman bilgisi ve deneysel veriler kullanılmıştır. İplik numarası (Nm) için 2 adet
(4,6), pile uzunluğu için 2 adet(0.7, 1), büküm miktarı için 2 adet(700, 850) derece
bulunmaktadır. Şönil iplik büzülme üyelik derecesi ise 8 adettir.
Bulanık kural tabanı yine uzman bilgisi ile oluşturulur. Örneğin;
Eğer (Nm 4) ve (pile uzunluğu 0.7) ve (büküm miktarı 700) ise büzülme(shrinkage)
%1.2.
Bulanık mantık ve deneylerin sonuçlarının karşılaştırılması sonucunda,
ölçülen değerler ve tahmin edilen değerler arasında doğrusal bir ilişki vardır. Şönil
iplik üretiminin optimizasyon çalışmaları için daha ekonomik bir yol olmuştur.
m. Bulanık Mantık ile Hava Jetli Atkı Atma Sisteminin Hız Kontrolü (Kayacan,
Dayık, Çolak, Kodaoğlu, 2004).:Bu çalışmada hava jetli dokuma tezgâhlarındaki atkı
atma sistemi bulanık mantık kullanılarak kontrol edilmiştir. Tüp boyunca, iplik
özelliklerinin atkı ipliği hızındaki etkisi araştırılmıştır. Hava jetli dokuma
tezgâhlarındaki atkı ipliği hızında, ipliğe doğrudan etkide bulunan iplik numarası
(Nm), büküm katsayı ve tüpün uzunluğu değerindeki değişimi bulanık mantık sistemi
kullanarak belirlenmiştir. Deneysel veriler ve uzman kişi bilgisi bulanık mantık
modellemenin kurulmasında ve temel kuralların yapılmasında kullanılmıştır.
Çalışmada Open-end 0-200 tex aralığında iplik kullanılmıştır ve büküm
miktarı da 2000-3600 aralığındadır. Üyelik dereceleri 5 er adet seçilmiştir. Çıktı
verisi olarak atkı hızına etkisi ise 16 üyelik derecesi atanmıştır.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
100
Sonuç; iplik hızı, büküm katsayısı, iplik numarasına (Nm) ve tüpün
uzunluğuna duruma göre bulanık mantık ile kolaylıkla tespit edilmiştir. İplik hızının
optimizasyonu için deneysel metot yerine bulanık mantık kullanılmasının daha
ekonomik bir yol olabileceğinin mümkün olabileceğine dair pozitif sonuçlar elde
edilmiştir.
n. Tefeleme İşlemi Süresince Çözgü Tansiyon Çeşitliliğinin Modellenmesinde
Bulanık Mantık Kullanımı (Dayık, Kayacan, Acar, Çalış, 2008).:Bu çalışmada
tefeleme anında çerçevedeki çözgü tansiyonları bulanık mantık sayesinde
belirlenmiştir. Bulanık modelleme, tefelemedeki çözgü ipliği tansiyon çeşitliliğinin
(çıktı değişkeni) en önemli parametresi olan çerçeve yüksekliği, atkı sıklığı ve çözgü
iplik elastikiyeti (girdi değişkenleri) durumlarına göre kurulmuştur. Uzman kişi
bilgisi ve deneylerin sonuçları, üyelik fonksiyonlarının belirlenmesinde ve onların
etkili parametreler arasındaki kural ilişkisinin belirlenmesinde kullanılmıştır. Girdi
üyelik fonksiyonları Çizelge 1.11 gösterildiği gibi 5 eşit aralıkta alınmıştır.
Çizelge 2.2. Üyelik fonksiyonları ve dereceleri Değişkenler Üyelik Fonksiyon Dereceleri Aralık Girdi Çerçeve
Yüksekliği
Çok
Düşük
Düşük Normal Yüksek Çok
Yüksek
25-75 mm
Atkı Sıklığı Çok
Düşük
Düşük Normal Yüksek Çok
Yüksek
0-60
adet/cm
Çözgü
Elastikiyeti
Çok
Düşük
Düşük Normal Yüksek Çok
Yüksek
% 0-20
Çıktı Çözgü
Tansiyonu
Çok
Düşük
Düşük Normal Yüksek Çok
Yüksek
25-65 cN
Kural tabanı ise uzman kişi bilgisi ve deneylerin sonuçlarından faydalanılarak
yapılmıştır. Birkaç kural taban verisi;
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Çok Düşük ve
Elastikiyet Çok Düşük ise Çözgü Tansiyonu Çok Düşüktür.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
101
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Çok Düşük ve
Elastikiyet Çok Düşük ise Çözgü Tansiyonu Düşüktür.
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Çok Düşük ve
Elastikiyet Düşük ise Çözgü Tansiyonu Çok Düşüktür.
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Çok Düşük ve
Elastikiyet Düşük ise Çözgü Tansiyonu Düşüktür.
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Çok Düşük ve
Elastikiyet Normal ise Çözgü Tansiyonu Çok Düşüktür.
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Çok Düşük ve
Elastikiyet Normal ise Çözgü Tansiyonu Düşüktür.
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Çok Düşük ve
Elastikiyet Yüksek ise Çözgü Tansiyonu Çok Düşüktür.
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Çok Düşük ve
Elastikiyet Çok Yüksek ise Çözgü Tansiyonu Çok Düşüktür.
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Düşük ve Elastikiyet
Çok Düşük ise Çözgü Tansiyonu Düşüktür.
• Eğer Çerçeve Yüksekliği Çok Düşük ve Atkı Sıklığı Düşük ve Elastikiyet
Düşük ise Çözgü Tansiyonu Düşüktür.
Sonuç olarak, tefeleme esnasındaki çerçeve yüksekliğinin, atkı sıklığının ve
çözgü elastikiyetinin etkileri bulanık mantık ile tespit edilmiştir. Çalışma sonucunda
çerçeve yüksekliği çözgü tansiyonunu etkileyen en önemli girdi değeri olurken, atkı
sıklığı en az etkileyen girdi değeri olmuştur.
Deneysel metotta 31.478 olan girdilerin etki değeri bulanık mantık da 32.017
olarak tespit edilmiştir. Yine deneysel yöntemde 7.55 olan SD değeri, bulanık mantık
da 6.63 ve T değeri ise deneysel yöntem de 3.522 iken bulanık mantık da 3.337
olarak tespit edilmiştir.
Bu çalışmada bulanık mantık yönteminin klasik yöntemin yerine
kullanılabileceği görülmüştür. Sonuca çok daha kısa sürede ulaşılmıştır. Aynı
zamanda eğer üyelik fonksiyonları, aralıkları, kural tabanları ve gerekli ayarlamalar
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
102
yapılırsa bulanık mantık yöntemi bütün tezgâhta kullanılabilir. Böylelikle işlem
optimizasyonu sağlanabilir.
2.3.Bulanık Proses Kontrol Tabloları Uygulamaları İle İlgili Yapılan Çalışmalar
El-Shal S.M. and Morris S.A. (2000), makalelerinde bulanık mantık kullanım
potansiyelinin istatistiksel proses kontrol üzerindeki performansını artırmaya
çalışmışlardır. Parametrelerin takibinde standart sapmanın, kümülatif toplamın,
yanlış alarm ile gerçek hataların ayırt edilmesi ve kalite çözümlerinin
geliştirilmesiyle çözüm yolu aramışlardır. %0,3 lük bir yanlış alarm payı olan
sistemin tasarlanan bulanık uzman sistem ile kontrol edildiği anlatılmaktadır.
Bulut E. G. (2007) çalışmasında ISO/TS 16949 Otomotiv Kalite Yönetim
Sistemi yolculuğu anlatılmış, İPK uygulaması örneği verilmiştir. Aytaç E. (2006)
kontrol şemalarının kullanımı ve gelişimi ardındaki temel düşünce ve prensipler
açığa çıkararak; bulanık kalite kontrol şemaları ile birleştirilmiştir. Çimen Ö. (2008)
orman işletmesinde bulanık kontrol tablolarını kullanarak sistemin kontrol altında
tutmaya çalışmıştır. Harris J. (2006), İstatistiksel proses kontrol ile bulanık otomatik
kontrolün işbirliğine değinerek örnekler ile çalışmasını desteklemiştir.
Rowlands and Wang (1999 ve 2000), süreçteki özel durumları, kontrol
grafiklerinde kullanılan özel durumlardan beş tanesini inceleyerek tespit etmeye
çalışmış ve bulanık mantık modeli geliştirmiştir. Kontrol grafikleri ile bulanık
kontrol grafikleri arasındaki yakın ilişkiye dikkat çekmiştir. Üyelik fonksiyonları,
kontrol grafiklerindeki ±3σ ve dışarıda kalan alanları temsil edecek şekilde
oluşturulmuştur.
Kaya İ., Gözen Ş. ve Engin O. (2004), veri analizi, tahmin, yorumlama, hata
teşhisi gibi pek çok kalite kontrol problemi için uzman sistemlerin kullanımından
bahsetmiş ve uzman sistemlerle birlikte kalite kontrol faaliyetlerinin daha etkin
şekilde uygulanmakta olduğunu ve kontrol süreleri minimize edilebileceğini ifade
etmişlerdir.
Gülbay M. (2006), bulanık kümeler teorisi kullanılarak belirsizlik içeren
dilsel verilerle kontrol diyagramlarına yeni yaklaşımlar geliştirmiştir. Çalışmada
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
103
belirsizlik içeren dilsel veriler, bulanık sayılarla ifade edilmiştir. Dilsel veriler için
bulanık kontrol diyagramları α-kesim yaklaşımı kullanılarak geliştirilmiş ve bu
suretle muayene sıklığı tanımlanmıştır. Bu çalışmalar için İPK ve kontrol tablosu
hakkında bilgi verilmiş, bulanık kontrol tablosu oluşturulmuş ve uygulama ile
sonuçlar değerlendirilmiştir.
Nasi J. ve Sorsa A. (2004), gerçek zamanlı gereksiz alarmlar, sensor verileri
ve analitik ölçümlerin kombinasyonları için uygun metot tahmini ve doğruluğunu
geliştirmek üzerine yapılan bir çalışmadır. Çalışmada proses kontrol tekniklerinden
kontrol tablosundan ve ÜKL-AKL hesaplamalarından, bu limitlerin standart sapma
üzerinde bulanık olarak kullanılmasından bahsedilmiştir.
2.ÖNCEKİ ÇALIŞMALAR Utkay DÖNMEZ
104
3.MATERYAL VE METOD Utkay DÖNMEZ
105
3. MATERYAL VE METOD
3.1. Materyal
Çalışmanın materyalini, Marteks (Maraş Tekstil Sanayi) A.Ş. iplik
fabrikasında üretimi yapılan Ne 30 ring sisteminde üretilen karde pamuk ipliği
oluşturmuştur.
Çalışma için Ne 30 ipliğin numara ölçümü yapılmış olup, çalışmada
kullanılacak veriler için işletmedeki 1 nolu ring iplik makinesi seçilmiştir. Numara
ölçümü için seçilen numuneler aynı harmandan üretilen ve bütün üretim prosesleri
aynı olan iplik makinesi üzerinde yapılmıştır. Numune almada 22 adet gözlem anı
seçilmiş ve 5’er adet numune alınmış ve numara ölçümleri yapılmıştır. Toplam 110
adet numune 5 günlük periyotta rasgele zamanlarda elde edilmiştir.
Prosesin yeterliliği sistemin güvenilirliği açısından önemli olduğundan,
toplanan veriler ile öncelikle prosesin yeterlilik analizi incelenmiştir. Arkasından
bulanık çıkarım sistemi ve MATLAB® kullanılarak prosesin kontrolü takip
edilmiştir.
3.2. Metod
3.2.1. Proses Yeterlilik Analizi
Proses yeterliliği, prosesin değişkenliğinin, ürünün toleransına ne oranda
uyduğunun ölçüsüdür veya bir başka tanımlama ile proses performansının tolerans
limitleri ile bağlantısını irdeleyen bir karşılaştırmadır ve yetenek indeksleri ile
açıklanır (Umur, 2000). Süreç yeterliliği, istatistiksel bir ölçüt olup müşteri
beklentilerine (şartname limitleri spesifikasyonlar) göre bir sürecin ne kadar
değişkenlik gösterdiğini özetler. Bu aşamada dikkate alınan parametreler Cp ve Cpk
indisleridir (Durman ve Pakdil, 2005). Cp ve Cpk proses yeterlilik katsayısını
hesaplayarak dağılımın konumu hakkında bilgi sağlar. Prosesin yeterli olması için Cp
ve Cpk ≥1,33 olmalıdır (Bulut, 2007).
3.MATERYAL VE METOD Utkay DÖNMEZ
106
3.2.2. Bulanık Kontrol Tabloları
Kontrol tablolarında bütün verilerin tanımlanan limitlerin altında olması da
prosesin tam olarak kontrol altında olduğunu söylemek için yeterli değildir. Verilerin
kontrol diyagramı üzerindeki bölgelerde normal bir desen sergilemesi gerekmektedir.
Kontrol tabloları üzerinde izlenmesi gereken en önemli hususlardan biride normal
dışı davranışlar testlerdir. Önceden tanımlanmış durumlarda prosesin kontrol dışında
olduğu rahatlıkla söylenebilir (Gülbay ve Kahraman, 2008).
Klasik kontrol yöntemlerinin pratikte birçok olumsuzlukları vardır. Sistem
modelinin yanlış olması durumunda model tabanı kontrol, yetersiz sonuç verecektir.
Hatta modelin kesin doğru olması durumunda bile parametre değerleri kısmen
biliniyor veya değişkense parametreler için uygun tahminler yapılmalıdır. Bunun gibi
tamamlanmamış bilgiye dayanan kontrolör genellikle yeterli sonuç veremeyecektir
(Kuşçu, 2007).
Proses çeşitliliği durumunda bulanık kontrol limitlerinin kullanımı kolaylaşır.
Örneğin verilerin aralık miktarları çok büyük ise gerçek limitler bazen zor
hesaplanır. Uygulamanın gelişmesi kesin ve bulanık limitlerin tanımlanmasını
gerektirir. Geçerli veya geçerli olmayan ölçümlerin belli olmadığı yerlerde kontrol
limiti ve bulanık limitler arasında 1 (bir) bulanık bölge bulunmaktadır. Bu bölgede
değerlerin ağırlığı güvenilir (1) değerden güvenilir olmayana (0) doğru azalmaktadır
(Nasi ve Sorsa, 2004).
Proses kontrol altıda olduğunda, her bir test için hatalı sinyal verme olasılığı
% 0.5 den daha azdır. Nelson’un 8 testinde özellikle ilk dört test rutin olarak kontrol
edilmelidir. Bu testlerden bir veya daha fazla hatalı sinyal verme olasılığı % 1den
daha azdır. 5 ve 6 numaralı testlerdeki hatalı sinyal sayısı %2 ye yükselmektedir
(Rodriguez ve Prabhu, 1997). Eğer bir dizi ardışık veri ortalamanın bir tarafına
düşerse, o zaman belirleyici olduğuna dair bir olasılık mevcuttur. Örneğin, eğer 7
ardışık verinin ortalamanın bir tarafına düşerse bu olasılık % 0.78’dir. Gauss
dağılımına dayanan diğer verilerin olasılıkları da bulunabilir (Harris, 2006).
Nelson’un 8 testi uygulandığında proses kontrol dışında olsa da sistem uyarı
vermeyebilmektedir (Rodriguez ve Prabhu, 1997).
3.MATERYAL VE METOD Utkay DÖNMEZ
107
Literatürde kesin olmayan insan düşünce tarzını kavramaya ilişkin çok az
sayıda bulanık kontrol tabloları üzerine çalışma vardır. İnsan kalite karakteristiklerini
belirlemede önemli rol oynadığından beri klasik kontrol tabloları, kesin bilgilere
ihtiyaç duyduğundan dolayı tablolar uygulanamayabilirler. Klasik kontrol
tablolarında kanı prosesin kontrol altında ve kontrol dışında olması durumunda 2
sonuç verirken, bulanık kontrol tabloları birkaç aralıkta karar verebilir. İstatistiksel
veri düşünüldüğünde, kesin olmayan veya belirsiz veya tamamlanmayan (devam
eden) proses ile ilgili bilgilerde veya insan düşüncesi müdahil olduğunda bulanık
kontrol tablolarının kullanımı kaçınılmaz olmaktadır. Geleneksel Shewhart kontrol
tabloları ve bulanık kontrol tablolarının karşılaştırıldığı Çizelge 3.1. aşağıdaki gibidir
(Gülbay ve Kahraman, 2007).
Nelson’un 8 testi bugün hala oldukça fazla kabul görmektedir. Bu çalışmada
proses kontrolde ortaya çıkan hatalı sinyalleri bulanık mantık yaklaşımı kullanarak
en az seviyeye indirilmeye ve ortadan kaldırmaya çalışılmıştır.
3.MATERYAL VE METOD Utkay DÖNMEZ
108
Çizelge 3.1. Geleneksel Shewhart kontrol tabloları ve bulanık kontrol tablolarının karşılaştırılması (Gülbay ve Kahraman, 2007)
Parametre Shewhart Kontrol Tablosu Bulanık Kontrol Tablosu Kalite karakteristiklerinin sayısı
Tek bir kalite parametresi Çok sayıda kalite parametresi
İstatistiksel verinin tipi ve uygunluğu
Tamamen gerekli ve kesin bilgiler
Kesin olmayan, belirsiz ve tamamlanmayan proses bilgileri
Bilgilerin temeli Geçmişe dönük veriler Uzman deneyimlerinin kuralları
Sonuç Kontrol altında/dışında Kontrol altında/dışında ve bu değerler arasındaki dilsel aralıklar
Avantajları 1. Tek bir kalite parametresindeki kullanımın kolaylığı 2. Çok objektif (tarafsız) karar vermesi
1. Üyelik fonksiyonlarının derecelerinde uzmanın deneyimlerinden oluşan kurallar ile çok daha kesin kontrol standartları sağlaması 2. Bulanık kuralların belirlenmesi çok daha esnek
Dezavantajları 1. Esnek olmayan kontrol limitleri 2. Örneklem boyutunun kontrol limitlerini etkilemesi 3. Geçmişe dönük verileri gözlemlerin resmi kontrol limitleri olmasını gerektirir.
