Bir halı fabrikası dokuma biriminde rulo sarımı ve katlama süreçlerinde meydana gelen gölgeleme hatasını azaltmak için kademeli iyileştirme tabanlı bir bulanık kontrol denetleyici sistemin tasarlanması, benzetimi ve analiz sonuçları

Abstract

Amaç: Bu çalışma, dünya halı üretiminde öncü bir konuma sahip olan Türkiye-Gaziantep Organize Sanayi Bölgesinde yer alan bir Halı Sanayi ve Ticaret A.Ş.’nin dokuma biriminde, rulo sarımı ve katlama süreçlerinde kronik bir sorun olarak gözlemlenen “Gölgelenme” (ton farkı) hatasını minimize etmek amacıyla gerçekleştirilmiştir. Uzun dönemli gerçekleştirilen saha çalışmaları sonucunda balık kılçığı diyagramı kullanılarak halılarda görülen gölgelenmenin (renk tonu farkının) hammadde kaynaklı iplik kalınlığı, çevre kaynaklı ortam nem dengesi ve teknik kaynaklı makine hızı gibi muhtemel sebeplerden kaynaklandığı belirlenmiştir. Yöntem: Yapılan teknik incelemeler sonucunda problemin; iplik kalınlığı, ortam nem dengesi ve makine hızının birbirleriyle olan doğrusal olmayan etkileşiminden kaynaklandığı tespit edilmiştir. Bu değişkenlerin manuel olarak yönetilmesindeki zorluklar, ürünlerin "ikinci kalite"ye ayrılmasına ve ciddi hammadde kayıplarına yol açmaktadır. Problemin çözümü için Matlab/Simulink ortamında Mamdani ve Sugeno tabanlı toplam altı (6) farklı uzman sistem tabanlı bulanık mantık senaryosu geliştirilmiştir. Yapılan testler ve simülasyonlar sonucunda, matematiksel hassasiyeti ve endüstriyel sistemlerle uyumu en yüksek olan Senaryo-6.1 (Sugeno- wtaver modeli) en ideal çözüm modeli olarak belirlenmiştir. Bulgular: Karma üyelik fonksiyonları (Üçgen, Yamuk ve Gauss) ve 50 eşzamanlı kuraldan oluşan bir kural tabanı ile yapılandırılan bu model, özellikle kritik üretim eşiklerinde (340 Denye iplik kalınlığı, %53 ortam nemi ve 23 m/dak makine hızı gibi riskli değerlerde) 56.82 kalite ayarı ve 1.22 hız çarpanı ile en tutarlı ve optimize sonuçları üretmiştir. Gerçek saha çalışması sonucunda, riskli üretim girdileri operatör tarafından manuel olarak sisteme girildiğinde yaklaşık olarak kalite ayarı 50 ve hız çarpanı ise 1.00 değerinde elde edilmektedir. Dolayısı ile, Senaryo-6.1’den elde edilen 56.82 değeri, fabrikanın mevcut kalite skalasında hatayı önlemek için gerekli olan parametrelerle %95 tam bir tutarlılık gösterdiği gibi, hem kalite seviyesinde hem de üretim hızında artışa geçerek uzman operatör tecrübesini geçerek verimliliği artırmıştır. Özgünlük: Geliştirilen Senaryo-6.1 modelinin işletmeye entegre edilmesiyle birlikte; üretim sürecindeki belirsizlikler ortadan kaldırılarak kalite kontrol mekanizması otonom bir yapıya kavuşturulmuştur. Çalışmanın uygulanması durumunda, gölgelenme kaynaklı fire oranlarında %15'in üzerinde bir iyileşme, iş gücü maliyetlerinde azalma ve makine hızının iplik mukavemetine göre anlık optimize edilmesi sayesinde enerji verimliliği sağlanması hedeflenmektedir. Sonuç olarak bu çalışma, geleneksel yöntemlerle çözülemeyen kalite problemlerinin bulanık mantık tabanlı bir karar destek sistemi ile nasıl sürdürülebilir bir avantaja dönüştürülebileceğini somut verilerle ortaya koymaktadır. Dahası bu çalışmada inşa edilen uzman sistemin çalışmanın gerçekleştirildiği halı fabrikası yönetimi için aşağıdaki avantajları sağlamıştır: (a) Kalite Standardizasyonu: Vardiya farkı veya operatör tecrübesinden bağımsız olarak, "Gölgelenme" hatası oluşmadan makine parametrelerinin (Hız ve Kalite Ayarı) otomatik optimize edilmesi sağlanmıştır. (b) Fire ve Maliyet Yönetimi: İkinci kaliteye ayrılan ürün oranındaki düşüş, doğrudan hammadde verimliliği ve karlılık artışı anlamına gelmektedir. (c) Dijital Dönüşüm: Bu çalışma, hem fabrikanın manuel üretimden, veriye dayalı "Endüstri 4.0" uyumlu akıllı üretim sistemine geçişini desteklemektedir hem de geleneksel tekstil üretimini, verinin karar verici olduğu "Süper Akıllı Üretim" modeline taşıyan bir köprü niteliğindedir.

