Ofset baskıda kağıt-karton türlerinin mürekkep tüketim miktarının makine öğrenmesi ile hesaplanması

Abstract

Ambalaj baskı endüstrisinde, mürekkep tüketiminin doğru bir şekilde tahmin edilmesi, atıkları azaltmak, üretim verimliliğini artırmak, stok yönetimini etkin bir şekilde yönetmek ve çevresel sürdürülebilirliği sağlamak için oldukça önemlidir. Geleneksel olarak, mürekkep tahminleri büyük ölçüde operatör sezgisine dayanmakta ve bu da aşırı üretim, artan maliyetler ve mürekkep israfı gibi verimsizliklere yol açmaktadır. Yerli bir ambalaj baskı şirketine ait 142 örnekten oluşan bir veri seti analiz edilmiştir. Bu veri seti, kağıt boyutu, nokta kazancı, mürekkep türü, makine farklılıkları ve kağıt özellikleri gibi sayısal ve kategorik özellikleri içermektedir. Toplanan veri seti ile üç farklı çalışma yapılmıştır. Birinci çalışmada, birkaç makine öğrenimi modeli test edilmiştir; bunlar arasında Çoklu Regresyon, Destek Vektör Regresyonu (SVR), Karar Ağaçları, K-En Yakın Komşular (KNN), Random Forest ve XGBoost bulunmaktadır. Sonuçlar, CART tabanlı modellerin doğrusal olmayan ilişkiler ve kategorik değişkenlerle etkili bir şekilde başa çıktığını ve XGBoost'un diğer tüm modellere göre daha iyi performans gösterdiğini ortaya koymuştur. XGBoost modeli, 0.0026 g Ortalama Mutlak Hata (MAE), 0.0035 g Kök Ortalama Kare Hata (RMSE) ve 0.619 R-kare değeri elde etmiştir. XGBoost modelinin uygulanması, her iş başına ortalama 2,380 g mürekkep tasarrufu sağlamış ve operatör tabanlı tahminlere göre önemli bir iyileşme göstermiştir. İkinci çalışmada, z-skoru metodolojisi uygulanmıştır. Analiz, makineye özgü tüketim farklılıklarının önemli olduğunu ortaya koymuştur. Özellikle KBA-3 baskı makinesi, KBA-1 (4,55 kg) ve KBA-2'ye (7,24 kg) kıyasla sürekli olarak daha yüksek ortalama mürekkep kullanımı (17,07 kg) göstermiştir. İki büyük anomali tespit edilmiştir: ilki, KBA-3 makinesinde 200 gr kâğıt ve Warm Gray 4C mürekkep ile 56,65 kg'lık aşırı mürekkep tüketimi (z-skoru: 4,18); ikincisi ise, KBA-2 makinesinde 140 gr Kraft kâğıt ile 17,89 g/m² verimlilik anomalisi (z-skoru: 5,90) olarak kaydedilmiştir. Üçüncü çalışmada, üç makine öğrenimi algoritması, Doğrusal Regresyon, Random Forest ve Gradient Boosting performans metriklerine göre değerlendirilmiştir. Sonuçlar, Doğrusal Regresyon'un 0.899 R² skoru ile en yüksek tahmin doğruluğunu elde ettiğini, bunu sırasıyla Random Forest ve Gradient Boosting'in takip ettiğini göstermiştir. Bu bulgular, makine öğrenimi tekniklerinin mürekkep tüketimi tahmini zorluklarına çözüm sunma potansiyelini ortaya koymaktadır. Gelecekteki araştırmalar, veri setinin genişletilmesi, ek özelliklerin dahil edilmesi ve model optimizasyonunun iyileştirilmesine odaklanarak doğruluğu ve gerçek dünya senaryolarındaki uygulanabilirliği daha da artırmayı hedeflemelidir. Bu çalışma, veri odaklı yaklaşımların ambalaj baskı endüstrisindeki verimlilik ve sürdürülebilirliği artırmadaki dönüşümcü rolünü vurgulamaktadır.In the packaging printing industry, accurately estimating ink consumption is crucial for reducing waste, enhancing production efficiency, managing inventory effectively, and promoting environmental sustainability. Traditionally, ink estimation has heavily relied on operator intuition, leading to inefficiencies such as overproduction, increased costs, and ink waste. A dataset of 142 samples from a domestic packaging printing company was analyzed. This dataset includes numerical and categorical features such as paper size, dot gain, ink type, machine variations, and paper properties. Three different studies were conducted using the collected dataset. In the first study, several machine learning models were tested, including Multiple Regression, Support Vector Regression (SVR), Decision Trees, K-Nearest Neighbors (KNN), Random Forest, and XGBoost. The results showed that CART-based models effectively handle non-linear relationships and categorical variables, with XGBoost outperforming all other models. The XGBoost model achieved a Mean Absolute Error (MAE) of 0.0026 g, a Root Mean Squared Error (RMSE) of 0.0035 g, and an R-squared value of 0.619. Implementing the XGBoost model resulted in an average ink savings of 2,380 g per job, significantly improving upon operator-based estimates. In the second study, three machine learning algorithms—Linear Regression, Random Forest, and Gradient Boosting—were evaluated based on their performance metrics. The results showed that Linear Regression achieved the highest predictive accuracy with an R² score of 0.899, followed by Random Forest and Gradient Boosting. In the third study, the z-score methodology was applied. The analysis revealed significant machine-specific consumption differences. In particular, the KBA-3 press showed consistently higher average ink usage (17.07 kg) compared to KBA-1 (4.55 kg) and KBA-2 (7.24 kg). Two major anomalies were identified: the first, an extreme ink consumption of 56.65 kg (z-score: 4.18) on the KBA-3 press with 200 gr paper and Warm Gray 4C ink; and the second, a 17.89 g/m² efficiency anomaly (z-score: 5.90) on the KBA-2 press with 140 gr Kraft paper. These findings demonstrate the potential of machine learning techniques to address the challenges of ink consumption prediction. Future research should focus on expanding the dataset, incorporating additional features, and refining model optimization to further enhance accuracy and applicability in real-world scenarios. This study highlights the transformative role of data-driven approaches in improving efficiency and sustainability in the packaging printing industry.