1. Ara yüz çıktı biriminin, uzman deneyimlerinin kuralları tarafından belirlenmesi 2. Geleneksel kontrol tablolarının tamamlayıcı kurallarının (sistematik değişimler için) uygulanamayışı
3.2.3. MATLAB® Bulanık Mantık Araç Kutusu
MATLAB® (MATrix LABoratory) ilke defa 1985’de C.B. Moler tarafından
matematik ve özellikle de matris esaslı matematik ortamında kullanılmak üzere
geliştirilmiş etkileşimli bir paket programlama dilidir. Çalışmada MATLAB®’ın
tercih edilmesinin sebebi, sayısal hesaplamalar, grafiksel programlamalar ve
simulasyon uygulamaları için geliştirilmiş türdeşlerine göre özel ve üstün bir dil
olmasıdır. MATLAB® ayrıca kolay program yazılımı ve ileri seviyede grafik
özellikler de sağlamaktadır. Hazır fonksiyon dosyaları yardımı ile diğer programlama
3.MATERYAL VE METOD Utkay DÖNMEZ
109
dilleriyle satırlarca tutan programlar, MATLAB® programcılığı yolu ile sadece
birkaç satırla hazırlanabilir. MATLAB® ın bir ana paket program yanında, bunun ile
birlikte kullanılan uygulama alanına özel, ek bir ödeme ile ayrıca temin edilebilen
araç kutularını (toolbox) içermesi tercih edilmesini bir kat daha arttırmaktadır
(Öztürk, 2000). Bu araç kutularından birisi de bulanık mantık araç kutusudur.
Bulanık Mantık Araç Kutusu, MATLAB® nümerik bilgisayar ortamında
oluşturulan fonksiyonların bir toplamıdır. Kullanıcıya MATLAB® çerçevesinde
bulanık mantık sistemleri yaratma ve düzeltme araçları sağlar. Çeşitli fonksiyonları,
birkaç model uygulamak ve sonuçlarını karşılaştırmak ve analiz etmek için
kullanılabilir (Wang ve Rownlands, 1999). Bulanık mantık araç (Fuzzy logic tool
box) menüsü ile girdi ve çıktı üyelik fonksiyonlarının oluşturulması ve bunların
grafiksel olarak sunulması, bulanık kuralların programa girilerek sistemin
çalıştırılması işlemlerini sağlayan, kullanımı kolay bir programdır. MATLAB®’ın
sahip olduğu özellikler ile yapılan sistemin simülasyonu oluşturulabilir veya C
programı ile hayata geçirilebilir (Fuzzy Logic Toolbox ™ User’s Guide, 2010).
Çalışmada avantajları ve kullanım kolaylığından ötürü bulanık mantık araç kutusu
kullanılmıştır.
3.2.4. Bulanık Kontrol Tabloları Ve MATLAB® Programı
Çalışmada bulanık mantık sisteminden yola çıkılarak hazırlanan bulanık
mantık editörü ile kural tablosunda kurallar tanımlanacak, bulanıklaştırma işlemleri
ile durulaştırma işlemleri tanımlanacaktır. Etüdü yapılan verilerin klasik kontrol
tabloları ile elde edilen veriler ile girdi ve çıktı birimleri hazırlanacaktır.
Girdi ve çıktı üyelik fonksiyonları hesaplamaları ve üyelik adım aralıkları,
üyelik fonksiyonları sınırlarında aynı değerler kullanılacaktır.
Bulanık kural tabanı hazırlanırken Nelson’ın 8’li kuralının ilk 5’i
tanımlanacaktır. Matlab® kural tabanında kurallar girilirken bazı hesaplamalar
yapılabilmektedir. Nelson’ın ilk 5 kuralları içerisinde yer alan büyük (>), küçük (<),
büyük eşit (≥) ve küçük eşit (≤) matematiksel işlemleri kural tabanında
tanımlanamamakta olduğundan Matlab® programında kod atayarak bu işlemleri
3.MATERYAL VE METOD Utkay DÖNMEZ
110
tanımlanacaktır. Bu sebeple Matlab® programında sistemin çalıştırılabilmesi için
bulanık mantık sistemine dışarıdan müdahale edilecektir. Şekil 3.1’de sistemin
tasarımı gösterilmiştir. Şekil 3.1. Tasarlanan bulanık sistemin çalışma prensibi
Şekil 3.1’ü tanımlayacak olursak; veri sisteme girdiğinde ilk önce 28-32 iplik
numara sınırlamasını kontrol edilecektir. Sınırlar dâhilinde ise bulanıklaştırma
işlemine gönderir, sonraki işlem ise kural tabanında işlem yapmaktır. Hem Matlab®
bulanık çıkarım sistemine hem de bulanık çıkarım sisteminde tanımlanamayan
kurallar için Matlab® bulanık denetleyici/programlamaya başvuracaktır. Sistem
bulanık hesaplamalardan sonra durulaştırma işlemine başvuracak ve sonucu Matlab®
bulanık denetleyici/programlamaya bildirecektir. Matlab® bulanık
denetleyici/programlama ise hangi veri ne derece kontrol altında veya kontrol dışında
sonucu bildirecektir.
Şekil 3.1’de Matlab® bulanık denetleyici/programlama ile sistem tamamen
kontrol edilmektedir. Matlab® sadece kural tabanı oluşturmada sisteme destek
vermemekte ayrıca sadece 28-32 arasındaki sayısal değerlerin kontrolünün
yapılmasını sağlamakta ve bu sebeple sistemden sınırlama yapması istenmektedir.
Standart sapmanın hesaplamalar üzerindeki etkisinin oldukça fazladır. Ne 30 iplik
Bulanık Kural Tabanı ve Veri Tabanı
Durulaştırma Bulanıklaştırma
Matlab® Bulanık Denetleyici/Programlama
Veri Girişi Çıktı/Sonuç
3.MATERYAL VE METOD Utkay DÖNMEZ
111
kontrolünde 28-32 sayısal limitlerin dışında girilen her veri üyelik adımları ile ±3σ
limitlerin hesaplanmasında hatalara sebep vermektedir.
Matlab® bulanık denetleyici/programlama 4 dosyadan oluşmaktadır. Birincisi
sınırlamanın yapıldığı, hesaplamaların diğer dosyalardan istendiği kurallar ve
programın çalıştırılması işlemlerinin yapıldığı ana dosyadır. İkincisi sistemdeki
bireysel verilerin hesaplamalarının ve kontrolünün yapıldığı dosyadır. Tasarlanan
sistem modüler olduğundan üçüncü dosya, üyelik adım aralıklarının hesaplanması
gibi işlemlerin yapıldığı dosyadır. Tasarlanan programın çalıştırılabilmesi için
verilerin girilip kaydedilmesi gerekmektedir. Son dosya ise verilerin kaydedildiği
dosyadır. Tasarlanan matlab bulanık denetleyici, açıklayıcı ifadeler ile Şekil 3.2 de
verilmiştir. Burada görülen tüm dosyaların içeriği Ek-1, Ek-2, Ek-3, Ek-4 ve Ek-5’de
verilmiştir.
Şekil 3.2. MATLAB® programında hazırlanan bulanık denetleyici
3.2.4.1. Bulanık Çıkarım Sistemi
Sistemdeki ikinci ve üçüncü dosya Matlab® bulanık mantık araç kutusunda
hazırlanan bulanık sistemi kullanarak ihtiyacı olan hesaplamaları yaparak, bulanık
3.MATERYAL VE METOD Utkay DÖNMEZ
112
denetleyici sisteminin çalışmasını sağlamaktadır. Matlab® bulanık mantık araç
kutusunda, bulanık çıkarım sistemi oluşturulmaktadır. Bulanık çıkarım sistemi
oluşturulurken girdi ve çıktı üyelik fonksiyonları tespit edilecektir.
3.2.4.2. Üyelik Fonksiyonları
Sistemde kontrol edilen parametre tek bir özelliğin takibi olduğundan girdi
üyelik fonksiyonları ve çıktı üyelik fonksiyonu aynı özelliklere sahiptir. Kural
tabanına girilen kurallar ile en çok 8 ardışık noktanın takibi yapılacağından 8 girdi
üyelik fonksiyonu tasarlanacaktır.
Üyelik fonksiyonları adım aralıkları oluşturulurken kontrol tablolarında sıkça
kullanılan ±A(1σ), ±B(2σ), ±C(3σ) ve ±OUT(DIŞ) limitler seçilecektir.
3.2.4.3. Kural Tabanı
Kontrol tabloları ile proses kontrolü yapılan sistemlerde Nelson’un kuralları
yaygın kullanım alanı bulmuştur. Nelson’un 8 alan kuralının ilk 5’i kural tabanına
uygulanarak, iplik numara prosesinde proses takibi yapılacaktır. Kural tabanı
oluşturulurken bulanıklaştırma ve durulaştırma işlemlerinde faydası olan ve bulanık
mantığın en avantajlı yönü olan dilsel değişkenler kullanılacaktır. Dilsel değişkenler
ile kontrol tablolarında ifade edilen kontrol dışı/kontrol altında sonuç ifadeleri,
pozitif kontrol altında (PKA)/pozitif kontrol dışında (PKD) gibi ifadelerin yanı sıra
yaklaşık pozitif kontrol altında (YPKA)/yaklaşık pozitif kontrol dışında (YPKD) gibi
bulanık sonuçlar verecektedir.
Bulanıklaştırma işlemi için kullanımı basit ve hızlı cevap verebilen Mamdani
(Max-Min) yöntemi kullanılacaktır. Durulaştırma işlemi için ise Sentroid (ağırlık
merkezi) yöntemi kullanılacaktır.
Matlab® bulanık denetleyici/programlama ara yüzünde, birinci programın
çalıştırılması veriler hesaplanacak, sistem değerlendirmelerini yaparak sonuç
sayfasında prosesin ne derece kontrol altında/dışında, dışında ise hangi verinin
kontrol dışında olduğuna dair sonuç verecektir.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
113
4. BULGULAR VE TARTIŞMA
4.1. Proses Yeterlilik Analizi
Marteks iplik fabrikasında sonuçların daha sağlıklı olabilmesi için ölçümler,
aynı harmandan ve aynı makineden üretilen Ne 30 numaradaki ipliklerin, Marteks
laboratuarında Uster Autosorter 4 numara test cihazı ile numaraları kontrol
edilmiştir. Veri toplama işlemi otomatik toplanmayıp elle gerçekleştirilmiştir.
Toplamda 110 ölçüm Çizelge 4.1’de aşağıda şekildeki gibi verilmiştir.
Çizelge 4.1. Numara Ölçüm Örneklemleri S.
NO ÖLÇÜMLER X-
ORTALAMA R-DEĞİŞİM
ARALIĞI X1 X2 X3 X4 X5 1 30,175 30,127 30,035 30,191 30,107 30,127 0,156 2 29,679 30,255 30,526 30,476 30,019 30,191 0,847 3 29,705 30,128 29,701 30,187 30,293 30,003 0,592 4 30,192 29,796 30,132 30,680 30,079 30,176 0,884 5 30,545 30,106 30,117 30,030 29,968 30,153 0,577 6 30,477 30,022 30,374 29,666 30,337 30,175 0,811 7 29,938 30,027 30,138 29,680 29,919 29,940 0,458 8 30,351 29,572 29,862 29,900 30,674 30,072 1,102 9 29,982 29,718 29,830 29,868 29,688 29,817 0,294 10 29,613 29,558 29,681 29,706 30,057 29,723 0,499 11 30,010 29,699 30,157 30,158 30,021 30,009 0,459 12 30,301 29,900 30,237 30,282 30,018 30,148 0,401 13 30,022 30,075 30,187 30,218 29,490 29,998 0,728 14 29,926 30,283 29,860 29,834 29,749 29,930 0,534 15 30,100 30,186 29,894 29,762 29,517 29,892 0,669 16 29,749 30,262 29,509 29,611 29,676 29,761 0,753 17 30,494 30,358 29,749 29,743 29,865 30,042 0,751 18 30,016 29,917 30,167 30,164 30,102 30,073 0,250 19 30,213 30,456 30,172 30,188 30,274 30,261 0,284 20 30,098 29,947 30,252 30,258 29,931 30,097 0,327 21 30,370 30,330 29,963 29,983 30,259 30,181 0,407 22 30,103 30,685 30,116 30,099 30,341 30,269 0,586
Ortalama 30,047 0,562
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
114
Çalışmanın amaçlarından birisi de gelişen teknolojik gelişmeler sayesinde
işletmelerin optimizasyonunu sağlamaktır. Bu doğrultuda proses yeterlilik analizi
için Minitab adlı istatistik programı kullanılmıştır. Programdan alınan bilgiler
aşağıda verilmiştir.
Xort grafiği için;
ML = Xort = 30,0472
σ = √ [∑ (Xi-Xort)2 ] / (n-1) = 0,1532 (3.1)
AKL = Xort – 3σ = 29,5875 (3.2)
ÜKL = Xort + 3σ = 30,5069 (3.3)
R grafiği için;
ML = Rort = 0,562
σ = √ [∑ (Xi-Xort)2 ] / (n-1) = 0,2385 (3.4)
AKL = Rort – 3σ = -0,153 (3.5)
ÜKL = Rort + 3σ = 1,278 (3.6)
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
115
Şekil 4.1. Ölçümleri yapılan örneklemlerin Xort-R Diyagramları
Şekil 4.1’deki diyagramlar incelendiğinde prosesin kontrol altıda olduğu, her
bir değerin limitler dahilinde yer aldığı görülmektedir. İşletme şartları mükemmeli
yakalayabilmek için ayarlanmış, proses bu şekilde kurulmuş ve ürünler müşteri
memnuniyetini sağlamak için proses sürekli kontrol altında tutulmaya
çalışılmaktadır. Şekil 4.2 de proses yeterlilik analizi görülmektedir.
Cpk için arzu edilen min. değer 1 'dir. Proses ortalaması, tolerans aralığı orta
değerinden ne kadar uzaklaşırsa, bunu ortaya çıkaran yetenek indeksi de o kadar
düşer. Cp, verilen bir kalite özelliği için spesifikasyon limitlerini (tolerans limitlerini)
prosesin karşılayabilmesinde yeterli potansiyelin olup olmadığını belirler. Cpk ise,
verilen bir kalite özelliği için, spesifikasyon limitlerine göre prosesin dağılma
aralığının konumlanma mükemmelliğini ölçer.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
116
Şekil 4.2. İşletmenin Proses Yeterlilik Analizi
İşletmenin prosesinin yeterliliği çalışma için çok önemlidir. Proses yeterli
olmayan işletmede yapılan çalışmaların güvenilir sonuçlar vermesi pek gerçekçi
değildir. Şekil 4.2.’de verilen proses yeterlilik analizinde Cp(2,79) > (1,33) prosesin
yeterli olduğunu göstermekte ve Cpk(2,79) > (1,33) ile de prosesin şartname
değerlerini karşıladığı görülmektedir. Netice itibariyle Marteks İplik işletmesi
istatistiksel proses çalışmalarının yapılabilmesi için uygun bir işletmedir.
4.2. Bulanık Çıkarım Sistemi
MATLAB® bulanık çıkarım sistemi (FIS) editörü bir bulanık çıkarım sistemi
hakkındaki genel bilgiyi sergiler. Sistem, aşağıda bulunan Nelson’un 8 testinin ilk 5
alan kurallarını temsil etmek için tasarlanmış 8 girdi değişkeni ve 1 çıktı değişkeni
içermektedir. Bulanık çıkarım sisteminde, girdi ve çıktı üyelik fonksiyonlarının veri
girişleri, karar verme birimi olarak Mamdani yönteminin seçim işlemi, Sentroid
durulaştırma yönteminin seçim işlemi, Nelson’un 8 kuralının ilk 5’inin kural
tabanına girilmesi işlemleri rahatlıkla yapılabilmektedir. Nelson’un 8 kuralı ise
şöyledir;
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
117
Alan Kuralı 1: Kontrol limitlerinin ötesinde yer alan bir tek nokta.
Alan Kuralı 2: A alanındaki ya da ötesindeki herhangi üç (3) ardışık noktanın
ikisinin varlığı.
Alan Kuralı 3: B alanındaki ya da ötesindeki herhangi beş (5) ardışık
noktanın dördünün varlığı.
Alan Kuralı 4: Altı (6) ardışık nokta, sürekli olarak artarsa ya da azalırsa
işlemde sistematik bir eğilimin işareti demektir.
Alan Kuralı 5: Eksen merkezinden doğruca aşağıda ya da yukarda olan sekiz
(8) ya da daha fazla ardışık nokta işlem ortalamasının (X çizelgesindeki) ya da
değişkenliğin (R çizelgesindeki) eksen merkezinden kaydığı anlamına gelir.
Alan Kuralı 6: On dört (14) ardışık nokta çizelgede salınım yaparsa, bu
işlemde sistematik bir devirsel eğilimin olduğuna işarettir.
Alan Kuralı 7: Alan C haricinde eksenin iki tarafından birinde sekiz (8)
ardışık nokta belirdiğinde, bu kontrol dışı bir duruma işarettir.
Alan Kuralı 8: Yalnızca alan C’de on beş (15) ardışık nokta belirdiğinde, bu
kontrol dışı bir duruma işarettir.
Şekil 4.3. 8 girdi ve 1 çıktı üyelik parametrelerinden oluşan Mamdani modeli
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
118
4.2.1. Üyelik Fonksiyonları
Üyelik değerleri 0 ve 1 arasında bir değer alır ve X de dilbilimsel terimler
olarak ±A(1σ), ±B(2σ), ±C(3σ) ve ±OUT(DIŞ) terimlerine dayanan [0,1] aralığını
alır. Üçgensi ve yamuk üyelik fonksiyonu tipi, girdi ve çıktıyı temsil etmek için
kullanılan ortalama değişkenleri temsil etmek için seçilmiştir.
MATLAB® programında hazırlanan programda hesaplamalar için hiçbir
rakamsal veri kullanılmamıştır. Hesaplamaların tümünde formüller kullanılmış,
üyelik adım aralıkları da bu formüller ile bulunmuştur. Çizelge 4.2 de sayısal
değerler ile programda kullanılan hesaplamalar bulunmaktadır.