Keywords

• Carpet factory weaving unit
• Shading defect
• Fishbone diagram
• Fuzzy expert system
• Industry 4.0 and Society 5.0.
• AI-powered PLC quality control

Design, simulation, and multiple analysis results of a stepwise improvement-based fuzzy control system to reduce shading errors occurring in the roll winding and folding processes of a carpet factory weaving unit

Abstract

Context—This study addresses the "shading” problem occurring on the surface of carpets produced in a carpet factory weaving unit. To overcome the difficulties in manually managing the parameters that trigger the "shading" problem, an expert system-based controller has been developed that can be embedded software-wise under a PLC computer and eliminates operator-induced errors in parameter management.

Objective—This study was conducted to minimize the "shading" error, observed as a chronic problem in the roll winding and folding processes, in the weaving unit of a carpet factory located in the Gaziantep Organized Industrial Zone of Türkiye. Long-term field studies using a fishbone diagram have determined that the shading observed in carpets is caused by various factors including raw material yarn thickness, environmental humidity balance, and technical machine speed. The main aim is to develop and design an AI-powered fuzzy logic quality control device that can model linguistic ambiguities based on experience.

Method—Technical investigations revealed that the problem stemmed from the nonlinear interaction between yarn thickness, ambient humidity, and machine speed. The difficulties in manually managing these variables lead to products being classified as "second quality" and significant raw material losses. Six different expert system-based fuzzy logic scenarios based on Mamdani and Sugeno were developed in the Matlab/Simulink environment to solve the problem. Based on the tests and simulations conducted, Scenario-6.1, which has the highest mathematical accuracy and compatibility with industrial systems, has been determined as the most ideal solution model.

Results—This model, structured with mixed membership functions and a rule base consisting of 100 simultaneous rules, produced the most consistent and optimized results, especially at critical production thresholds, with 56.82 quality adjustments and a speed multiplier of 1.22. In actual field testing, when risky production inputs are manually entered into the system by the operator, an approximate quality setting of 50 and a speed multiplier of 1.00 are obtained. Therefore, the value of 56.82 obtained from Scenario-6.1 shows 95% complete consistency with the parameters required to prevent errors in the factory's current quality scale, and it has increased efficiency by both improving the quality level and production speed, and very well mimicking the experience of expert operators.

Conclusion—With the integration of the developed Scenario-6.1 model into the business; uncertainties in the production process have been eliminated and the quality control mechanism has been given an autonomous structure. If the study is implemented, the aim is to achieve an improvement of over 15% in shading-related waste rates, a reduction in labor costs, and energy efficiency through the instantaneous optimization of machine speed according to yarn strength.

Keywords

• AI-powered PLC quality control
• Carpet factory weaving unit
• Fishbone diagram
• Fuzzy expert system
• Industry 4.0
• Shading errors
• Society 5.0

References

1. A. de Mendonça Santos, C. J. de Melo Santos, A. S. Barbosa, A. M. O. Sant’Anna, “The role of the Industry 4.0 technologies for Industry 5.0 development in smalland medium enterprises”, International Journal of Production Research, 1-21, 2026. https://doi.org/10.1080/00207543.2026.2668609.
2. M. Gülbay, C. Kahraman, “Design of Fuzzy Process Control Charts for Linguistic and Imprecise Data”, Fuzzy Applications in Industrial Engineering, C. Kahraman, Eds., Berlin, Heidelberg, Springer, 2026, Ch. 2, 59-88. https://doi.org/10.1007/3-540-33517-X_2.
3. S. Xi, Z. Chen, “Multi-objective optimal design of an optimal fuzzy fractional order PID controller for fractional order hydraulic turbine regulating system”, Expert Systems with Applications, 286, 127904, 2025. https://doi.org/10.1016/j.eswa.2025.127904.
4. A. Bushnag, S. Ben Chaabane, R. Harrabi, L. A. Alharbi, M. Alshmrania, S. Abuzneid, “Smart agriculture: IoT-Based smart irrigation with advanced fuzzy logic control”, Expert Systems with Applications, 299, 130168, 2026. https://doi.org/10.1016/j.eswa.2025.130168.
5. İ. Kaya, A. Karaşan, E. İlbahar, F. K. Gündoğdu, K. Yazır, E. Olgaç, “Enhancing detectability of process variability in statistical process control under three-dimensional uncertainty: Evidence from textile industry”, Applied Soft Computing, 182, 113566, 2025. https://doi.org/10.1016/j.asoc.2025.113566.
6. N. T. P. Thao, M. L. Duc, “Picture fuzzy risk modeling for machine vision projects. A case study in mechanical manufacturing”, Expert Systems with Applications, 315, 131784, 2026. https://doi.org/10.1016/j.eswa.2026.131784.
7. M. Gülbay, C. Kahraman, “Development of fuzzy process control charts and fuzzy unnatural pattern analyses”, Computational Statistics & Data Analysis, 51(1), 434–451, 2006. https://doi.org/10.1016/j.csda.2006.04.03.
8. K. P. Truong, M. H. Shu, T. L. Nguyen, B. M. Hsu, “The fuzzy u-chart for sustainable manufacturing in the Vietnam textile dyeing industry”, Symmetry, 9(7), 116, 2017. https://doi.org/10.3390/sym9070116.

