Tekstil üretim süreçlerinde hata tahmini ve önlenmesi: Makine öğrenmesi tabanlı karar destek sistemi yaklaşımı

Öz

Tekstil üretim süreçleri, çok sayıda birbirine bağımlı değişkenin eşzamanlı olarak yönetilmesini gerektiren karmaşık yapılarla karakterize edilir. Bu değişkenler; kumaş kalitesi, renk tutarlılığı, doku, dayanıklılık ve üretim maliyeti gibi temel ürün özelliklerini doğrudan etkiler. Süreçlerdeki yüksek değişkenlik, istenilen kalite seviyesinin tutarlı biçimde sağlanmasını zorlaştırmakta ve üretim hatalarının oluşma olasılığını artırmaktadır. Bu zorluklara çözüm olarak, çalışmada tekstil üretiminde süreç parametrelerini optimize etmeyi ve olası üretim hatalarını önceden tahmin etmeyi amaçlayan makine öğrenmesi tabanlı bir karar destek sistemi önerilmektedir. Sistem, mevcutta bulunan çalışmalardan farklı olarak üretim değişkenlerinin sistematik biçimde yönetilmesini sağlayarak kalite ve verimliliği artırmaya yönelik proaktif müdahalelere olanak tanımaktadır. 2022–2023 yılları arasında bir tekstil işletmesinde gerçekleştirilen kapsamlı analizler sonucunda, rotasyon baskı aşamasında en sık karşılaşılan hata türü belirlenmiş ve bu hatanın temel nedenleri sistem analiz adımlarıyla incelenmiştir. Üretim sonuçlarını etkileyen kritik parametreler tanımlanmış, ilgili veri depolama sistemlerinden elde edilen tarihsel üretim verileri model geliştirme sürecinde kullanılmıştır. Bu çalışmanın temel katkısı, hata nedenlerinin analizini içeren çok yönlü yaklaşımı ile tahmine dayalı bir karar destek modelinin geliştirilmesini bir araya getirmesidir. Model, hem operatör hem de makine performans metriklerini dikkate alan makine öğrenmesi algoritmalarından yararlanarak hatasız üretim senaryolarını öngörmektedir. Böylece yalnızca olası hataları önceden tahmin etmekle kalmayıp, aynı zamanda bu hataların oluşmasını engelleyecek optimum parametre yapılarını da önermektedir. Araştırma, tekstil sektöründe süreç iyileştirme ve hata önleme stratejilerinin geliştirilmesinde veri odaklı yöntemlerin potansiyelini ortaya koymaktadır. Önerilen sistem, üretim güvenilirliğini artıran, atık oranlarını azaltan ve karmaşık üretim ortamlarında gerçek zamanlı karar alma süreçlerini destekleyen ölçeklenebilir ve akıllı bir çerçeve sunmaktadır.

Anahtar Kelimeler

• Süreç yönetimi
• makine öğrenmesi
• hata tahmini
• tekstil sektörü
• performans iyileştirme

Error prediction and prevention in textile production processes: Machine learning based decision support system approach

Abstract

Textile production processes are inherently complex, involving the simultaneous management of numerous interdependent variables. These variables significantly affect key product attributes such as fabric quality, color consistency, texture, durability, and overall production cost. The high degree of variability within these processes presents a substantial challenge to maintaining consistent product quality, thereby increasing the likelihood of production errors. As a solution to these challenges, this study proposes a machine learning-based decision support system aimed at optimizing process parameters in textile production and predicting potential manufacturing defects in advance. Unlike existing approaches, the system enables the systematic management of production variables, allowing for proactive interventions to enhance quality and efficiency. Between 2022 and 2023, a comprehensive analysis was conducted within a textile company to identify and examine the most prevalent defect type occurring during the rotary printing stage. Through structured system analysis, the root causes of these defects were investigated, and the critical parameters influencing production outcomes were defined. Historical production data, retrieved from internal data storage systems, served as the foundation for model development. A key contribution of this study lies in its integrative approach, which combines defect causality analysis with the construction of a predictive decision support model. The model leverages machine learning algorithms that incorporate both operator and machine performance metrics to forecast defect-free production scenarios. By doing so, it not only anticipates potential errors but also recommends optimal parameter configurations to prevent their occurrence. This research underscores the potential of data-driven methodologies in advancing process improvement and error mitigation strategies within the textile industry. The proposed system offers a scalable and intelligent framework for enhancing production reliability, reducing waste, and supporting real-time decision-making in complex manufacturing environments.

Keywords

• Process management
• machine learning
• error prediction
• textile industry

Kaynakça

1. [1] Şanlıtürk E. Makine Öğrenme Algoritmalarıyla Hatalı Ürün Tahmini. MSc Thesis, İstanbul Teknik Üniversitesi, İstanbul, Türkiye, 2018.
2. [2] Demir E, Dinçer SE. “Determining the Faulty and Refund Products in Manufacturing System: Application on a Textile Firm”. Research Journal of Business and Management, 7(3), 178–187, 2020.
3. [3] Soma S, Pooja H. “Machine Learning System for Textile Fabric Defect Detection Using GLCM Technique”. In: Proceedings of Second International Conference on Advances in Computer Engineering and Communication Systems: ICACECS 2021, 171–182, Singapore: Springer Nature Singapore, 2022.
4. [4] Çıklaçandır FGY, Utku S, Özdemir H. “Kumaşlarda Hatayı Yerel Olarak Arayan Denetimsiz Bir Sistem”. Tekstil ve Mühendis, 27(120), 252–259, 2020.
5. [5] Güvenoğlu E, Bağırgan M. “Shearlet Dönüşümü ve Görüntü İşleme Teknikleri Kullanılarak Kot Kumaşlar Üzerinde Gerçek Zamanlı Hata Tespiti”. El-Cezeri, 6(3), 491–502, 2019.
6. [6] Bhattacharya S, Das PP, Chatterjee P, Chakraborty S. “Prediction of Responses in a Sustainable Dry Turning Operation: A Comparative Analysis”. Mathematical Problems in Engineering, 2021(1), 9967970, 2021.
7. [7] Altunsöğüt Ö. Tekstil Boyahane İşletmelerinde Makine Öğrenmesi ile Fire Tahmini. PhD Thesis, Trakya Üniversitesi, Edirne, Türkiye, 2022.
8. [8] Chao WL. Machine Learning Tutorial. 2011.