Şekil 4.4. Sistemde kullanılan bölgeler (sınırlar)
Şekil 4.4’de, “-OUT, -A, -B, -C, C, B, A, OUT” terimleriyle ilgili olan olası
sekiz (8) üyelik adımları gösterilmiştir. Bu değerler kontrol diyagramı alan
kurallarına denk düşmektedir. Çünkü kontrol tablolarının yorumlanmasında ardı
ardına maksimum 8 adet noktanın durumu hakkında çıkarım yapılacak olup ve her
bir nokta kendi başına değerlendirildiği gibi sorunsuz görünüp aslında sistemde
sorun teşkil edebilecek ardışık 8 noktayı da değerlendirecektir. Şekil 4.5 ve Şekil
4.6’da girdi üyelik fonksiyonlarından herhangi birisine ait üyelik adımlarını, sistemin
hassasiyetini arttırmak adına sisteme dahil edilen kayma miktarları görülmektedir.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
119
Şekil 4.5. Üyelik fonksiyonu adımları ve sınır değerleri
Şekil 4.6. Girdi 1. noktanın üyelik fonksiyonu ve sınırları
Bulanık mantıkta bulanıklaştırmak çözüm bulmada sisteme fayda
sağladığından, kayma adını verdiğimiz standart sapmanın %5 lik değerine eşit sayısal
değeri üyelik fonksiyon adım aralıklarına pozitif ve negatif olarak eklenmektedir.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
120
Çizelge 4.2. Üyelik fonksiyonları adım hesaplamaları
Üyelik Sıra Adım Hesaplaması Sayısal Değer
- OUT - ∞ ort-100*sapma 14,7241
1 ort-3.5*sapma 29,5109
3 ort-3*sapma+kayma 29,5952
- A 2 ort-3*sapma-kayma 29,5798
5 ort-2*sapma+kayma 29,7484
- B 4 ort-2*sapma-kayma 29,7331
7 ort-1*sapma+kayma 29,9016
- C 6 ort-1*sapma-kayma 29,8863
10 ort+kayma 30,0548
9 ort 30,0472
+C 8 ort-kayma 30,0395
12 ort+1*sapma+kayma 30,2081
+ B 11 ort+1*sapma-kayma 30,1928
14 ort+2*sapma+kayma 30,3613
+ A 13 ort+2*sapma-kayma 30,3460
16 ort+3*sapma+kayma 30,5145
+ OUT
15 ort+3*sapma-kayma 30,4992
17 ort+3.5*sapma 30,5835 + ∞ ort+100*sapma 45,3703
8 girdi üyelik fonksiyonları, ardışık en fazla 8 girdiyi ilgilendiren alan kuralı
incelendiği için aynı parametrelerden oluşmaktadır. Girdi ve çıktı üyelik
fonksiyonlarının tamamı için üyelik adım aralıkları ve sınırları aynı değerlerden
oluşmaktadır. Her bulanık kümenin üyelik fonksiyonu ölçülen verilerden
oluşturulmuştur. Bu sebeple tüm üyelik fonksiyonlarından gelebilecek mümkün
değerler tespit edilebilmiştir.
Çıktı üyelik fonksiyonları MATLAB® programında kodlama yapılarak
modüler bir sistem tanımlanmış ve hesaplamaların kendisi yapması sağlanmıştır. Bu
sebeple ölçümü yapılan değerler sisteme yüklendiği vakit MATLAB® da kurulu
sistem ±1σ, ±2σ ve ±3σ limitlerini hesaplayarak üyelik adım aralıkları olarak ±A,
±B, ±C ve ±OUT parametrelerini belirlemiş olacaktır. Bu sistem sayesinde 30 Ne
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
121
iplik proses kontrolü için düşünülen sistem herhangi bir parametre için tekrar bulanık
çıkarım sistemi kurmadan farklı iplik numara takibi hatta farklı herhangi bir
parametre takibinde kullanılabilir haline getirilmiştir.
Şekil 4.7. Çıktı üyelik fonksiyonu
Şekil 4.7’de görülen ve çıktı üyelik fonksiyonunda kullanılan NKD, NYKD,
NYKA, NKA, PKA, YPKA, YPKD ve PKD üyelik adımları sözel manada anlaşılır
maksatlı kullanılmıştır. Karşılıkları ±A(1σ), ±B(2σ), ±C(3σ) ve ±OUT(DIŞ) olarak
bilinmekte ve Çizelge 4.3. de gösterilmiştir.
Çizelge 4.3. Çıktı üyelik fonksiyonunda kullanılan kısaltmalar ve anlamları
Kısaltma Anlamı NKD Negatif Kontrol Dışı (-OUT) YNKD Yaklaşık Negatif Kontrol Dışı(-A) YNKA Yaklaşık Negatif Kontrol Altında (-B) NKA Negatif Kontrol Altında (-C) PKA Pozitif Kontrol Altında (+C) YPKA Yaklaşık Pozitif Kontrol Altında (+B) YPKD Yaklaşık Pozitif Kontrol Dışında (+A) PKD Pozitif Kontrol Dışında (+OUT)
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
122
4.2.2. Bulanık Kural Tabanı
Bulanık kural tabanı sistemin davranışını tanımlayan kural listesini
oluşturmak için kullanılır. Veri tabanındaki girdi değerleri ile çıktı değerlerini
birbirine mantıksal Eğer-İse türünde kurallarla bağlayarak oluşturulan kural tabanı,
sistemin kalbidir. 8 alan kuralı tanımlanan Nelson’un kurallarının ilk 5 bu çalışmada
uygulanarak, iplik numara prosesinde bulanık kontrol çalışması yapılmıştır. İlk 5
kural dan kontrol dışı unsurlardan 11 temel kural ve türevleri oluşturulmuştur. Şekil
4.8’de MATLAB® ortamındaki kural tabanı görülmektedir.
1. Eğer nokta 1 ±OUT ise, durum PKD/NKD’dir (alan kuralı 1);
2. Eğer nokta 1 ±A ve nokta 2 ±A ise, durum PYKD/NYKD dir (alan kuralı 2);
3. Eğer nokta 1 ±A ve nokta 3 ±A ise, durum PYKD/NYKD’dir (alan kuralı 2);
4. Eğer nokta 1 ± B (ya da ± A) ve nokta 2 ± B ve nokta 3 ± B ve nokta 4 ± B ise
durum PYKA/NYKA’dir (alan kuralı 3);
5. Eğer nokta 1 ± B (ya da ± A) ve nokta 3 ± B ve nokta 4 ± B ve nokta 5 ± B ise
durum PYKA/NYKA’dir (alan kuralı 3);
6. Eğer nokta 1 ± B (ya da ± A) ve nokta 2 ± B ve nokta 4 ± B ve nokta 5 ± B ise
durum PYKA/NYKA’dir (alan kuralı 3);
7. Eğer nokta 1 ± B (ya da ± A) ve nokta 2 ± B ve nokta 3 ± B ve nokta 5 ± B ise
durum PYKA/NYKA’dir (alan kuralı 3);
8. Eğer nokta 1 A (ya da B) ve nokta 1>nokta 2>...>nokta 6 ise, durum PYKD (ya
da PYKA) olur (alan kuralı 4);
9. Eğer nokta1 –A (ya da –B) ve nokta 1<nokta2<…<nokta 6 ise, durum NYKD
/ya da PYKA) olur (alan kuralı 4);
10. Eğer nokta 1 A (ya da B ya da C) ve nokta 2>=CL ve nokta 3>=CL ve ... ve
nokta 8>=CL ise, durum PYKD (ya da PYKA) olur (alan kuralı 5);
11. Eğer nokta 1 –A (ya da –B ya da –C) ve nokta 2<CL ve nokta 3<CL ve… ve
nokta 8<CL ise, durum NYKD (ya da NYKA ya da NKA) olur (alan kuralı 5).
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
123
Şekil 4.8. Bulanık mantık kural tabanı ve MATLAB® da hazırlanışı
Oluşturulan kurallardan ilk 7 tanesi MATLAB® programında hazırlanan
bulanık denetleyici modellenmiştir. Fakat diğer 4 ü ise MATLAB®da kural yazılarak
sisteme monte edilmiştir. MATLAB® da oluşturulan kodlar sayesinde sisteme monte
edilen diğer 4 kuralın tanımlaması bulanık çıkarım sisteminde büyük, küçük (> ve <),
büyük eşit küçük eşit (≤ ve ≥) işlemlerin yapılamaması sebebiyledir.
Bulanık mantığın avantajlarından biri olan dilsel yaklaşım ile YPKA, YNKD
gibi ifadeler ile alan kuralların temel özelliklerine dayanılarak hazırlanan bulanık
kural tabanında tüm olası kombinasyonlar dikkate alınarak hazırlanmıştır.
Şekil 4.9’da verilen kural görüntüleyici, bulanık çıkarım programının
MATLAB®-tabanlı görüntüleyicisidir. Teşhis etme aracı olarak kullanılır ve hangi
kuralların aktif olduğunu ya da bireysel üyelik fonksiyonu şekillerinin sonuçları nasıl
etkilediğini gösterir.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
124
Şekil 4.9. MATLAB® programının bulanık mantık kural görüntüleyicisi
Çalışmamızda 8 veriye kadar girildiğinde işlem yapabilecek bir sistem
düşünülmüştür. MATLAB® da atanan kodlar sayesinde sistem gelen ilk veriyi
kontrol edecektir. Birinci veriden sonra gelen ilk veriyi birinci, diğerini ise ikinci
kabul edip kural tabanındaki kuralları uygulayacaktır. Sistem 8 veriye kadar kodlar
ile hem tek tek hem de ikili, üçlü, dörtlü, beşli, altılı, yedili ve sekizli olarak kontrol
ederek bir döngü yakalayacak, sisteme ne kadar veri girilirse bu işlemi sonsuza kadar
tekrarlayacaktır. Fakat veriler sisteme gruplar halinde girilmelidir. Tek tek verilerin
girilmesi halinde sistem bu verinin standart sapmasını hesaplayıp, ortalamasını
alacak ve yukarıda bahsedilen kural tabanındaki tek girdili kuralları uygulayacaktır.
4.2.3. Kural tabanına işlenmiş kuralların uygulanması
Günün herhangi bir saati alınan örneklemler sisteme girilmelidir. Sisteme 1
veri bile girilse size hesaplamalar yapacak ve çıktı için en yaklaşık doğruyu
verecektir. Sistem 8 verinin döngüsü üzerine tanımlanmıştır. Bu sayede sistem tam
bir çevrim yapacak ve bütün kuralları uygulamış olacaktır. Aşağıda 8 veri ile
kuralların uygulamasının izahı yapılmaya çalışılmıştır.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
125
8. Veri 7. Veri
6. Veri
5. Veri
4. Veri
3. Veri
2. Veri
1. Veri
Kural 1. X bireysel sorguland ı Kural 1. X bireysel sorguland ı Kural 1. X bireysel sorguland ı
Kural 2-3. X1 X2 X3 den ikisinin A da yer almas ı Kural 1. X bireysel sorguland ı
Kural 2-3. X1 X2 X3 den ikisinin A da yer almas ı Kural 1. X bireysel sorguland ı Kural 2-3. X1 X2 X3 den ikisinin A da yer almas ı Kural 4. X1 X2 X3 X4 sıralaması ile B de yer alması Kural 5. X1 X3 X4 X5 sıralaması ile B de yer alması Kural 6. X1 X2 X4 X5 sıralaması ile B de yer alması
Kural 7. X2 X3 X4 X5 sıralaması ile B de yer alması
Kural 1. X bireysel sorguland ı Kural 2-3. X1 X2 X3 den ikisinin A da yer almas ı Kural 4. X1 X2 X3 X4 sıralaması ile B de yer alması Kural 5. X1 X3 X4 X5 sıralaması ile B de yer alması Kural 6. X1 X2 X4 X5 sıralaması ile B de yer alması
Kural 7. X2 X3 X4 X5 sıralaması ile B de yer alması Kod 1. X1>X2>X3>X4>X5>X6, X1 A yada B Kod 2. X1<X2<X3<X4<X5<X6 X1 –A yada –B
Kural 1. X bireysel sorguland ı Kural 2-3. X1 X2 X3 den ikisinin A da yer almas ı Kural 4. X1 X2 X3 X4 s ıralaması ile B de yer alması Kural 5. X1 X3 X4 X5 s ıralaması ile B de yer alması Kural 6. X1 X2 X4 X5 s ıralaması ile B de yer alması Kural 7. X2 X3 X4 X5 s ıralaması ile B de yer alması
Kod 1. X1>X2>X3>X4>X5>X6, X1 A yada B Kod 2. X1<X2<X3<X4<X5<X6 X1 –A yada –B
Kod 3. X2≥CL, X3≥CL, X4≥CL, X5≥CL, X6≥CL, X7≥CL, X8≥CL, X1 A (or B or C)
Kod 4. X2<CL, X3<CL, X4<CL, X5<CL, X6<CL, X7<CL, X8<CL, X1 –A (or –B or –C)
Kural 1. X bireysel sorguland ı
Kural 2-3. X1 X2 X3 den ikisinin A da yer almas ı Kural 4. X1 X2 X3 X4 s ıralaması ile B de yer alması Kural 5. X1 X3 X4 X5 s ıralaması ile B de yer alması Kural 6. X1 X2 X4 X5 s ıralaması ile B de yer alması Kural 7. X2 X3 X4 X5 s ıralaması ile B de yer alması
Kod 1. X1>X2>X3>X4>X5>X6, X1 A yada B Kod 2. X1<X2<X3<X4<X5<X6 X1 –A yada –B
Kod 3. X2≥CL, X3≥CL, X4≥CL, X5≥CL, X6≥CL, X7≥CL, X8≥CL, X1 A (or B or C)
Kod 4. X2<CL, X3<CL, X4<CL, X5<CL, X6<CL, X7<CL, X8<CL, X1 –A (or –B or –C)
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
126
Sistemin çalışma prensibi, Mamdani yöntemini sistem üzerinden ikinci veya
üçüncü kuralın açıklaması Şekil 4.10 ve Şekil 4.11’daki gibidir. Bulanık çıkarım
sistemi verileri önce bireysel kontrol edecektir. Arkasından sisteme yüklenmiş olan
kuralları çalıştıracaktır. Kurallar az veriden çok veriye doğru, tıpkı kuralların
yükleniş formatındaki gibi kontrol edilecektir. Bu sebepten aynı sekizli (8) veri
içerisinde tek bir kuralın çalışmasına sebep olan veri grubu olabileceği gibi en fazla
iki kuralın çalışabileceği veri grubu olabilir.
Şekil 4.10. Birinci verinin A bölgesinde olması
Şekil 4.11. İkinci veya üçüncü verinin A bölgesinde olması
Şekil 4.12. Mamdani (Max-min) yöntemine belirlenip hesaplanacak (a) ve (b)
üçgenleri
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
127
Şekil 4.12’de göre minimum (min) işlemi sonucu (a) üçgeni seçilecek olup,
durulaştırma işlemi (a) üçgeninde hesaplanacaktır.
Sistem durulaştırması için seçilmiş olan Sentroid (ağırlık merkezi) yöntemi
ile de durulaştırma yapılacaktır. Şekil 4.13’de A bölgesinde bulunan ve Mamdani
yöntemi ile cevap olarak seçilen verinin sentroid durulaştırma yöntemi ile
durulaştırma işlemi görülmektedir.
Şekil 4.13. Sentroid yönteminin uygulanması
Şekil 4.14’de dördüncü kuralın (ardışık 4 verinin B gölgesinde yer alması)
çalıştırılması halinde Mamdani (Max-Min) yönteminin uygulanışını görülmektedir.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
128
Şekil 4.14. Dördüncü kuralın uygulanışının gösterimi
Şekil 4.15’de ardışık 4 verinin B bölgesinde bulunması kuralının sonucunda,
sentroid durulaştırma yöntemi ile durulaştırma işlemi görülmektedir. Mamdani
yöntemine göre kuralın çalışmasına sebep olan en küçük girdi verisi sentroid
yönteminin uygulanması için seçilir. Seçilen birimin ağırlıkların ortalaması işlemi
ile de sonuç ortaya çıkar.
Şekil 4.15. Dördüncü kural örneğine Sentroid yönteminin uygulanması
Durulaştırma işlemi ise eşitlik 1.50 ye göre yapılır.
Z = [0,45 * (29,75+29,60)/2 ] / 0,45
Z = 29,675
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
129
Bu sonuç ile 4 verinin incelenmesi neticesinde Negatif Yaklaşık Kontrol
Altında olduğu görülecektir.
Aynı 8’li grup içerisinde 2 kuralı aynı anda işletecek noktaların çalışma
durumu söz konusu olursa yine Mamdani Şekil 4.16’deki gibi çalışacaktır.
Şekil 4.16. Dördüncü kural ile ikinci kuralın aynı 8li grup içerisindeki veride bulunması durumu
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
130
Şekil 4.17.Dördüncü (***) ve ikinci (**) kurala sentroid yönteminin uygulanması
Sentroid (Ağırlık Merkezi) yöntemine göre durulaştırma işlemi eşitlik 1.50 de
verilen şekilde yapılmaktadır.
Birinci üçgenin ağırlık merkezinin bulunması;
Z1 = 0,45 * (29,75+29,60)/2
= 13,75 İkinci üçgenin ağırlık merkezinin bulunması
Z2 = 0,41 * (29,90+29,73)/2
= 12,22 Ortaya çıkan yamuğun ağırlık merkezinin bulunması
Z = (13,75 + 12,22) / (0,45+0,41)
Z = 30,19
Yukarıdaki örneğin sonucunun çözümlemesi neticesinde Pozitif Kontrol
Altında cevabını verecektir.
Çalışmada Ne 30 iplik üretimi yapan iplik işletmesinin bulanık kontrol
tabloları ile izlenmiş, sistemde kontrol dışı unsurların varlığı takip edilmiştir.
MATLAB® da kodlar ile tamamladığımız bulanık çıkarım sistemine, çalışma için
elde edilen 22 veri girilmiş ve alınan sonuçlardan örnekler Çizelge 4.4. verilmiştir.
Buradan elde edilen tüm sonuçlar Ek-1’de verilmiştir.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
131
Çizelge 4.4. Programa girilen 22 verinin sonuçlarının verildiği tablo örneği. Gelen Yeni Veri : 29.7610 Yeni Verinin Bireysel Sonucu: Yaklaşık Negatif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 29.8170 29.7230 30.0090 30.1480 29.9980 29.9300 29.8920 29.7610 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir ---------------------------------------------------------------------------------------- Gelen Yeni Veri : 30.0420 Yeni Verinin Bireysel Sonucu: Negatif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 29.7230 30.0090 30.1480 29.9980 29.9300 29.8920 29.7610 30.0420 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir ---------------------------------------------------------------------------------------- Gelen Yeni Veri : 30.1810 Yeni Verinin Bireysel Sonucu: Pozitif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 29.9300 29.8920 29.7610 30.0420 30.0730 30.2610 30.0970 30.1810 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir ---------------------------------------------------------------------------------------- Gelen yeni veri : 30.2690 Yeni Verinin Bireysel Sonucu: Yaklaşık Pozitif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 29.8920 29.7610 30.0420 30.0730 30.2610 30.0970 30.1810 30.2690 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir.
a b c d
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
132
Eğer proseste kontrol dışı bir veri bulunursa hazırlanan program bu kez
Çizelge 4.5’deki gibi sonuç tablosu verecektir. Çizelgede uyarı olarak, hazırlanan
programın hangi formül satırında olduğuna dair verileri de verilmektedir.