9. İ. Kaya, E. İlbahar, A. Karaşan, “A design methodology based on two dimensional fuzzy linguistic variables for attribute control charts with real case applications”, Engineering Applications of Artificial Intelligence, 126, 106792, 2023. https://doi.org/10.1016/j.engappai.2023.106792.
10. M. U. Aslam, S. Xu, M. Noor-ul-Amin, S. Hussain, M. Waqas, “Fuzzy control charts for individual observations to analyze variability in health monitoring processes”, Applied Soft Computing, 164, 111961, 2024. https://doi.org/10.1016/j.asoc.2024.111961.
11. G. D. Kaur, “Human factor analysis of error detection and correction in hand-knotted carpet production process”, Research Journal of Textile and Apparel, 28(4), 978-1001, 2024. https://doi.org/10.1108/RJTA-10-2022-0124.
12. M. Ahmed, T. Islam, M. D. S. Ali, “Study on different types of defects and their causes and remedies in garment industry”, Journal of Textile Engineering and Fashion Technology, 5(6), 300-304, 2019. https://doi.org/10.15406/jyeft.2019.05.00217.
13. J. J. Moreno, A. Aguila, E. Partida, C. L. Martinez, O. Morales, R. Tejeida, “System of error detection in the manufacture of garments artificial vision”, IOP Conference Series: Materials Science and Engineering, 272, 012014, 2017. https://doi.org/10.1088/1757-899X/272/1/012014.
14. K. Mihriban, “Investigation of surface defects and apparel manufacturing efficiency of fabrics woven from recycled cotton and blends”, Industria Textila, 71(3), 266-274, 2020. https://doi.org/10.35530/IT.071.03.1639.
15. A. Rasheed et al., “Fabric defect detection using computer vision techniques: a comprehensive review”, Mathematical Problems in Engineering, 2020, 8189403, 2020. https://doi.org/10.1155/2020/8189403.
16. M. Toyoura, Q. Huanga, R. Gu, G. Xu, “High-quality pattern decoding of large-scale color fabric”, Engineering Applications of Artificial Intelligence, 173, 114492, 2026. https://doi.org/10.1016/j.engappai.2026.114492.
17. S. Meng, R. Pan, W. Gao, B. Yan, Y. Peng, “Automatic recognition of woven fabric structural parameters: a review”, Artificial Intelligence Review, 55(8), 6345–6387, 2022. https://doi.org/10.1007/s10462-022-10156-x.
18. N. Bao, J. Lin, Y. Fan, R. Bao, A. Simeone, “FabricMamba: A fabric surface defect detection system based on large kernel attention and visual state space”, Engineering Applications of Artificial Intelligence, 162, 112558, 2025. https://doi.org/10.1016/j.engappai.2025.112558.
19. I. S. Mohammed, I. M. Alhamdani, “A fuzzy system for detection and classification of textile defects to ensure the quality of fabric production”, International Journal of Electrical and Computer Engineering, 9(5), 4277-4286, 2019. https://doi.org/10.11591/ijece.v9i5.pp4277-4286.
20. C. J. de Melo Santos, A. S. Barbosa, A. M. O. Sant’Anna., “Machine Learning-integrated Digital Twins for Process Optimization in Industry 5.0”, Journal of Industrial Information Integration, 47, 100920, 2025. https://doi.org/10.1016/j.jii.2025.100920.
21. E. H. Grosse, F. Sgarbossa, C. Berlin, W. P. Neumann, “Human-centric Production and Logistics System Design and Management: Transitioning from Industry 4.0 to Industry 5.0”, International Journal of Production Research, 61(22), 7749–7759, 2023, https://doi.org/10.1080/00207543.2023.2246783.
22. L. Li, L. Duan, “Human Centric Innovation at the Heart of Industry 5.0–Exploring Research Challenges and Opportunities”, International Journal of Production Research, 64(12), 4901-4933, 2026. https://doi.org/10.1080/00207543.2025.2462657.
23. M. Ghobakhloo, M. Iranmanesh, M. Fathi, A. Rejeb, B. Foroughi, D. Nikbin, “Beyond Industry 4.0: A Systematic Review of Industry 5.0 Technologies and Implications for Social”, Environmental and Economic Sustainability, Asia-Pacific Journal of Business Administration, 17(4), 889–914, 2025. https://doi.org/10.1108/APJBA-08-2023-0384.
24. J. M. Rozanec et al., “Human-centric Artificial Intelligence Architecture for Industry 5.0 Applications”, International Journal of Production Research, 61(20), 6847–6872, 2023, https://doi.org/10.1080/00207543.2022.2138611.