9. [9] Caruana R, Niculescu-Mizil A. “An Empirical Comparison of Supervised Learning Algorithms”. In: Proceedings of the 23rd International Conference on Machine Learning, 161–168, ACM, 2006.
10. [10] Daş B, Türkoğlu İ. “DNA Dizilimlerinin Sınıflandırılmasında Karar Ağacı Algoritmalarının Karşılaştırılması”. 2014.
11. [11] Çelik S, Bozkurt ÖÇ, Ekşili N. “Çalışan Performansı Ölçeğindeki İfadelerin Karar Ağacı Algoritması ile Belirlenmesi”. Mehmet Akif Ersoy Üniversitesi İktisadi ve İdari Bilimler Fakültesi Dergisi, 9(1), 561–584, 2022.
12. [12] Ulgen T, El Sayed A, Poyrazoğlu G. “Prediction Algorithm & Learner Selection for European Day-Ahead Electricity Prices”. 2020 2nd Global Power, Energy and Communication Conference (GPECOM), Antalya, Türkiye, 285–286, IEEE, 8–10 Ekim 2020.
13. [13] Breiman L. “Random Forests”. Machine Learning, 45, 5–32, 2001.
14. [14] Liao Z, Ju Y, Zou Q. “Prediction of G Protein‐Coupled Receptors with SVM‐Prot Features and Random Forest”. Scientifica, 2016(1), 8309253, 2016.
15. [15] Coşar M, Deniz E. “Makine Öğrenimi Algoritmaları Kullanarak Kalp Hastalıklarının Tespit Edilmesi”. Avrupa Bilim ve Teknoloji Dergisi, (28), 1112–1116, 2021.
16. [16] Chen T, Guestrin C. “XGBoost: A Scalable Tree Boosting System”. Proceedings of the ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794, San Francisco, USA, 13–17 Ağustos 2016.
17. [17] XGBoost Documentation. “Introduction to Boosted Trees”. https://xgboost.readthedocs.io/en/stable/tutorials/model.html (14.12.2023).
18. [18] Kuş İ, Keser SB, Yolaçan E. “Saldırı Tespit Sistemlerinde Topluluk Öğrenme Yöntemlerinin Kıyaslanması”. Avrupa Bilim ve Teknoloji Dergisi, (31), 725–734, 2021.
19. [19] Aydın, Z. E., Erdem, B. İ., Cıcek, Z. I. E. “Prediction bike-sharing demand with gradient boosting methods”. Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, 29(8), 824-832,2023.
20. [20] Bilgin M. “Gerçek Veri Setlerinde Klasik Makine Öğrenmesi Yöntemlerinin Performans Analizi”. Breast, 2(9), 683, 2017.
21. [21] Erdoğmuş P, Çolak B, Durdağ Z. “K-Means Algoritması ile Otomatik Kümeleme”. El-Cezeri, 3(2), 2016.
22. [22] Liyew CM, Di Nardo E, Ferraris S, Meo R. “Hyperparameter Optimization of Machine Learning Models for Predicting Actual Evapotranspiration”. Machine Learning with Applications, 20, 100661, 2025.
23. [23] Souza, AFd, Verri FAN, Campos PHdS, Silva PHd, Balestrassi PP. “Predicting tool life and sound pressure levels in dry turning using machine learning models”. International Journal of Advanced Manufacturing Technology, 135, 3777–3793, 2024.
24. [24] Hossin M, Sulaiman MN. “A Review on Evaluation Metrics for Data Classification Evaluations”. International Journal of Data Mining & Knowledge Management Process, 5(2), 1, 2015.
25. [25] Akın P, Terzi Y. “Dengesiz Veri Setli Sağkalım Verilerinde Cox Regresyon ve Rastgele Orman Yöntemlerin Karşılaştırılması”. Veri Bilimi Dergisi, 3(1), 21–25, 2020.
26. [26] Aslanyürek M, Mesut A. “Kümeleme Performansını Ölçmek İçin Yeni Bir Yöntem ve Metin Kümeleme İçin Değerlendirmesi”. Avrupa Bilim ve Teknoloji Dergisi, (27), 53–65, 2021.
27. [27] Aslanyürek M, Mesut A. “Kümeleme Performansını Ölçmek İçin Yeni Bir Yöntem ve Metin Kümeleme İçin Değerlendirmesi”. Avrupa Bilim ve Teknoloji Dergisi, (27), 53–65, 2021.
28. [28] Caliński T, Harabasz J. “A Dendrite Method for Cluster Analysis”. Communications in Statistics – Theory and Methods, 3(1), 1–27, 1974.
29. [29] Davies DL, Bouldin DW. “A Cluster Separation Measure”. IEEE Transactions on Pattern Analysis and Machine Intelligence, (2), 224–227, 1979.