Çizelge 4.5. Veriler içerisinde kontrol dışı bir veri yakalanırsa sistemin verdiği sonuç
tablosu Warning: Some İnput Values Are Outside Of The Specified İnput Range. > In Evalfis At 76 In Bireysel At 93 In Tlproje At 107 Gelen Yeni Veri: 29.0100 Yeni Verinin Bireysel Sonucu: Negatif Kontrol Dışı İncelenen Veriler: Columns 1 Through 8 29.7610 30.0420 30.0730 30.2610 30.0970 30.1810 30.2690 29.0100 Warning: Some İnput Values Are Outside Of The Specified İnput Range. > In Evalfis At 76 In Tlproje At 170 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir
Çizelge 4.4a incelenirse, bulanık denetleyici/programlamaya girilen yeni veri,
“Gelen Yeni Veri” kısmında görülür. Bu verinin, kontrol sonucu “Yeni Verinin
Bireysel Sonucu” satırında görülür. Yeni verinin yer aldığı 8‘li veri seti, bir alt
satırda görülür. Yeni veri bu değerlerin sonuncusu olarak görülür. Önceki 7 veri
benzer şekilde zaten incelenmiştir. Bu 8’li veri setinin kontrol durumu ise en son
satırda “O Anki Son 8 Verinin Sonucu” olarak görülür. Prosesin kontrol altında olup
olmadığını bu satır ifade eder. Böylece Bulanık Çıkarım Sistemi hem tekil girilen
veriyi hem de 8li veriyi kontrol eder. Çizelge 4.4-a ile 4.4-b ardışık girilen iki verinin
incelenmesini vererek, bulanık denetleyici/programlamaya nasıl çalıştığını
göstermektedir. Çizelge 4.4-c ve 4.4-d farklı kontrol örneklerini göstermektedir.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
133
Çizelge 4.5 ise son verinin kontrol dışında olduğunu gösteren MATLAB®
bulanık denetleyici/programlama çıktısıdır. Bu çıktıda bireysel, inceleme sonunda
son verinin “Negatif Kontrol Dışı” olduğu görülmesine rağmen 8’li incelenen veri
setinde kural tablosunda işlenen kurallar ışığında “Sistemde Kontrol Dışı Durum
Gözlenmemiştir.” sonucunu vermektedir. Kontrol dışı uyarısı “Warning: Some İnput
Values Are Outside Of The Specified İnput Range.” ifadesi ile girdi verisi için
verilen ve hesaplanan değerlerin dışında olduğu ve hangi dosyadaki, hangi satırdaki
formüle uymadığını söyleyecektir. Böylece proses kontrolcü sorunun kaynağını
rahatlıkla tespit edebilmektedir.
Bulanık çıkarım sistemi; veri girildiği an ilk 8’i oluşturan verilerden son
veriyi bireysel olarak kontrol eder, sonra sisteme yüklü olan bütün kuralları
uygulayarak verileri 8’erli kontrol eder ve sonuç verir.
Sistemin MATLAB® üzerinde kurulmasının bir çok avantajı vardır.
Bunlardan biri de sistem kendisine verilen emirleri yerine getirirken ne yaptığını ara
yüzünde göstermesidir. Şekil 4.16’da, Bölüm 3’deki 22 veri girilerek elde edilen
çalışmanın sonucu görülmektedir.
Şekil 4.18. MATLAB® işlem özetlerini gösterir arayüzü
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
134
Şekil 4.18’da MATLAB® programından kodlar vesilesi ile hangi bilgileri
hesaplaması istendiği, kaç veri girildiği ve sonuçları gibi bilgilere ulaşılabilmektedir.
4.2.4. Bulanık Mantık Araç Kutusu Ara Yüzü
Bulanık mantık araç kutusu kuralların hangi durumlarda aktif ya da hangi
durumlarda pasif olduklarını inceleme fırsatı vermektedir. Bulanık mantık araç
kutusu kurallar arasındaki ikili ilişkiyi de ortaya koymaktadır. Şekil 4.19a’ da 1.
üyelik fonksiyonu ile 2. üyelik fonksiyonu arasında ilişkiyi gösterirken Şekil
4.19b’de ise 1. üyelik fonksiyonu ile 8. üyelik fonksiyonu arasındaki ilişkiyi
göstermektedir.
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
135
a)
b)
Şekil 4.19. MATLAB® da kural ara yüzünün gösterimi
4.BULGULAR VE TARTIŞMA Utkay DÖNMEZ
136
Bulanık mantık kural ara yüzü ile kurallar arasındaki ikili ilişki incelemenin
yanı sıra, hangi kuralın daha aktif olduğu, incelenen kuralların hangi değerler
arasında daha aktif olduğu gibi konular da incelenebilmektedir.
5. SONUÇLAR VE ÖNERİLER Utkay DÖNMEZ
137
5. SONUÇLAR VE ÖNERİLER
İşletmeler için çok önemli olan zaman, hatalı ürünü en aza indirme, maliyeti
düşürme gibi rekabet öğelerinde rakiplerine fark yapabilmeleri için istatistiksel
proses kontrolü ve tekniklerinden özellikle kontrol tablolarının kullanımı çok
önemlidir.
Kontrol tabloları, süreçteki bilgiyi kullanır, bu nedenle olması gerekeni değil
olanı kıstas alarak bir sonuca gitmeye çalışır. Bulanık mantık yaklaşımında belirli
bilgilerin bile içerisinde belirsizlik olabileceği inanılmaktadır. Bilinenlerin ışığı
altında bu çalışmada Ne 30 iplik numara varyasyonundaki kontrol dışı durumların
tespit çalışmasında bulanık kontrol tabloları kullanılmış, hazırlanan sistemin sonucu
ve faydaları aşağıda sıralanmıştır.
1. Dünyada istatistiksel kontrol tabloları kuralları içerisinde kabul görmüş
Nelson’un 8 kuralından ilk 5’i (en fazla 8 ardışık noktalı) bulanık çıkarım
sistemine uygulanmıştır. MATLAB® sayesinde kod atayarak bulanık
çıkarım sistemi ile tanımlanamayan kurallar sisteme tanıtılmış ve hazırlanan
sistem sorunsuz çalışmıştır.
2. Sistem istendiği gibi öncelikle ilk girilen veriyi kontrol eder sonra verinin
içinde bulunduğu 8’li sistemi kontrol eder. Ayrıca her iki kontrolün
sonucunu da vermektedir.
3. İplik fabrikasından alınan her biri 5’erli veri içeren 22 örneklem (toplam
110 veri) sisteme veri olarak girilmiş sistem hazırlanan bütün kuralları
çalıştırmış ve verilen hesaplamalar ile sistemin sonucu ‘Sistemde kontrol
dışı durum gözlenmemiştir’ çıkmıştır.
4. Program hatalı ya da kontrol dışı olan veriyi, verilen komutlar ile
hesaplama yaptıktan sonra bütün detayları ile vermektedir. Bu sayede
programı kullanan personel, eski yöntemlerde hangi verinin hatalı ya da
kontrol dışı olduğunu belirlemede harcadığı vakitten daha azını bu sistemde
harcayarak sonuca ulaşmış olacak ve istatistiksel proses kontrollerde
5. SONUÇLAR VE ÖNERİLER Utkay DÖNMEZ
138
yaşadığı zaman darlığını ve kontrollerin sürekliliğindeki sıkıntıları bulanık
kontrol tabloları yardımıyla azaltabilecektir.
5. İstatistiksel proses kontrol tablolarının nadiren de olsa %5 lik bir hata payı
vardır. Sistemde verilen %5’lik standart sapmadaki kayma miktarı ile daha
hassas üyelik fonksiyon adımları ile sistemin istatistiksel proses kontrol
tablolarından kaynaklı yanlış alarm ya da hata miktarını daha da aza
indirilmeye çalışılmış ve sisteme girilen verilerde böyle bir hataya
rastlanmamıştır.
6. Bulanık Xort diyagramında limitler arası, gerçek değerlere oranla, daha
dardır. Özel faktörler mevcut olsa bile klasik kontrol tablolarına nazaran
bulanık kontrol tablolarının prosesin kontrol altında olma durumunda daha
hassas ve daha doğru sonuç verdiği anlaşılmıştır.
7. Hazırlanan sistem modüler olup, hiçbir hesaplama işleminde rakamsal veri
girilmemiştir. Bu sayede istenilen iplik numarasında veriler girildiğinde
sistem kendisine verilen işlemler ile ortalamayı, standart sapmayı, kayma
miktarını, alt kontrol ve üst kontrol limitlerini hesaplayarak her türlü
numaranın kontrolünü yapabilmektedir.
8. Hatta bu sistemin, sadece iplik numara takibi değil dokuma, terbiye,
konfeksiyon kalite parametrelerinin yanı sıra her türlü kontrol takibi için de
kullanılabilir olduğu söylenebilir.
139
KAYNAKLAR
AHMED, N., 2003, Fuzzy Logic Control Using Matlab Part I, Khwarzimic Science
Society at the University of Lahore, Fast-Nuces, Lahore
www.khwarzimic.org
AHMED, N., 2003, Fuzzy Logic Control Using Matlab Part II, Khwarzimic Science
Society at the University of Lahore, April 2003, Fast-Nuces, Lahore
www.khwarzimic.org
AKARSLAN, F., 2007, Dokuma Kumaşların Kuruma Hızı Değerlerinin Bulanık
Mantık Metodu İle Belirlenmesi, Tekstil Teknolojileri Elektronik Dergisi (2)
Sayfa 15–23.
AL-TURKI And ANDIJANI, A., 1997, Quality Control Practices In Saudi Arabia
Survey Result, Production Planing & Control, Vol.8, No8, Sayfa 726-730.
ALTAŞ, İ.H., 1999, Bulanık Mantık: Bulanıklılık Kavramı, Bileşim Yayıncılık,
Enerji, Elektrik, Elektromekanik- 3e, İstanbul, Sayı 62, Syf; 80–85.
ALTUNLİ, Ş., 2009, Çok Değerli (Multivalent) Lojik, Yüzüncü Yıl Üniversitesi,
Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi- 70 sayfa.
ANAGÜN, A.S., 1997, Düşük Hacimli Üretimlerde İstatistiksel Proses Kontrolü:
Kontrol Grafikleri, III. Ulusal Ekonometri ve İstatistik Sempozyumu, Sayfa
271-281.
AYTAÇ, E., 2006, Kalite Kontrolde Bulanık Mantık Yaklaşımı Ve Bir Uygulama,
Pamukkale Üniversitesi, Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi, 249
Sayfa.
BAYHAN, M., KODALOĞLU, M., CENGİZ, Y., KAPLAN, S., 2002, Drum Ve
Loop Sistemlerinde Atkı Hareketlerinin Dinamik Modellenmesi Ve Hızın
Bulanık Mantıkla Kontrolü, Tekstil Maraton, Mart-Nisan (2)
BAYKAL, N. ve BEYAN, T., 2004, Bulanık Mantık Uzman Sistemler Ve
Denetleyiciler, Bıçaklar Kitap Evi Matematik Dizisi No:2.
BAİ, Y. and WANG, D., 2006, Fundamentals of Fuzzy Logic Kontrol-Fuzzy Sets,
Fuzzy Rules and Defuzzifications, Advanced Fuzzy Logic Technologies In
Industrial Applications, Springer.
140
BEK, G.A., 2008, Bir Konfeksiyon İşletmesinde Proses ve Kalite Kontrol, Çukurova
Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 114 Sayfa.
BHATTACHERJEE, A. And SAMANTA, B., 2002, Practical Issue In The
Construction Of Control Charts In Mining Applications, Journal Of The
South African Institute Of Mining And Metallurgy, Sayfa 173-180.
BULUKLU, H.M., 2006, Dokuma İşletmelerinde Proses ve Kalite Kontrol,
Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 117
Sayfa.
BULUT, E.G., 2007, Bir Otomotiv Tedarikçisinde ISO/TS 16949 Otomotiv Kalite
Yönetim Sistemi Spesifikasyonu Kapsamında Yapılan İstatistiksel Proses
Kontrol Ve Bulanık Mantık Çalışmaları, Kocaeli Üniversitesi, Fen Bilimleri
Enstitüsü, Yüksek Lisans Tezi-129 sayfa.
CİVELEKOĞLU, G., 2006, Arıtma Proseslerinin Yapay Zeka Ve Çoklu İstatistiksel
Yöntemler İle Modellenmesi, Süleyman Demirel Üniversitesi, Fen Bilimleri
Enstitüsü, Doktora Tezi-175 sayfa
CHANG, S.I. and ZHANG K., 2007, Statistical Proces Kontrol For Varience Shift
Detection Of Multivariate Autocorrelated Processes, Quality Technology &
Quantitative Management, Vol. 4, No 4, Sayfa 413–435.
ÇEVEN, E.K., ÖZDEMIR Ç., 2007, Using Fuzzy Logic To Evaluate And Predict
Chenille Yarn’s Shrinkage Behaviour, Fibres&Textiles in Eastern Europe,
July/September vol. 15 no.3.
ÇİTLİ, N., 2006, Bulanık Kriterli Karar Verme, Yıldız Teknik Üniversitesi, Fen
Bilimleri Enstitüsü, Yüksek Lisans Tezi, 102 sayfa.
ÇİMEN, Ö., 2008, Kontrol Grafiklerinin Bulanık Mantık ile Yorumlanması,
Eskişehir Osmangazi Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans
Tezi, 120 sayfa.
DAYIK, M., KODALOĞLU M., 2007, Kondisyonlama Şartlarının İplik Rutubetine
Etkisinin Yapay Zeka Yardımıyla Tespiti, Tekstil Teknolojileri Elektronik
Dergisi (2), Sayfa 25-32.
141
DAYIK, M., KAYACAN, M.C., ACER, M., ÇALIŞ, H., 2008, Modeling Of Warp
Tension Variation During Shedding Operation Using Fuzzy Logic, The
Textile Institute, TJTI 2008 vol. 99 no: 6 pp 505-514.
DENİZ, E., 2006, Bulanık Mantık Tabanlı Tahmin Modeli Ve Uygulaması, Muğla
Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi- 97 sayfa.
DOES, R.J.M.M., SCHIPPERS, W.A.J., TRIP, A., 1997, A Fremework For
Implementation Of Statistical Process Control, International Journal Of
Quality Service, Vol. 2, No 3, Sayfa 181-198.
DURMAN, B. M., PAKDİL, F., 2005, İstatistiki Proses Kontrol Uygulamaları İçin
Bir Sistem Tasarımı, VII. Ulusal Ekonometri ve İstatistik Sempozyumu,
Oturum II/ Toplam Kalite Yönetiminde İstatistiksel Yaklaşım.
ELAMVAZUTHI, I., GANESAN, T., VASANT, P., WEBB, J.F., 2009, Application
Of A Fuzzy Programming Technique To Production Planning İn The Textile
Industry IJCSIS- International Journal of Computer Science and Information
Security vol. 6 no. 3.
ELMAS, Ç., 2003, Yapay Zekâ Uygulamaları, Seçkin Yayınları, Ankara.
ELMAS, Ç., 2007, Yapay Zekâ Uygulamaları, Seçkin Yayınları, Ankara.
EL-SHAL, S.M. and MORRİS, A.S., 2000, A Fuzzy Expert System For Fault
Detection In Statistical Proses Control of Industrial Processes, IEEE
Transaction On System. Vol. 30, No.2.
ERDOĞAN, Ö., 2006, İplik Eğirmede Bilgisayarlı Destekli Proses Kontrol,
Çukurova Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi, 96
Sayfa.
ERTUĞRUL, İ., 2007, Bulanık Analitik Hiyerarşi Süreci Ve Bir Tekstil İşletmesinde
Makine Seçim Problemine Uygulanması,. H.Ü. İktisadi Ve İdari Bilimler
Fakültesi Dergisi, Cilt 25, Sayı 1, Sayfa 171–192.
ESENDAL, H., 2007, Eğirdir Gölü Su Seviyesi Mevsimsel Değişiminin Bulanık
Mantık Metoduyla Modellenmesi, Süleyman Demirel Üniversitesi, Fen
Bilimleri Enstitüsü, Yüksek Lisans Tezi- 121 sayfa.
142
GOTTWALD, S., 2005, Mathematical Aspects Of Fuzzy Sets And Fuzzy Logic
Some Reflections After 40 Years, www.elsevier.com/locate/fss, Fuzzy Set
and Systems-156 page 357-364.
GRIFFITHS, D., BUNDER, M., GULATI, C. ve ONZAWA, T., 2010, The
Probability Of An Out Of Control Signal From Nelson’s Supplementary Zig-
Zag Test, Centre For Statistical and Survey Methodology, University of
Wollongong, Working Paper, www.ro.uow.edu.au/cssmwp/61.
GÜLBAY, M., 2006, Fuzzy Process Control And Development Of Some Models For
Fuzzy Control Charts, İstanbul Technical University, Institute Of Science
And Technology, Ph. D. Thesis-117.
GÜLBAY, M., KAHRAMAN, C., 2007, An Alternative Approach To Fuzzy Control
Charts: Direct Fuzzy Approach, ScienceDirect İnformation Sciences 177-
Page 1463-1480.
GÜLBAY, M., KAHRAMAN, C., 2008, Bulanık Konrol Diyagramı Modellerinin
Geliştirilmesi: Direk Bulanık Yaklaşımı, İTÜDERGİSİ/D Mühendislik Cilt:7,
Sayı:2, Sayfa 95-105.
GÜNAY, H., 2006, Bulanık Karar Vermede Birleştirme Operatörleri ve
Uygulamaları, Yıldız Teknik Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek
Lisans Tezi-120 sayfa.
GÜNER, M., İLLEEZ, A.A., ÜNAL, C., 2009, İşletme Fiziksel Koşullarının Bulanık
Mantık Yöntemi Kullanılarak Değerlendirilmesi: Bir Konfeksiyon İşletmesi
Örneği, Tekstil ve Konfeksiyon Dergisi (3)
İBRAHİM, A.M., 2004, Endüstriye Dönük Uygulamalı: Gömülü Sistemlerle Bulanık
Mantık, Çeviren: Nilgün Çervatoğlu, Bileşim Yayınları-205.
IŞIKLI, Ş., 2008, Bulanık Mantık ve Bulanık Teknolojiler, Ankara Üniversitesi Dil
ve Tarih-Coğrafya Fakültesi, Felsefe Bölümü Dergisi,
Cilt:19, Sayı:0, Sayfa105-126.
HARRİS, J., 2006, On The Correlation Of Statistical And Automatic Process
Control, Fuzzy Logic Applications İn Engineering Science, Volume 29 Sayfa
177-195, Springer.
143
HARRİS, T.J. And ROSS, W.H., 1991, Statistical Process Control Procedures For
Correlated Observation, The Canadian Journal Of Chemical Engineering Vol.
69.
http//www.mathworks.com, Fuzzy Logic Toolbox ™ User’s Guide, The MathWorks,
Inc. 2010 (Erişim Tarihi, Eylül 2011).
JERRET, J.E. And PAN, X., 2009, Multivariate Process Control Charts And Their
Use In Monitoring Output Quality: A Perspective, International Journal
Industrial And System Engineering Vol. 4, No 5.
KANE, V.E., 1986, Process Capability Indices, Journal Of Quality Technology,
Vol-18, No 1.
KARADOĞAN, A., BAŞÇETİN, A., KAHRİMAN, A. ve GÖRGÜN, S., 2001,
Bulanık Küme Teorisinin Yer Altı Üretim Yöntemi Seçiminde
Kullanılabilirliği, Türkiye 17. Uluslar Arası Madencilik Kongresi Ve Sergisi-
Tumaks.
KARAKAŞOĞLU, N., 2008, Bulanık Çok Kriterli Karar Verme Yöntemleri Ve
Uygulaması, , Pamukkale Üniversitesi Sosyal Bilimler Enstitüsü, Yüksek
Lisans Tezi- 262 sayfa.
KAYA, İ., GÖZEN, Ş. ve ENGİN, O., 2004, Kalite Kontrol Problemlerinin
Çözümünde Uzman Sistemlerinin Kullanımı, Havacılık Ve Uzay
Teknolojileri Dergisi, Cilt 1, Sayı 4, Sayfa 87–101.
KAYACAN, M.C., ÇELİK, Ş.A. ve SALMAN, Ö., 2003, Tornalama İşlemlerinde
Kesici Takım Aşınmasının Bulanık Mantık İle Modellenmesi 26–27 Eylül
2003, 2. Makine Tasarımı Ve İmalat Teknolojileri Kongresi-Konya.
KAYACAN, M.C., DAYIK, M., ÇOLAK, O., KODALOĞLU, M., 2004, Velocity
Control of Weft İnsertion On Air Jet Looms by Fuzzy Logic, Fibres&Textiles
in Eastern Europe, July/October, vol. 12 no.3.
KODALOĞLU, M., DAYIK, M., ÇOLAK, O., KAPLAN, S., 2002, Hava Jetli
Dokumada İplik Tipinin Atkı Hızına Etkisinin Bulanık Mantıkla Tespiti,
Tekstil Maraton Mayıs-Haziran.
KOKSA, B., 1993, Fuzzy Thinking: The New Science of Fuzzy Logic, New York,
Hyperion.
144
KUŞÇU, D., 2007, Karar Verme Süreçlerinde Bulanık Mantık Yaklaşımı, Marmara
Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi- 117 sayfa.
KÜÇÜKSİLLE, E.U., 2002, Servo Motorların Bulanık Mantık İle Kontrolü,
Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi-
106 sayfa.
LEE, C.C., 1990, Fuzzy Logic in Control Systems: Fuzzy Logic Controller-Part I
IEEE Transactions On Systems, Man, and Cybernetics vol. 20, no.2 March-
April.
LİN, C.T. ve LEE, C.S.G. 1991, Neural-Network-Based Fuzzy Logic Control And
Decision System, IEEE Transactions On Compiters, Vol. 40 No.12
December.
MENDEL, J.M., 1995, Fuzzy Logic Systems for Engineering: A Tutorial, 0018-
0219/95 Fellow, IEEE.
MURAT, Y.Ş., 2006, Sinyalize Kavşaklardaki Taştı Gecikmelerinin Bulanık Mantık
İle Modellenmesi, , İMO Teknik Dergi, Sayfa 3903–3916, Yazı 258.
MURAT, Y.Ş. ve ULUDAĞ, N., 2008, Bulanık Mantık Ve Lojistik Regrasyon
Yöntemleri İle Ulaşım Ağlarında Geçki Seçim Davranışlarının
Modellenmesi, İMO Teknik Dergi, Sayfa 4363–4379, Yazı 288.
MONTGOMERY, D.C., KEATS, J.B., RUNGER, G.C. And MESSİNA, W.S.,
1994, Integrating Statistical Process Control And Engineering Process
Control, Journal Of Quality Technology, Vol. 26, No 2.
MONTGOMERY, D.C., 1999, Experimental Desing For Product And Process
Desing And Development, The Statisticion 48, Part 2, Sayfa 159-177.
MONTGOMERY, D.C., 2005, Introduction To Statistical Quality Control, 5ht.
Edition, John Wiley & Sons Inc. USA.
NASI, J. And SORSA, A., 2004, On-line Measurement Validation Through
Confidence Level Based Optimal Estimation Of A Process Variable, Oulo
University, Control Engineering Laboratory, Raport A No. 25.
NEMBHARD, D.A. And NEMBHARD, H.B., 2000, A Demerits Control Chart For
Autocorrelated Data, Quality Engineering 13(2) Sayfa 179-190.
145
OKE, S.A., JOHNSON, A.O., CHARLES-OWABA, O.E., OYAWALE, F.A. AND
POPOOLA, I.O., 2006, A Neuro-Fuzzy Linguistic Approach in Optimizing
the Flow Rate of A Plastic Extruder Process, International Journal of Science
& Technology Vol. 1 No. 2 115-123.
O’SULLİVAN, P., 1995, Psychological Aspscts Of Computer-Based Training For
Statistical Process Control, Chepter 5-Istatistical Process Control, MSc In
Cognitive Science And Naturel Language, Pages 40-46.
ÖZDAĞOĞLU, A., 2008, Bulanık Analitik Serim Süreci Yaklaşımı İle Çok Ölçütlü
Karar Verme Ve Bir İşletme Uygulaması, Dokuz Eylül Üniversitesi, Sosyal
Bilimler Enstitüsü, Doktora Tezi-212 sayfa.
ÖZDAMAR, İ. H., 2006, Bulanık İstatistiksel Kalite Kontrolü Ve Bir Orman
Endüstrisi İşletmesinde Uygulama, Süleyman Demirel Üniversitesi, Sosyal
Bilimler Enstitüsü, Doktora Tezi, 215 Sayfa.
ÖZDEN, S., 2007, Bir Elektrikli Asansör Sisteminin Bulanık Mantık Tekniği İle
Denetimi, Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi-
116 sayfa.
ÖZKAN, A. O., 1997, Sıcaklık Ve Nemin Bulanık Mantık Yöntemiyle Kontrolü,
Selçuk Üniversitesi, Fen Bilimleri Enstitüsü, Yüksek Lisans Tezi-117 sayfa.
ÖZTÜRK, O., 2000, Matlab Matematik Programlama Dili, Gazi Üniversitesi,
Teknik Eğitim Fakültesi, Elektronik-Bilgisayar Eğitimi Bölümü, Mezuniyet
Tezi, 64 Sayfa.
PARAMASHWARAN, R., KARUNAKARAN, R., İNİYAN, S., SAMUEL, A.A.,
2008, Optimization of Energy Conversation Potential for VAV Air
Conditioning System Using Fuzzy Based Genetic Algorithm, International
Journal of Mathematical, Physical and Engineering Sciences.
RODRİGEZ, R.N. Ve PRABHU, S.S., 1997, Effective Applications of Control
Charts Using SAS Software, Short Course Presentation, 22nd SAS Users
Group International Conferance, San Diego.
ROWLANDS, H. and WANG, L.R., 2000, An Approach Of Fuzzy Logic Evaluation
And Control In SPC, Qualıty And Reliability Engineering International Qual.
Reliab. Engng. Int. 16, Sayfa 91–98.
146
SARITAŞ, İ. Ve HERDEM, S., 2009, Bulanık Mantık Yöntemiyle Manyetik
Filtrelerin Kontrolü, Journal Of Technical-Online Vol.8 Number 3.
SARNA, E., RABIEJ, M., SARNA, M., WLOCHOWICZ, A., 2008, Analysis Of
Cotton Maturity Degree On Microstructure Level By Fuzzy Set Conception,
Fibres&Textiles in Eastern Europe, January/March vol. 16 no.1.
SILVA, E.A., PAIVA, A.P., BALESTRASSI, P.P., SILVA, C.E.S., 2009, New
Modelling And Process Optimisation Approach Fort He False-Twist
Texturing Of Polyester, Fibres&Textiles in Eastern Europe, vol. 17 no.6 (77)
pp. 57-62.
SIMITH, A.E., 1993, X-Bar and R Kontrol Chart Interpretation Using Naturel
Computing, International Journal of Ruduction Research.
SIVANANDAM, S.N., SUMATHİ, S. And DEEPA, S.N., 2007, Introduction to
Fuzzy Logic Using MATLAB, Springer.
SHAO, Y.E., 1998, Integreted Application Of The Cumulative Score Control Chart
And Engineering Process Control, Statistica Sinica 8, Sayfa 239-252.
SHIAU, J.J.H. And HSU, Y.C., 2005, Rubustness Of The EWMA Control Chart To
Non-normality For Autocorrelated Processes, Quality Technology &
Quantitative Management, Vol. 2, No 2, Sayfa 125–146.
SPANOS, C.J., GUO, H.F., MILLER, A. And LEVİNE-PARRİLL, J., 1992, Reel-
Time Statistical Process Control Using Tool Data, IEEE Transactions On
Semiconducter Manifactoring, Vol. 5, No 4.
ŞEN, Z., 2001, Bulanık (Fuzzy)Mantık Ve Modelleme İlkeleri, Bilge Kültür Sanat
Yayıncılık, İstanbul.
TANYILDIZI, H., Ve YAZICIOĞLU, S., 2006, Bulanık Mantık Metodu İle Tekil
Yükler Altında İki Açıklıklı Kirişlerin Plastik Göçme Yük Faktörü Değerinin
Bulunması, İMO Teknik Dergi, Sayfa 3961-3971, Yazı 262.
TATLI, H. ve ŞEN, Z., 2001, Günlük En Büyük Sıcaklıkların Bulanık Kümeler İle
Kestirimi, Turk J Engin Environ Sci 25, TUBİTAK, Sayfa 1-9.
TELLİ, S.T. ve KODALOĞLU, M., 2003, Kumaş Mukavemeti Değişiminin Uzman
Sistemle İncelenmesi, Tekstil Maraton, Mayıs-Haziran (3).
147
TORTUM, A., YAYLA, N., GÖKDAĞ, M., 2005, Yapay Sinir Ağları Ve
Birleştirilmiş Sinirsel Bulanık Sistemler İle Şehirlerarası Yük Taşıması Tür
Seçiminin Modellenmesi, 6. Ulaştırma Kongresi – Tartışmalar, Maya Basın
Yayın.
TRIP, A. ve DOES, R.J.M.M., 2010, Quality Quandaries: Interpretation Of Signals
From Runs Rules In Shewhart Control Charts, Quality Engineering, 22:351-
357, Taylor&Francis Group LLC. ISSN:0898-2112.
TÜR, R., KAZAZ, A., YARDIMCI, A., 2005, Antalya’da Faaliyet Gösteren İnşaat
Firmalarına Yönelik Ekonomik Durum Analizi: Bulanık Mantık Yaklaşımı,
Antalya Yöresinin İnşaat Mühendisliği Sorunları Kongresi-Bildiriler Kitabı-
22 Eylül.
ÜNAL, C., 2009, Bulanık Mantık Uygulamasıyla Konfeksiyonda İşin Ve Personelin
Değerlendirilmesi, Ege Üniversitesi, Fen Bilimleri Enstitüsü, Doktora Tezi-
184 Sayfa.
UMUR, E., 2000, İstatistiksel Proses Kontrolü, İstanbul Teknik Üniversitesi, Fen
Bilimleri Enstitüsü, Yüksek Lisans Tezi- 86 Sayfa.
VURAL, İ., 1998, Kalite Kontrolünde Uzman Sistemler, İstanbul Üniversitesi,
Sosyal Bilimler Enstitüsü, Yüksek Lisans Tezi- 164 Sayfa.
YILMAZ, M. ve ARSLAN, E., 2005, Bulanık Mantığın Jeodezik Problemlerin
Çözümünde Kullanılması, Harita ve Kadastro Mühendisleri Odası,
Mühendislik Ölçmeleri STB Komisyonu, 2. Mühendislik Ölçmeleri
Sempozyumu, İstanbul Teknik Üniversitesi-İstanbul.
WANG, L.R. and ROWLANDS, H., 1999, A Fuzzy Logic Application In SPC
Evaluation And Control, IEEE, 0-7803-5670-5.
WANG, L.X., 1997, A Course In Fuzzy System and Control, Prentice-Hall
İnternational Inc.
WOOD, M., 1994, Statistical Methods For Monitoring Service Processes,
International Journal Of Service, Industry Management, Vol. 5, No 4, Sayfa
53-68.
148
WOODAL, W.H., SPITZNER, D.J., MONTGOMERY, D.C. And GUPTA, S., 2004,
Using Control Charts To Monitor Process And Product Quality Profiles,
Journal Of Technology, Vol. 36 No 3.
YEH, A.B. And LIN, D.K.J., 2002, A New Variables Control Chart For
Simultaneously Monitoring Multivariate Process Mean And Variabilty,
International Journal Of Reliability, Quality And Safety Engineering Vol.9,
No 1, Sayfa 41-59.
ZADEH, L.A., 1975, Calculus of Fuzzy Restrictions, Fuzzy Sets and Their
Applications to Cognitive and Decision Processes, Academic Pres.
ZADEH, L.A., 1988, Fuzzy Logic, 0018-9162/88/0400-0083 April-1988, University
of California, Barkley.
ZADEH, L.A., 1996, Fuzzy Logic = Computing with Words, IEEE Transactions On
Fuzzy Systems, Vol. 4, No:2, May.
149
ÖZGEÇMİŞ
19/10/1981 yılında Adana’da doğdu. İlk, orta ve lise öğrenimini Adana’da
tamamladı. 2000 yılında başladığı Kahramanmaraş Sütçü İmam Üniversitesi,
Mühendislik-Mimarlık Fakültesi, Tekstil Mühendisliği Bölümü’nden 2004 yılında
mezun oldu ve aynı yıl Çukurova Üniversitesi, Tekstil Mühendisliği Bölümü, Tekstil
Makineleri Anabilim dalında yüksek lisansa başladı ve 2009 yılında aynı bölüme
kayıt yeniledi ve eğitimine devam etmektedir. 2010 yılından itibaren Emniyet Genel
Müdürlüğü kadrosunda Üniforma Tasarım ve Planlama Şube Müdürlüğünde, Polis
Memuru olarak çalışmaktadır.
150
EKLER
151
152
EK 1. Çalışmanın sonucunda MATLAB’ın verdiği sonuç sayfası
-------------- Yeni 8 li İncelemesi Başlıyor --------- Gelen Yeni Veri 30.0720 Yeni Verinin Bireysel Sonucu: Pozitif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 30.1270 30.1910 30.0030 30.1760 30.1530 30.1750 29.9400 30.0720 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 29.8170 Yeni Verinin Bireysel Sonucu: Yaklaşık Negatif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 30.1910 30.0030 30.1760 30.1530 30.1750 29.9400 30.0720 29.8170 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 29.7230 Yeni Verinin Bireysel Sonucu: Yaklaşık Negatif Kontrol Dışı İncelenen Veriler: Columns 1 Through 8 30.0030 30.1760 30.1530 30.1750 29.9400 30.0720 29.8170 29.7230 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir
153
-------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 30.0090 Yeni Verinin Bireysel Sonucu: Negatif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 30.1760 30.1530 30.1750 29.9400 30.0720 29.8170 29.7230 30.0090 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 30.1480 Yeni Verinin Bireysel Sonucu: Pozitif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 30.1530 30.1750 29.9400 30.0720 29.8170 29.7230 30.0090 30.1480 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 29.9980 Yeni Verinin Bireysel Sonucu: Negatif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 30.1750 29.9400 30.0720 29.8170 29.7230 30.0090 30.1480 29.9980 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 29.9300
154
Yeni Verinin Bireysel Sonucu: Negatif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 29.9400 30.0720 29.8170 29.7230 30.0090 30.1480 29.9980 29.9300 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 29.8920 Yeni Verinin Bireysel Sonucu: Yaklaşık Negatif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 30.0720 29.8170 29.7230 30.0090 30.1480 29.9980 29.9300 29.8920 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 29.7610 Yeni Verinin Bireysel Sonucu: Yaklaşık Negatif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 29.8170 29.7230 30.0090 30.1480 29.9980 29.9300 29.8920 29.7610 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 30.0420 Yeni Verinin Bireysel Sonucu: Negatif Kontrol Altında İncelenen Veriler:
155
Columns 1 Through 8 29.7230 30.0090 30.1480 29.9980 29.9300 29.8920 29.7610 30.0420 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 30.0730 Yeni Verinin Bireysel Sonucu: Pozitif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 30.0090 30.1480 29.9980 29.9300 29.8920 29.7610 30.0420 30.0730 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 30.2610 Yeni Verinin Bireysel Sonucu: Yaklaşık Pozitif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 30.1480 29.9980 29.9300 29.8920 29.7610 30.0420 30.0730 30.2610 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 30.0970 Yeni Verinin Bireysel Sonucu: Pozitif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 29.9980 29.9300 29.8920 29.7610 30.0420 30.0730 30.2610 30.0970 O Anki Son 8 Verinin Sonucu:
156
Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 30.1810 Yeni Verinin Bireysel Sonucu: Pozitif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 29.9300 29.8920 29.7610 30.0420 30.0730 30.2610 30.0970 30.1810 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir -------------- Yeni 8 Li İncelemesi Başlıyor --------- Gelen Yeni Veri 30.2690 Yeni Verinin Bireysel Sonucu: Yaklaşık Pozitif Kontrol Altında İncelenen Veriler: Columns 1 Through 8 29.8920 29.7610 30.0420 30.0730 30.2610 30.0970 30.1810 30.2690 O Anki Son 8 Verinin Sonucu: Sistemde Kontrol Dışı Durum Gözlenmemiştir
157
EK 2. Çalışmanın da kullanılan verilerin kaydedildiği TLVeriler.txt dosyası
1. 30.127 2. 30.191 3. 30.003 4. 30.176 5. 30.153 6. 30.175 7. 29.940 8. 30.072 9. 29.817 10. 29.723 11. 30.009 12. 30.148 13. 29.998 14. 29.930 15. 29.892 16. 29.761 17. 30.042 18. 30.073 19. 30.261 20. 30.097 21. 30.181 22. 30.269
158
EK 3. Bütün hesaplamaların yapıldığı, kuralların yönlendirildiği ve istenilen işlemlerin
yapıldığı TLProjem.m dosyası.
clear all; [y]=textread('TLVeriler.txt','%f','delimiter',' '); b1=size(y); veri_sayisi1=b1(1); a=1; for i=1:(veri_sayisi1) if(y(i)<(32)&& y(i)>(28)) x(a)=y(i); a=a+1; end end b=size(x); veri_sayisi=b(2); sapma=std(x); ort=mean(x); UCL=ort+3*sapma; LCL=ort-3*sapma; CL=ort; kayma=sapma*0.05; ort ort+1*sapma-kayma ort+2*sapma-kayma ort+3*sapma-kayma %%%% !!!! gelen verileri kaydırmayı unutma !!!! %ilk 8 için if(veri_sayisi==1) % kural 1 n=bireysel(ort,sapma,x,1); disp(' ilk verinin sonucu:'); disp(n); end if(veri_sayisi==2) %kural 2 ilksonuc=bireysel(ort,sapma,x(2),1); disp('ikinci verinin bireysel sonucu:'); disp(ilksonuc); n=bireysel(ort,sapma,x,2); disp('ilk iki verinin sonucu:'); disp(n); end if(veri_sayisi==3) %kural 3 ilksonuc=bireysel(ort,sapma,x(3),1); disp('üçüncü verinin bireysel sonucu:');
159
disp(ilksonuc); n=bireysel(ort,sapma,x,3); disp('ilk üç verinin sonucu:'); disp(n); end if(veri_sayisi==4) %kural 4 ilksonuc=bireysel(ort,sapma,x(4),1); disp('dördüncü verinin bireysel sonucu:'); disp(ilksonuc); n=bireysel(ort,sapma,x,4); disp('ilk dört verinin sonucu:'); disp(n); end if(veri_sayisi==5) %kural 5-6-7 ilksonuc=bireysel(ort,sapma,x(5),1); disp('beşinci verinin bireysel sonucu:'); disp(ilksonuc); n=bireysel(ort,sapma,x,5); disp('ilk beş verinin sonucu:'); disp(n); end if(veri_sayisi==6) %kural 8-9 ilksonuc=bireysel(ort,sapma,x(6),1); disp('altıncı verinin bireysel sonucu:'); disp(ilksonuc); if( x(1)>x(2) && x(2)>x(3) && x(3)>x(4) && x(4)>x(5) && x(5)>x(6)) n=bireysel(ort,sapma,x,6); disp('ilk altı verinin sonucu:'); disp(n); elseif(x(1)<x(2) && x(2)<x(3) && x(3)<x(4) && x(4)<x(5) && x(5)<x(6)) n=bireysel(ort,sapma,x,6); disp('ilk altı verinin sonucu:'); disp(n); else disp('ilk altı verinin sonucu:'); disp('Sistemde kontrol dışı durum gözlenmemiştir.'); end end if(veri_sayisi==7) %gelen 7. veri için ilksonuc=bireysel(ort,sapma,x(7),1); disp('yedinci verinin bireysel sonucu:'); disp(ilksonuc);
160
n=bireysel(ort,sapma,x,7); disp('ilk yedi verinin sonucu:'); disp(n); end %tüm veriler için %for i=1:(size(x)-8) for i=1:(veri_sayisi-7) % buraya 1:15 15 yerine toplam girdinin -7 si yazılmalı % if(x(i)<4*sapma || ) disp('-------------- yeni 8 li incelemesi başlıyor ---------'); ilksonuc=bireysel(ort,sapma,x(i+7),1); disp(' '); disp('gelen yeni veri'); disp(x(i+7)); disp(' '); disp('yeni verinin bireysel sonucu:'); disp(ilksonuc); disp(' '); disp('incelenen veriler:'); veriler=[x(i) x(i+1) x(i+2) x(i+3) x(i+4) x(i+5) x(i+6) x(i+7)]; disp(veriler); disp(' '); a=oku(ort,sapma); if(x(i)>CL+2*sapma-kayma && x(i)<CL+3*sapma+kayma && x(i)>x(i+1) && x(i+1)>x(i+2) && x(i+2)>x(i+3) && x(i+3)>x(i+4) && x(i+4)>x(i+5))% point1 is A and point1>point2>...>point6 sonuc PM ruleList=[7 0 0 0 0 0 0 0 7 1 1]; a=addrule(a,ruleList); end if(x(i)>CL+sapma-kayma && x(i)<CL+2*sapma+kayma && x(i)>x(i+1) && x(i+1)>x(i+2) && x(i+2)>x(i+3) && x(i+3)>x(i+4) && x(i+4)>x(i+5))% point1 is B and point1>point2>...>point6 sonuc PS ruleList=[6 0 0 0 0 0 0 0 6 1 1]; a=addrule(a,ruleList); end if(x(i)<CL-2*sapma+kayma && x(i)>CL-3*sapma-kayma && x(i)<x(i+1) && x(i+1)<x(i+2) && x(i+2)<x(i+3) && x(i+3)<x(i+4) && x(i+4)<x(i+5))% point1 is -A and point1<point2<...<point6 sonuc NM ruleList=[2 0 0 0 0 0 0 0 2 1 1]; a=addrule(a,ruleList); end
161
if(x(i)<CL-sapma+kayma && x(i)>CL-2*sapma-kayma && x(i)<x(i+1) && x(i+1)<x(i+2) && x(i+2)<x(i+3) && x(i+3)<x(i+4) && x(i+4)<x(i+5))% point1 is -B and point1<point2<...<point6 sonuc NS ruleList=[3 0 0 0 0 0 0 0 3 1 1]; a=addrule(a,ruleList); end if(x(i)>CL+2*sapma-kayma && x(i)<CL+3*sapma+kayma && x(i+1)>=CL && x(i+2)>=CL && x(i+3)>=CL && x(i+4)>=CL && x(i+5)>=CL && x(i+6)>=CL && x(i+7)>=CL)% point1 is A and point1>=CL point3>=CL...point8>=CL sonuc PM ruleList=[7 0 0 0 0 0 0 0 7 1 1]; a=addrule(a,ruleList); end if(x(i)>CL+sapma-kayma && x(i)<CL+2*sapma+kayma && x(i+1)>=CL && x(i+2)>=CL && x(i+3)>=CL && x(i+4)>=CL && x(i+5)>=CL && x(i+6)>=CL && x(i+7)>=CL)% point1 is B and point1>=CL point3>=CL...point8>=CL sonuc PS ruleList=[6 0 0 0 0 0 0 0 6 1 1]; a=addrule(a,ruleList); end if(x(i)>CL-kayma && x(i)<CL+sapma+kayma && x(i+1)>=CL && x(i+2)>=CL && x(i+3)>=CL && x(i+4)>=CL && x(i+5)>=CL && x(i+6)>=CL && x(i+7)>=CL)% point1 is C and point1>=CL point3>=CL...point8>=CL sonuc PZ ruleList=[5 0 0 0 0 0 0 0 5 1 1]; a=addrule(a,ruleList); end if(x(i)<CL-2*sapma+kayma && x(i)>CL-3*sapma-kayma && x(i+1)<CL && x(i+2)<CL && x(i+3)<CL && x(i+4)<CL && x(i+5)<CL && x(i+6)<CL && x(i+7)<CL)% point1 is -A and point2<CL point3<CL ...point8<CL sonuc NM ruleList=[2 0 0 0 0 0 0 0 2 1 1]; a=addrule(a,ruleList); end if(x(i)<CL-sapma+kayma && x(i)>CL-2*sapma-kayma && x(i+1)<CL && x(i+2)<CL && x(i+3)<CL && x(i+4)<CL && x(i+5)<CL && x(i+6)<CL && x(i+7)<CL)%point1 is -B and point2<CL point3<CL ...point8<CL sonuc NS ruleList=[3 0 0 0 0 0 0 0 3 1 1]; a=addrule(a,ruleList); end if(x(i)<CL+kayma && x(i)>CL-sapma-kayma && x(i+1)<CL && x(i+2)<CL && x(i+3)<CL && x(i+4)<CL && x(i+5)<CL && x(i+6)<CL
162
&& x(i+7)<CL)% point1 is -C and point2<CL point3<CL ...point8<CL sonuc NS ruleList=[4 0 0 0 0 0 0 0 4 1 1]; a=addrule(a,ruleList); end Output=evalfis([x(i) x(i+1) x(i+2) x(i+3) x(i+4) x(i+5) x(i+6) x(i+7)],a); if(Output<ort-3*sapma+kayma) sonuc='****** negatif kontrol dışı'; elseif(Output<ort-2*sapma+kayma) sonuc='***** yaklaşık negatif kontrol dışı'; elseif(Output<ort-1*sapma+kayma) sonuc=' ***** yaklaşık negatif kontrol altında'; elseif(Output<ort+kayma) sonuc=' ***** negatif kontrol altında'; elseif(Output<ort+1*sapma+kayma) sonuc=' **** pozitif kontrol altında'; elseif(Output<ort+2*sapma+kayma) sonuc=' ***** yaklaşık pozitif kontrol altında'; elseif(Output<ort+3*sapma+kayma) sonuc=' ****** yaklaşık pozitif kontrol dışı'; else sonuc=' ******* pozitif kontrol dışı'; end y=sonuc; if(Output == ort ) disp('o anki son 8 verinin sonucu:'); disp('Sistemde kontrol dışı durum gözlenmemiştir'); disp(' '); else disp('o anki son 8 verinin sonucu:'); disp(sonuc); disp(' '); end disp(' '); %Output clear a; end %showfis(a) %showrule(a) %ruleview(a)
163
EK 4. Sisteme girilen verileri bireysel hesaplamalarının yağıldığı Bireysel.m dosyası.
function y=bireysel(ort,sapma,x,sira) UCL=ort+3*sapma; % LCL=ort-3*sapma; % CL=ort; kayma=sapma*0.05; if(sira==1) % if(x>(ort+3*sapma) || x<(ort-3*sapma)) b = newfis('TLF1.fis'); b.input(1).name='x1'; b.input(1).range=[LCL UCL]; b.input(1).mf(1).name='NKD'; b.input(1).mf(1).type='trapmf'; b.input(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(1).mf(2).name='YNKD'; b.input(1).mf(2).type='trimf'; b.input(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(1).mf(3).name='YNKA'; b.input(1).mf(3).type='trimf'; b.input(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(1).mf(4).name='NKA'; b.input(1).mf(4).type='trimf'; b.input(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(1).mf(5).name='PKA'; b.input(1).mf(5).type='trimf'; b.input(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(1).mf(6).name='YPKA'; b.input(1).mf(6).type='trimf'; b.input(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(1).mf(7).name='YPKD'; b.input(1).mf(7).type='trimf';
164
b.input(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(1).mf(8).name='PKD'; b.input(1).mf(8).type='trapmf'; b.input(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.output(1).range=[LCL UCL]; b.output(1).name='output'; b.output(1).mf(1).name='NKD'; b.output(1).mf(1).type='trapmf'; b.output(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.output(1).mf(2).name='YNKD'; b.output(1).mf(2).type='trimf'; b.output(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.output(1).mf(3).name='YNKA'; b.output(1).mf(3).type='trimf'; b.output(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.output(1).mf(4).name='NKA'; b.output(1).mf(4).type='trimf'; b.output(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.output(1).mf(5).name='PKA'; b.output(1).mf(5).type='trimf'; b.output(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.output(1).mf(6).name='YPKA'; b.output(1).mf(6).type='trimf'; b.output(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.output(1).mf(7).name='YPKD'; b.output(1).mf(7).type='trimf'; b.output(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.output(1).mf(8).name='PKD'; b.output(1).mf(8).type='trapmf'; b.output(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma];
165
ruleList=[1 1 1 1 %kuralda var 2 2 1 1 % bireysel sonucu anlamlı vermesi için kural dışı eklendi 3 3 1 1 % bireysel sonucu anlamlı vermesi için kural dışı eklendi 4 4 1 1 % bireysel sonucu anlamlı vermesi için kural dışı eklendi 5 5 1 1 % bireysel sonucu anlamlı vermesi için kural dışı eklendi 6 6 1 1 % bireysel sonucu anlamlı vermesi için kural dışı eklendi 7 7 1 1 % bireysel sonucu anlamlı vermesi için kural dışı eklendi 8 8 1 1]; %kualda var b=addrule(b,ruleList); Output=evalfis(x(1),b); if(Output<ort-3*sapma+kayma) sonuc=' negatif kontrol dışı'; elseif(Output<ort-2*sapma+kayma) sonuc='yaklaşık negatif kontrol dışı'; elseif(Output<ort-1*sapma+kayma) sonuc='yaklaşık negatif kontrol altında'; elseif(Output<ort+kayma) sonuc='negatif kontrol altında'; elseif(Output<ort+1*sapma+kayma) sonuc='pozitif kontrol altında'; elseif(Output<ort+2*sapma+kayma) sonuc='yaklaşık pozitif kontrol altında'; elseif(Output<ort+3*sapma+kayma) sonuc='yaklaşık pozitif kontrol dışı'; else sonuc='pozitif kontrol dışı'; end y=sonuc; % else % sonuc2='tekli kontrol altında'; % end end if(sira==2) b = newfis('TLF1.fis'); b.input(1).name='x1'; b.input(1).range=[LCL UCL]; b.input(1).mf(1).name='NKD'; b.input(1).mf(1).type='trapmf'; b.input(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(1).mf(2).name='YNKD';
166
b.input(1).mf(2).type='trimf'; b.input(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(1).mf(3).name='YNKA'; b.input(1).mf(3).type='trimf'; b.input(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(1).mf(4).name='NKA'; b.input(1).mf(4).type='trimf'; b.input(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(1).mf(5).name='PKA'; b.input(1).mf(5).type='trimf'; b.input(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(1).mf(6).name='YPKA'; b.input(1).mf(6).type='trimf'; b.input(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(1).mf(7).name='YPKD'; b.input(1).mf(7).type='trimf'; b.input(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(1).mf(8).name='PKD'; b.input(1).mf(8).type='trapmf'; b.input(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(2).name='x2'; b.input(2).range=[LCL UCL]; b.input(2).mf(1).name='NKD'; b.input(2).mf(1).type='trapmf'; b.input(2).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(2).mf(2).name='YNKD'; b.input(2).mf(2).type='trimf'; b.input(2).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(2).mf(3).name='YNKA'; b.input(2).mf(3).type='trimf'; b.input(2).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma];
167
b.input(2).mf(4).name='NKA'; b.input(2).mf(4).type='trimf'; b.input(2).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(2).mf(5).name='PKA'; b.input(2).mf(5).type='trimf'; b.input(2).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(2).mf(6).name='YPKA'; b.input(2).mf(6).type='trimf'; b.input(2).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(2).mf(7).name='YPKD'; b.input(2).mf(7).type='trimf'; b.input(2).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(2).mf(8).name='PKD'; b.input(2).mf(8).type='trapmf'; b.input(2).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.output(1).range=[LCL UCL]; b.output(1).name='output'; b.output(1).mf(1).name='NKD'; b.output(1).mf(1).type='trapmf'; b.output(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.output(1).mf(2).name='YNKD'; b.output(1).mf(2).type='trimf'; b.output(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.output(1).mf(3).name='YNKA'; b.output(1).mf(3).type='trimf'; b.output(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.output(1).mf(4).name='NKA'; b.output(1).mf(4).type='trimf'; b.output(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.output(1).mf(5).name='PKA'; b.output(1).mf(5).type='trimf';
168
b.output(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.output(1).mf(6).name='YPKA'; b.output(1).mf(6).type='trimf'; b.output(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.output(1).mf(7).name='YPKD'; b.output(1).mf(7).type='trimf'; b.output(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.output(1).mf(8).name='PKD'; b.output(1).mf(8).type='trapmf'; b.output(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; ruleList=[1 0 1 1 1 8 0 8 1 1 7 7 7 1 1 2 2 2 1 1]; b=addrule(b,ruleList); Output=evalfis([x(1) x(2)],b); if(Output==ort) sonuc='Sistemde kontrol dışı durum gözlenmemiştir.'; y=sonuc; else if(Output<ort-3*sapma+kayma) sonuc=' negatif kontrol dışı'; elseif(Output<ort-2*sapma+kayma) sonuc='yaklaşık negatif kontrol dışı'; elseif(Output<ort-1*sapma+kayma) sonuc='yaklaşık negatif kontrol altında'; elseif(Output<ort+kayma) sonuc='negatif kontrol altında'; elseif(Output<ort+1*sapma+kayma) sonuc='pozitif kontrol altında'; elseif(Output<ort+2*sapma+kayma) sonuc='yaklaşık pozitif kontrol altında'; elseif(Output<ort+3*sapma+kayma) sonuc='yaklaşık pozitif kontrol dışı'; else sonuc='pozitif kontrol dışı'; end y=sonuc; end end if(sira==3)
169
b = newfis('TLF1.fis'); b.input(1).name='x1'; b.input(1).range=[LCL UCL]; b.input(1).mf(1).name='NKD'; b.input(1).mf(1).type='trapmf'; b.input(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(1).mf(2).name='YNKD'; b.input(1).mf(2).type='trimf'; b.input(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(1).mf(3).name='YNKA'; b.input(1).mf(3).type='trimf'; b.input(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(1).mf(4).name='NKA'; b.input(1).mf(4).type='trimf'; b.input(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(1).mf(5).name='PKA'; b.input(1).mf(5).type='trimf'; b.input(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(1).mf(6).name='YPKA'; b.input(1).mf(6).type='trimf'; b.input(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(1).mf(7).name='YPKD'; b.input(1).mf(7).type='trimf'; b.input(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(1).mf(8).name='PKD'; b.input(1).mf(8).type='trapmf'; b.input(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(2).name='x2'; b.input(2).range=[LCL UCL]; b.input(2).mf(1).name='NKD'; b.input(2).mf(1).type='trapmf'; b.input(2).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma];
170
b.input(2).mf(2).name='YNKD'; b.input(2).mf(2).type='trimf'; b.input(2).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(2).mf(3).name='YNKA'; b.input(2).mf(3).type='trimf'; b.input(2).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(2).mf(4).name='NKA'; b.input(2).mf(4).type='trimf'; b.input(2).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(2).mf(5).name='PKA'; b.input(2).mf(5).type='trimf'; b.input(2).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(2).mf(6).name='YPKA'; b.input(2).mf(6).type='trimf'; b.input(2).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(2).mf(7).name='YPKD'; b.input(2).mf(7).type='trimf'; b.input(2).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(2).mf(8).name='PKD'; b.input(2).mf(8).type='trapmf'; b.input(2).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(3).name='x3'; b.input(3).range=[LCL UCL]; b.input(3).mf(1).name='NKD'; b.input(3).mf(1).type='trapmf'; b.input(3).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(3).mf(2).name='YNKD'; b.input(3).mf(2).type='trimf'; b.input(3).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(3).mf(3).name='YNKA'; b.input(3).mf(3).type='trimf';
171
b.input(3).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(3).mf(4).name='NKA'; b.input(3).mf(4).type='trimf'; b.input(3).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(3).mf(5).name='PKA'; b.input(3).mf(5).type='trimf'; b.input(3).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(3).mf(6).name='YPKA'; b.input(3).mf(6).type='trimf'; b.input(3).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(3).mf(7).name='YPKD'; b.input(3).mf(7).type='trimf'; b.input(3).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(3).mf(8).name='PKD'; b.input(3).mf(8).type='trapmf'; b.input(3).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.output(1).range=[LCL UCL]; b.output(1).name='output'; b.output(1).mf(1).name='NKD'; b.output(1).mf(1).type='trapmf'; b.output(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.output(1).mf(2).name='YNKD'; b.output(1).mf(2).type='trimf'; b.output(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.output(1).mf(3).name='YNKA'; b.output(1).mf(3).type='trimf'; b.output(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.output(1).mf(4).name='NKA'; b.output(1).mf(4).type='trimf'; b.output(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma];
172
b.output(1).mf(5).name='PKA'; b.output(1).mf(5).type='trimf'; b.output(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.output(1).mf(6).name='YPKA'; b.output(1).mf(6).type='trimf'; b.output(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.output(1).mf(7).name='YPKD'; b.output(1).mf(7).type='trimf'; b.output(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.output(1).mf(8).name='PKD'; b.output(1).mf(8).type='trapmf'; b.output(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; ruleList=[1 0 0 1 1 1 8 0 0 8 1 1 7 7 0 7 1 1 2 2 0 2 1 1 2 0 2 2 1 1 7 0 7 7 1 1 ]; b=addrule(b,ruleList); Output=evalfis([x(1) x(2) x(3)],b); if(Output==ort) sonuc='Sistemde kontrol dışı durum gözlenmemiştir.'; y=sonuc; else if(Output<ort-3*sapma+kayma) sonuc=' negatif kontrol dışı'; elseif(Output<ort-2*sapma+kayma) sonuc='yaklaşık negatif kontrol dışı'; elseif(Output<ort-1*sapma+kayma) sonuc='yaklaşık negatif kontrol altında'; elseif(Output<ort+kayma) sonuc='negatif kontrol altında'; elseif(Output<ort+1*sapma+kayma) sonuc='pozitif kontrol altında'; elseif(Output<ort+2*sapma+kayma) sonuc='yaklaşık pozitif kontrol altında'; elseif(Output<ort+3*sapma+kayma) sonuc='yaklaşık pozitif kontrol dışı'; else sonuc='pozitif kontrol dışı';
173
end y=sonuc; end end if(sira==4) b = newfis('TLF1.fis'); b.input(1).name='x1'; b.input(1).range=[LCL UCL]; b.input(1).mf(1).name='NKD'; b.input(1).mf(1).type='trapmf'; b.input(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(1).mf(2).name='YNKD'; b.input(1).mf(2).type='trimf'; b.input(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(1).mf(3).name='YNKA'; b.input(1).mf(3).type='trimf'; b.input(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(1).mf(4).name='NKA'; b.input(1).mf(4).type='trimf'; b.input(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(1).mf(5).name='PKA'; b.input(1).mf(5).type='trimf'; b.input(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(1).mf(6).name='YPKA'; b.input(1).mf(6).type='trimf'; b.input(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(1).mf(7).name='YPKD'; b.input(1).mf(7).type='trimf'; b.input(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(1).mf(8).name='PKD'; b.input(1).mf(8).type='trapmf'; b.input(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(2).name='x2'; b.input(2).range=[LCL UCL];
174
b.input(2).mf(1).name='NKD'; b.input(2).mf(1).type='trapmf'; b.input(2).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(2).mf(2).name='YNKD'; b.input(2).mf(2).type='trimf'; b.input(2).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(2).mf(3).name='YNKA'; b.input(2).mf(3).type='trimf'; b.input(2).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(2).mf(4).name='NKA'; b.input(2).mf(4).type='trimf'; b.input(2).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(2).mf(5).name='PKA'; b.input(2).mf(5).type='trimf'; b.input(2).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(2).mf(6).name='YPKA'; b.input(2).mf(6).type='trimf'; b.input(2).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(2).mf(7).name='YPKD'; b.input(2).mf(7).type='trimf'; b.input(2).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(2).mf(8).name='PKD'; b.input(2).mf(8).type='trapmf'; b.input(2).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(3).name='x3'; b.input(3).range=[LCL UCL]; b.input(3).mf(1).name='NKD'; b.input(3).mf(1).type='trapmf'; b.input(3).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(3).mf(2).name='YNKD'; b.input(3).mf(2).type='trimf';
175
b.input(3).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(3).mf(3).name='YNKA'; b.input(3).mf(3).type='trimf'; b.input(3).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(3).mf(4).name='NKA'; b.input(3).mf(4).type='trimf'; b.input(3).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(3).mf(5).name='PKA'; b.input(3).mf(5).type='trimf'; b.input(3).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(3).mf(6).name='YPKA'; b.input(3).mf(6).type='trimf'; b.input(3).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(3).mf(7).name='YPKD'; b.input(3).mf(7).type='trimf'; b.input(3).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(3).mf(8).name='PKD'; b.input(3).mf(8).type='trapmf'; b.input(3).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(4).name='x4'; b.input(4).range=[LCL UCL]; b.input(4).mf(1).name='NKD'; b.input(4).mf(1).type='trapmf'; b.input(4).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(4).mf(2).name='YNKD'; b.input(4).mf(2).type='trimf'; b.input(4).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(4).mf(3).name='YNKA'; b.input(4).mf(3).type='trimf'; b.input(4).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma];
176
b.input(4).mf(4).name='NKA'; b.input(4).mf(4).type='trimf'; b.input(4).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(4).mf(5).name='PKA'; b.input(4).mf(5).type='trimf'; b.input(4).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(4).mf(6).name='YPKA'; b.input(4).mf(6).type='trimf'; b.input(4).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(4).mf(7).name='YPKD'; b.input(4).mf(7).type='trimf'; b.input(4).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(4).mf(8).name='PKD'; b.input(4).mf(8).type='trapmf'; b.input(4).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.output(1).range=[LCL UCL]; b.output(1).name='output'; b.output(1).mf(1).name='NKD'; b.output(1).mf(1).type='trapmf'; b.output(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.output(1).mf(2).name='YNKD'; b.output(1).mf(2).type='trimf'; b.output(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.output(1).mf(3).name='YNKA'; b.output(1).mf(3).type='trimf'; b.output(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.output(1).mf(4).name='NKA'; b.output(1).mf(4).type='trimf'; b.output(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.output(1).mf(5).name='PKA'; b.output(1).mf(5).type='trimf';
177
b.output(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.output(1).mf(6).name='YPKA'; b.output(1).mf(6).type='trimf'; b.output(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.output(1).mf(7).name='YPKD'; b.output(1).mf(7).type='trimf'; b.output(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.output(1).mf(8).name='PKD'; b.output(1).mf(8).type='trapmf'; b.output(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; ruleList=[1 0 0 0 1 1 1 8 0 0 0 8 1 1 7 7 0 0 7 1 1 2 2 0 0 2 1 1 2 0 2 0 2 1 1 7 0 7 0 7 1 1 6 6 6 6 6 1 1 7 6 6 6 6 1 1 3 3 3 3 3 1 1 2 3 3 3 3 1 1]; b=addrule(b,ruleList); Output=evalfis([x(1) x(2) x(3) x(4)],b); if(Output==ort) sonuc='Sistemde kontrol dışı durum gözlenmemiştir.'; y=sonuc; else if(Output<ort-3*sapma+kayma) sonuc=' negatif kontrol dışı'; elseif(Output<ort-2*sapma+kayma) sonuc='yaklaşık negatif kontrol dışı'; elseif(Output<ort-1*sapma+kayma) sonuc='yaklaşık negatif kontrol altında'; elseif(Output<ort+kayma) sonuc='negatif kontrol altında'; elseif(Output<ort+1*sapma+kayma) sonuc='pozitif kontrol altında'; elseif(Output<ort+2*sapma+kayma) sonuc='yaklaşık pozitif kontrol altında'; elseif(Output<ort+3*sapma+kayma) sonuc='yaklaşık pozitif kontrol dışı'; else
178
sonuc='pozitif kontrol dışı'; end y=sonuc; end end if(sira==5) b = newfis('TLF1.fis'); b.input(1).name='x1'; b.input(1).range=[LCL UCL]; b.input(1).mf(1).name='NKD'; b.input(1).mf(1).type='trapmf'; b.input(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(1).mf(2).name='YNKD'; b.input(1).mf(2).type='trimf'; b.input(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(1).mf(3).name='YNKA'; b.input(1).mf(3).type='trimf'; b.input(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(1).mf(4).name='NKA'; b.input(1).mf(4).type='trimf'; b.input(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(1).mf(5).name='PKA'; b.input(1).mf(5).type='trimf'; b.input(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(1).mf(6).name='YPKA'; b.input(1).mf(6).type='trimf'; b.input(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(1).mf(7).name='YPKD'; b.input(1).mf(7).type='trimf'; b.input(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(1).mf(8).name='PKD'; b.input(1).mf(8).type='trapmf'; b.input(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(2).name='x2';
179
b.input(2).range=[LCL UCL]; b.input(2).mf(1).name='NKD'; b.input(2).mf(1).type='trapmf'; b.input(2).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(2).mf(2).name='YNKD'; b.input(2).mf(2).type='trimf'; b.input(2).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(2).mf(3).name='YNKA'; b.input(2).mf(3).type='trimf'; b.input(2).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(2).mf(4).name='NKA'; b.input(2).mf(4).type='trimf'; b.input(2).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(2).mf(5).name='PKA'; b.input(2).mf(5).type='trimf'; b.input(2).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(2).mf(6).name='YPKA'; b.input(2).mf(6).type='trimf'; b.input(2).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(2).mf(7).name='YPKD'; b.input(2).mf(7).type='trimf'; b.input(2).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(2).mf(8).name='PKD'; b.input(2).mf(8).type='trapmf'; b.input(2).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(3).name='x3'; b.input(3).range=[LCL UCL]; b.input(3).mf(1).name='NKD'; b.input(3).mf(1).type='trapmf'; b.input(3).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(3).mf(2).name='YNKD';
180
b.input(3).mf(2).type='trimf'; b.input(3).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(3).mf(3).name='YNKA'; b.input(3).mf(3).type='trimf'; b.input(3).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(3).mf(4).name='NKA'; b.input(3).mf(4).type='trimf'; b.input(3).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(3).mf(5).name='PKA'; b.input(3).mf(5).type='trimf'; b.input(3).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(3).mf(6).name='YPKA'; b.input(3).mf(6).type='trimf'; b.input(3).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(3).mf(7).name='YPKD'; b.input(3).mf(7).type='trimf'; b.input(3).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(3).mf(8).name='PKD'; b.input(3).mf(8).type='trapmf'; b.input(3).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(4).name='x4'; b.input(4).range=[LCL UCL]; b.input(4).mf(1).name='NKD'; b.input(4).mf(1).type='trapmf'; b.input(4).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(4).mf(2).name='YNKD'; b.input(4).mf(2).type='trimf'; b.input(4).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(4).mf(3).name='YNKA'; b.input(4).mf(3).type='trimf'; b.input(4).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma];
181
b.input(4).mf(4).name='NKA'; b.input(4).mf(4).type='trimf'; b.input(4).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(4).mf(5).name='PKA'; b.input(4).mf(5).type='trimf'; b.input(4).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(4).mf(6).name='YPKA'; b.input(4).mf(6).type='trimf'; b.input(4).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(4).mf(7).name='YPKD'; b.input(4).mf(7).type='trimf'; b.input(4).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(4).mf(8).name='PKD'; b.input(4).mf(8).type='trapmf'; b.input(4).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(5).name='x5'; b.input(5).range=[LCL UCL]; b.input(5).mf(1).name='NKD'; b.input(5).mf(1).type='trapmf'; b.input(5).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(5).mf(2).name='YNKD'; b.input(5).mf(2).type='trimf'; b.input(5).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(5).mf(3).name='YNKA'; b.input(5).mf(3).type='trimf'; b.input(5).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(5).mf(4).name='NKA'; b.input(5).mf(4).type='trimf'; b.input(5).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(5).mf(5).name='PKA'; b.input(5).mf(5).type='trimf';
182
b.input(5).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(5).mf(6).name='YPKA'; b.input(5).mf(6).type='trimf'; b.input(5).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(5).mf(7).name='YPKD'; b.input(5).mf(7).type='trimf'; b.input(5).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(5).mf(8).name='PKD'; b.input(5).mf(8).type='trapmf'; b.input(5).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.output(1).range=[LCL UCL]; b.output(1).name='output'; b.output(1).mf(1).name='NKD'; b.output(1).mf(1).type='trapmf'; b.output(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.output(1).mf(2).name='YNKD'; b.output(1).mf(2).type='trimf'; b.output(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.output(1).mf(3).name='YNKA'; b.output(1).mf(3).type='trimf'; b.output(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.output(1).mf(4).name='NKA'; b.output(1).mf(4).type='trimf'; b.output(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.output(1).mf(5).name='PKA'; b.output(1).mf(5).type='trimf'; b.output(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.output(1).mf(6).name='YPKA'; b.output(1).mf(6).type='trimf'; b.output(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma];
183
b.output(1).mf(7).name='YPKD'; b.output(1).mf(7).type='trimf'; b.output(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.output(1).mf(8).name='PKD'; b.output(1).mf(8).type='trapmf'; b.output(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; ruleList=[1 0 0 0 0 1 1 1 8 0 0 0 0 8 1 1 7 7 0 0 0 7 1 1 2 2 0 0 0 2 1 1 2 0 2 0 0 2 1 1 7 0 7 0 0 7 1 1 6 6 6 6 0 6 1 1 7 6 6 6 0 6 1 1 3 3 3 3 0 3 1 1 2 3 3 3 0 3 1 1 6 0 6 6 6 6 1 1 7 0 6 6 6 6 1 1 2 0 3 3 3 3 1 1 3 0 3 3 3 3 1 1 6 6 0 6 6 6 1 1 % 7 6 0 6 6 6 1 1 2 3 0 3 3 3 1 1 3 3 0 3 3 3 1 1 6 6 6 0 6 6 1 1 7 6 6 0 6 6 1 1 2 3 3 0 3 3 1 1 3 3 3 0 3 3 1 1]; b=addrule(b,ruleList); Output=evalfis([x(1) x(2) x(3) x(4) x(5)],b); if(Output==ort) sonuc='Sistemde kontrol dışı durum gözlenmemiştir.'; y=sonuc; else if(Output<ort-3*sapma+kayma) sonuc=' negatif kontrol dışı'; elseif(Output<ort-2*sapma+kayma) sonuc='yaklaşık negatif kontrol dışı'; elseif(Output<ort-1*sapma+kayma) sonuc='yaklaşık negatif kontrol altında'; elseif(Output<ort+kayma) sonuc='negatif kontrol altında';
184
elseif(Output<ort+1*sapma+kayma) sonuc='pozitif kontrol altında'; elseif(Output<ort+2*sapma+kayma) sonuc='yaklaşık pozitif kontrol altında'; elseif(Output<ort+3*sapma+kayma) sonuc='yaklaşık pozitif kontrol dışı'; else sonuc='pozitif kontrol dışı'; end y=sonuc; end end if(sira==6) b = newfis('TLF1.fis'); b.input(1).name='x1'; b.input(1).range=[LCL UCL]; b.input(1).mf(1).name='NKD'; b.input(1).mf(1).type='trapmf'; b.input(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(1).mf(2).name='YNKD'; b.input(1).mf(2).type='trimf'; b.input(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(1).mf(3).name='YNKA'; b.input(1).mf(3).type='trimf'; b.input(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(1).mf(4).name='NKA'; b.input(1).mf(4).type='trimf'; b.input(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(1).mf(5).name='PKA'; b.input(1).mf(5).type='trimf'; b.input(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(1).mf(6).name='YPKA'; b.input(1).mf(6).type='trimf'; b.input(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(1).mf(7).name='YPKD'; b.input(1).mf(7).type='trimf'; b.input(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma];
185
b.input(1).mf(8).name='PKD'; b.input(1).mf(8).type='trapmf'; b.input(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(2).name='x2'; b.input(2).range=[LCL UCL]; b.input(2).mf(1).name='NKD'; b.input(2).mf(1).type='trapmf'; b.input(2).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(2).mf(2).name='YNKD'; b.input(2).mf(2).type='trimf'; b.input(2).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(2).mf(3).name='YNKA'; b.input(2).mf(3).type='trimf'; b.input(2).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(2).mf(4).name='NKA'; b.input(2).mf(4).type='trimf'; b.input(2).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(2).mf(5).name='PKA'; b.input(2).mf(5).type='trimf'; b.input(2).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(2).mf(6).name='YPKA'; b.input(2).mf(6).type='trimf'; b.input(2).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(2).mf(7).name='YPKD'; b.input(2).mf(7).type='trimf'; b.input(2).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(2).mf(8).name='PKD'; b.input(2).mf(8).type='trapmf'; b.input(2).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(3).name='x3'; b.input(3).range=[LCL UCL];
186
b.input(3).mf(1).name='NKD'; b.input(3).mf(1).type='trapmf'; b.input(3).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(3).mf(2).name='YNKD'; b.input(3).mf(2).type='trimf'; b.input(3).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(3).mf(3).name='YNKA'; b.input(3).mf(3).type='trimf'; b.input(3).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(3).mf(4).name='NKA'; b.input(3).mf(4).type='trimf'; b.input(3).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(3).mf(5).name='PKA'; b.input(3).mf(5).type='trimf'; b.input(3).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(3).mf(6).name='YPKA'; b.input(3).mf(6).type='trimf'; b.input(3).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(3).mf(7).name='YPKD'; b.input(3).mf(7).type='trimf'; b.input(3).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(3).mf(8).name='PKD'; b.input(3).mf(8).type='trapmf'; b.input(3).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(4).name='x4'; b.input(4).range=[LCL UCL]; b.input(4).mf(1).name='NKD'; b.input(4).mf(1).type='trapmf'; b.input(4).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(4).mf(2).name='YNKD'; b.input(4).mf(2).type='trimf';
187
b.input(4).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(4).mf(3).name='YNKA'; b.input(4).mf(3).type='trimf'; b.input(4).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(4).mf(4).name='NKA'; b.input(4).mf(4).type='trimf'; b.input(4).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(4).mf(5).name='PKA'; b.input(4).mf(5).type='trimf'; b.input(4).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(4).mf(6).name='YPKA'; b.input(4).mf(6).type='trimf'; b.input(4).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(4).mf(7).name='YPKD'; b.input(4).mf(7).type='trimf'; b.input(4).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(4).mf(8).name='PKD'; b.input(4).mf(8).type='trapmf'; b.input(4).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(5).name='x5'; b.input(5).range=[LCL UCL]; b.input(5).mf(1).name='NKD'; b.input(5).mf(1).type='trapmf'; b.input(5).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(5).mf(2).name='YNKD'; b.input(5).mf(2).type='trimf'; b.input(5).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(5).mf(3).name='YNKA'; b.input(5).mf(3).type='trimf'; b.input(5).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma];
188
b.input(5).mf(4).name='NKA'; b.input(5).mf(4).type='trimf'; b.input(5).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(5).mf(5).name='PKA'; b.input(5).mf(5).type='trimf'; b.input(5).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(5).mf(6).name='YPKA'; b.input(5).mf(6).type='trimf'; b.input(5).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(5).mf(7).name='YPKD'; b.input(5).mf(7).type='trimf'; b.input(5).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(5).mf(8).name='PKD'; b.input(5).mf(8).type='trapmf'; b.input(5).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(6).name='x6'; b.input(6).range=[LCL UCL]; b.input(6).mf(1).name='NKD'; b.input(6).mf(1).type='trapmf'; b.input(6).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(6).mf(2).name='YNKD'; b.input(6).mf(2).type='trimf'; b.input(6).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(6).mf(3).name='YNKA'; b.input(6).mf(3).type='trimf'; b.input(6).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(6).mf(4).name='NKA'; b.input(6).mf(4).type='trimf'; b.input(6).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(6).mf(5).name='PKA'; b.input(6).mf(5).type='trimf';
189
b.input(6).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(6).mf(6).name='YPKA'; b.input(6).mf(6).type='trimf'; b.input(6).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(6).mf(7).name='YPKD'; b.input(6).mf(7).type='trimf'; b.input(6).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(6).mf(8).name='PKD'; b.input(6).mf(8).type='trapmf'; b.input(6).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.output(1).range=[LCL UCL]; b.output(1).name='output'; b.output(1).mf(1).name='NKD'; b.output(1).mf(1).type='trapmf'; b.output(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.output(1).mf(2).name='YNKD'; b.output(1).mf(2).type='trimf'; b.output(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.output(1).mf(3).name='YNKA'; b.output(1).mf(3).type='trimf'; b.output(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.output(1).mf(4).name='NKA'; b.output(1).mf(4).type='trimf'; b.output(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.output(1).mf(5).name='PKA'; b.output(1).mf(5).type='trimf'; b.output(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.output(1).mf(6).name='YPKA'; b.output(1).mf(6).type='trimf'; b.output(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma];
190
b.output(1).mf(7).name='YPKD'; b.output(1).mf(7).type='trimf'; b.output(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.output(1).mf(8).name='PKD'; b.output(1).mf(8).type='trapmf'; b.output(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; ruleList=[1 0 0 0 0 0 1 1 1 8 0 0 0 0 0 8 1 1 7 7 0 0 0 0 7 1 1 2 2 0 0 0 0 2 1 1 2 0 2 0 0 0 2 1 1 7 0 7 0 0 0 7 1 1 6 6 6 6 0 0 6 1 1 7 6 6 6 0 0 6 1 1 3 3 3 3 0 0 3 1 1 2 3 3 3 0 0 3 1 1 6 0 6 6 6 0 6 1 1 7 0 6 6 6 0 6 1 1 2 0 3 3 3 0 3 1 1 3 0 3 3 3 0 3 1 1 6 6 0 6 6 0 6 1 1 7 6 0 6 6 0 6 1 1 2 3 0 3 3 0 3 1 1 3 3 0 3 3 0 3 1 1 6 6 6 0 6 0 6 1 1 7 6 6 0 6 0 6 1 1 2 3 3 0 3 0 3 1 1 3 3 3 0 3 0 3 1 1 7 0 0 0 0 0 7 1 1 6 0 0 0 0 0 6 1 1 2 0 0 0 0 0 2 1 1 3 0 0 0 0 0 3 1 1]; b=addrule(b,ruleList); Output=evalfis([x(1) x(2) x(3) x(4) x(5) x(6)],b); Output if(Output==ort) sonuc='Sistemde kontrol dışı durum gözlenmemiştir.'; y=sonuc; else if(Output<ort-3*sapma+kayma) sonuc=' negatif kontrol dışı'; elseif(Output<ort-2*sapma+kayma) sonuc='yaklaşık negatif kontrol dışı'; elseif(Output<ort-1*sapma+kayma)
191
sonuc='yaklaşık negatif kontrol altında'; elseif(Output<ort+kayma) sonuc='negatif kontrol altında'; elseif(Output<ort+1*sapma+kayma) sonuc='pozitif kontrol altında'; elseif(Output<ort+2*sapma+kayma) sonuc='yaklaşık pozitif kontrol altında'; elseif(Output<ort+3*sapma+kayma) sonuc='yaklaşık pozitif kontrol dışı'; else sonuc='pozitif kontrol dışı'; end y=sonuc; end end if(sira==7) b = newfis('TLF1.fis'); b.input(1).name='x1'; b.input(1).range=[LCL UCL]; b.input(1).mf(1).name='NKD'; b.input(1).mf(1).type='trapmf'; b.input(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(1).mf(2).name='YNKD'; b.input(1).mf(2).type='trimf'; b.input(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(1).mf(3).name='YNKA'; b.input(1).mf(3).type='trimf'; b.input(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(1).mf(4).name='NKA'; b.input(1).mf(4).type='trimf'; b.input(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(1).mf(5).name='PKA'; b.input(1).mf(5).type='trimf'; b.input(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(1).mf(6).name='YPKA'; b.input(1).mf(6).type='trimf'; b.input(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(1).mf(7).name='YPKD';
192
b.input(1).mf(7).type='trimf'; b.input(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(1).mf(8).name='PKD'; b.input(1).mf(8).type='trapmf'; b.input(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(2).name='x2'; b.input(2).range=[LCL UCL]; b.input(2).mf(1).name='NKD'; b.input(2).mf(1).type='trapmf'; b.input(2).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(2).mf(2).name='YNKD'; b.input(2).mf(2).type='trimf'; b.input(2).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(2).mf(3).name='YNKA'; b.input(2).mf(3).type='trimf'; b.input(2).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(2).mf(4).name='NKA'; b.input(2).mf(4).type='trimf'; b.input(2).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(2).mf(5).name='PKA'; b.input(2).mf(5).type='trimf'; b.input(2).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(2).mf(6).name='YPKA'; b.input(2).mf(6).type='trimf'; b.input(2).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(2).mf(7).name='YPKD'; b.input(2).mf(7).type='trimf'; b.input(2).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(2).mf(8).name='PKD'; b.input(2).mf(8).type='trapmf'; b.input(2).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma];
193
b.input(3).name='x3'; b.input(3).range=[LCL UCL]; b.input(3).mf(1).name='NKD'; b.input(3).mf(1).type='trapmf'; b.input(3).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(3).mf(2).name='YNKD'; b.input(3).mf(2).type='trimf'; b.input(3).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(3).mf(3).name='YNKA'; b.input(3).mf(3).type='trimf'; b.input(3).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(3).mf(4).name='NKA'; b.input(3).mf(4).type='trimf'; b.input(3).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(3).mf(5).name='PKA'; b.input(3).mf(5).type='trimf'; b.input(3).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(3).mf(6).name='YPKA'; b.input(3).mf(6).type='trimf'; b.input(3).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(3).mf(7).name='YPKD'; b.input(3).mf(7).type='trimf'; b.input(3).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(3).mf(8).name='PKD'; b.input(3).mf(8).type='trapmf'; b.input(3).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(4).name='x4'; b.input(4).range=[LCL UCL]; b.input(4).mf(1).name='NKD'; b.input(4).mf(1).type='trapmf'; b.input(4).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma];
194
b.input(4).mf(2).name='YNKD'; b.input(4).mf(2).type='trimf'; b.input(4).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(4).mf(3).name='YNKA'; b.input(4).mf(3).type='trimf'; b.input(4).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(4).mf(4).name='NKA'; b.input(4).mf(4).type='trimf'; b.input(4).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(4).mf(5).name='PKA'; b.input(4).mf(5).type='trimf'; b.input(4).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(4).mf(6).name='YPKA'; b.input(4).mf(6).type='trimf'; b.input(4).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(4).mf(7).name='YPKD'; b.input(4).mf(7).type='trimf'; b.input(4).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(4).mf(8).name='PKD'; b.input(4).mf(8).type='trapmf'; b.input(4).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(5).name='x5'; b.input(5).range=[LCL UCL]; b.input(5).mf(1).name='NKD'; b.input(5).mf(1).type='trapmf'; b.input(5).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(5).mf(2).name='YNKD'; b.input(5).mf(2).type='trimf'; b.input(5).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(5).mf(3).name='YNKA'; b.input(5).mf(3).type='trimf';
195
b.input(5).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(5).mf(4).name='NKA'; b.input(5).mf(4).type='trimf'; b.input(5).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(5).mf(5).name='PKA'; b.input(5).mf(5).type='trimf'; b.input(5).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(5).mf(6).name='YPKA'; b.input(5).mf(6).type='trimf'; b.input(5).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(5).mf(7).name='YPKD'; b.input(5).mf(7).type='trimf'; b.input(5).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(5).mf(8).name='PKD'; b.input(5).mf(8).type='trapmf'; b.input(5).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(6).name='x6'; b.input(6).range=[LCL UCL]; b.input(6).mf(1).name='NKD'; b.input(6).mf(1).type='trapmf'; b.input(6).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(6).mf(2).name='YNKD'; b.input(6).mf(2).type='trimf'; b.input(6).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(6).mf(3).name='YNKA'; b.input(6).mf(3).type='trimf'; b.input(6).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(6).mf(4).name='NKA'; b.input(6).mf(4).type='trimf'; b.input(6).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma];
196
b.input(6).mf(5).name='PKA'; b.input(6).mf(5).type='trimf'; b.input(6).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(6).mf(6).name='YPKA'; b.input(6).mf(6).type='trimf'; b.input(6).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(6).mf(7).name='YPKD'; b.input(6).mf(7).type='trimf'; b.input(6).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(6).mf(8).name='PKD'; b.input(6).mf(8).type='trapmf'; b.input(6).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.input(7).name='x7'; b.input(7).range=[LCL UCL]; b.input(7).mf(1).name='NKD'; b.input(7).mf(1).type='trapmf'; b.input(7).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.input(7).mf(2).name='YNKD'; b.input(7).mf(2).type='trimf'; b.input(7).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.input(7).mf(3).name='YNKA'; b.input(7).mf(3).type='trimf'; b.input(7).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.input(7).mf(4).name='NKA'; b.input(7).mf(4).type='trimf'; b.input(7).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.input(7).mf(5).name='PKA'; b.input(7).mf(5).type='trimf'; b.input(7).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.input(7).mf(6).name='YPKA'; b.input(7).mf(6).type='trimf';
197
b.input(7).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.input(7).mf(7).name='YPKD'; b.input(7).mf(7).type='trimf'; b.input(7).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; b.input(7).mf(8).name='PKD'; b.input(7).mf(8).type='trapmf'; b.input(7).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; b.output(1).range=[LCL UCL]; b.output(1).name='output'; b.output(1).mf(1).name='NKD'; b.output(1).mf(1).type='trapmf'; b.output(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; b.output(1).mf(2).name='YNKD'; b.output(1).mf(2).type='trimf'; b.output(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; b.output(1).mf(3).name='YNKA'; b.output(1).mf(3).type='trimf'; b.output(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; b.output(1).mf(4).name='NKA'; b.output(1).mf(4).type='trimf'; b.output(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; b.output(1).mf(5).name='PKA'; b.output(1).mf(5).type='trimf'; b.output(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; b.output(1).mf(6).name='YPKA'; b.output(1).mf(6).type='trimf'; b.output(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; b.output(1).mf(7).name='YPKD'; b.output(1).mf(7).type='trimf'; b.output(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma];
198
b.output(1).mf(8).name='PKD'; b.output(1).mf(8).type='trapmf'; b.output(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; ruleList=[1 0 0 0 0 0 0 1 1 1 8 0 0 0 0 0 0 8 1 1 7 7 0 0 0 0 0 7 1 1 2 2 0 0 0 0 0 2 1 1 2 0 2 0 0 0 0 2 1 1 7 0 7 0 0 0 0 7 1 1 6 6 6 6 0 0 0 6 1 1 7 6 6 6 0 0 0 6 1 1 2 2 2 2 0 0 0 2 1 1 3 2 2 2 0 0 0 2 1 1 6 0 6 6 6 0 0 6 1 1 7 0 6 6 6 0 0 6 1 1 2 0 3 3 3 0 0 3 1 1 3 0 3 3 3 0 0 3 1 1 6 6 0 6 6 0 0 6 1 1 7 6 0 6 6 0 0 6 1 1 2 3 0 3 3 0 0 3 1 1 3 3 0 3 3 0 0 3 1 1 6 6 6 0 6 0 0 6 1 1 7 6 6 0 6 0 0 6 1 1 2 3 3 0 3 0 0 3 1 1 3 3 3 0 3 0 0 3 1 1 7 0 0 0 0 0 0 7 1 1 6 0 0 0 0 0 0 6 1 1 2 0 0 0 0 0 0 2 1 1 3 0 0 0 0 0 0 3 1 1]; b=addrule(b,ruleList); Output=evalfis([x(1) x(2) x(3) x(4) x(5) x(6) x(7)],b); if(Output==ort) sonuc='Sistemde kontrol dışı durum gözlenmemiştir.'; y=sonuc; else if(Output<ort-3*sapma+kayma) sonuc=' negatif kontrol dışı'; elseif(Output<ort-2*sapma+kayma) sonuc='yaklaşık negatif kontrol dışı'; elseif(Output<ort-1*sapma+kayma) sonuc='yaklaşık negatif kontrol altında'; elseif(Output<ort+kayma) sonuc='negatif kontrol altında'; elseif(Output<ort+1*sapma+kayma) sonuc='pozitif kontrol altında'; elseif(Output<ort+2*sapma+kayma)
199
sonuc='yaklaşık pozitif kontrol altında'; elseif(Output<ort+3*sapma+kayma) sonuc='yaklaşık pozitif kontrol dışı'; else sonuc='pozitif kontrol dışı'; end y=sonuc; end end clear b; y=sonuc;
200
EK 5. TLFis deki 8 input değerinin parametre aralıklarının güncellemesinde kullanılan Oku.m
dosyası.
% bu dosya sadece TLFis deki 8 input degerinin parametre aralıklarını güncellemekte function y=oku(ort,sapma) UCL=ort+3*sapma;% 32 LCL=ort-3*sapma; % 28 CL=ort; kayma=sapma*0.05; a = readfis('TLFis.fis'); a.input(1).range=[LCL UCL]; a.input(1).mf(1).type='trapmf'; a.input(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; a.input(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; a.input(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; a.input(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; a.input(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; a.input(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; a.input(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; a.input(1).mf(8).type='trapmf'; a.input(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; a.input(2).range=[LCL UCL]; a.input(2).mf(1).type='trapmf'; a.input(2).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; a.input(2).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; a.input(2).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; a.input(2).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma];
201
a.input(2).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; a.input(2).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; a.input(2).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; a.input(2).mf(8).type='trapmf'; a.input(2).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; a.input(3).range=[LCL UCL]; a.input(3).mf(1).type='trapmf'; a.input(3).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; a.input(3).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; a.input(3).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; a.input(3).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; a.input(3).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; a.input(3).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; a.input(3).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; a.input(3).mf(8).type='trapmf'; a.input(3).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; a.input(4).range=[LCL UCL]; a.input(4).mf(1).type='trapmf'; a.input(4).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; a.input(4).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; a.input(4).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; a.input(4).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; a.input(4).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; a.input(4).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; a.input(4).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; a.input(4).mf(8).type='trapmf'; a.input(4).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma];
202
a.input(5).range=[LCL UCL]; a.input(5).mf(1).type='trapmf'; a.input(5).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; a.input(5).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; a.input(5).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; a.input(5).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; a.input(5).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; a.input(5).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; a.input(5).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; a.input(5).mf(8).type='trapmf'; a.input(5).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; a.input(6).range=[LCL UCL]; a.input(6).mf(1).type='trapmf'; a.input(6).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; a.input(6).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; a.input(6).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; a.input(6).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; a.input(6).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; a.input(6).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; a.input(6).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; a.input(6).mf(8).type='trapmf'; a.input(6).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; a.input(7).range=[LCL UCL]; a.input(7).mf(1).type='trapmf'; a.input(7).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; a.input(7).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma];
203
a.input(7).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; a.input(7).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; a.input(7).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; a.input(7).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; a.input(7).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; a.input(7).mf(8).type='trapmf'; a.input(7).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; a.input(8).range=[LCL UCL]; a.input(8).mf(1).type='trapmf'; a.input(8).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; a.input(8).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; a.input(8).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; a.input(8).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; a.input(8).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; a.input(8).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma]; a.input(8).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; a.input(8).mf(8).type='trapmf'; a.input(8).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; a.output(1).range=[LCL UCL]; a.output(1).mf(1).type='trapmf'; a.output(1).mf(1).params=[ort-100*sapma ort-100*sapma ort-3.5*sapma ort-3*sapma+kayma]; a.output(1).mf(2).params=[ort-3*sapma-kayma ort-2.5*sapma ort-2*sapma+kayma]; a.output(1).mf(3).params=[ort-2*sapma-kayma ort-1.5*sapma ort-1*sapma+kayma]; a.output(1).mf(4).params=[ort-1*sapma-kayma ort-0.5*sapma ort+kayma]; a.output(1).mf(5).params=[ort-kayma ort+0.5*sapma ort+1*sapma+kayma]; a.output(1).mf(6).params=[ort+1*sapma-kayma ort+1.5*sapma ort+2*sapma+kayma];
204
a.output(1).mf(7).params=[ort+2*sapma-kayma ort+2.5*sapma ort+3*sapma+kayma]; a.output(1).mf(8).type='trapmf'; a.output(1).mf(8).params=[ort+3*sapma-kayma ort+3.5*sapma ort+100*sapma ort+100*sapma]; y=a;