Üretimde tahmine dayalı bakım (predictive maintenance) kurumların kesinti sürelerini azaltarak maliyetleri düşürmesi, ekipman ömrünü uzatması ve operasyonel verimliliği artırması nedeniyle giderek daha fazla önem kazanıyor. Bu rehber, veri toplama aşamasından model dağıtımına kadar izlenmesi gereken adımları, karşılaşılabilecek zorlukları, uygun araç ve mimarileri adım adım açıklayarak üretimde veri bilimi ile tahmine dayalı bakım kurulumunu pratik hale getirir.
1. İş Hedeflerinin ve KPI'ların Netleştirilmesi
Projenin başında hangi iş problemi çözülecek netleştirilmelidir. Örnek hedefler: planlı bakım maliyetlerini %20 azaltmak, beklenmedik duruş sürelerini yılda X saate düşürmek veya kritik ekipman arızalarını önceden T gün tahmin etmek. Bu hedeflere bağlı olarak KPI'lar (MTBF, MTTR, arıza oranı, bakım maliyeti) belirlenir. Başarının ölçülebilmesi için net metrikler ve hedef zaman dilimleri tanımlanmalıdır.
2. Veri Toplama ve Entegrasyon
Doğru veriler olmadan model istenen performansı gösteremez. Veri kaynakları genellikle şunlardır:
IIoT sensörleri ve PLC'ler
Sıcaklık, titreşim, akım, basınç gibi sensör verileri. Veri toplamada OPC-UA, MQTT, Modbus gibi protokoller kullanılır. Veri örnekleme frekansları ve senkronizasyon planlanmalıdır.
İşletme sistemleri
CMMS/ERP sistemlerinden bakım kayıtları, arıza nedenleri, yedek parça değişimleri ve operatör notları. Bu veriler etiketleme (failure events) için kritiktir.
Çevresel ve operasyonel veri
Üretim hızı, ürün tipi, vardiya bilgileri ve çevresel koşullar (nem, sıcaklık) modeller için önemli özelliklerdir.
Veri entegrasyonu için akış teknolojileri (Kafka, MQTT), zaman serisi veritabanları (InfluxDB, TimescaleDB), ve veri gölleri (S3, HDFS) kullanılabilir. Veri kalitesi yönetimi (tekrar eden veri, eksik değerler, saat dilimi tutarsızlıkları) bu aşamada ele alınmalıdır.
3. Veri Hazırlama ve Etiketleme
Veri biliminde başarılı bir adım etiketleme ve öznitelik mühendisliğidir. Arıza olaylarının doğru tanımlanması, 'time-to-failure' etiketlerinin oluşturulması veya önceden tanımlı pencere içinde arıza olup olmadığının sınıflandırılması gerekir. Eksik verilerin imputasyonu, gürültü filtresi ve outlier yönetimi uygulanmalıdır. Zaman serisi verilerinde kaydırmalı pencereler, istatistiksel özetler, frekans domain özellikleri (FFT), ve titreşim sinyallerinde özellik çıkarımı (rms, kurtosis, spectral features) yaygın yöntemlerdir.
4. Model Seçimi ve Yaklaşımlar
Tahmine dayalı bakım için kullanılabilecek başlıca model yaklaşımları:
Sınıflandırma
Belirli bir zaman penceresinde (ör. 7 gün içinde) arıza olacak/olmayacak şeklinde etiketleme. Avantajı anlaşılmasının kolay olması; dezavantajı dengesiz sınıflar ve doğru negatif/pozitif dengesinin kritik olmasıdır.
Regresyon / Time-to-Failure (T2F)
Cihazın kalan ömrünü (RUL) tahmin etme. Survival analysis (Cox, Kaplan-Meier) ve derin öğrenme tabanlı LSTM/Transformer modelleri uygulanabilir.
Anomali Tespiti
Normal davranıştan sapmaları tespit ederek erken uyarı verme. Özellikle etiketli arıza verisi azsa kullanışlıdır. Autoencoder, Isolation Forest, One-Class SVM gibi yaklaşımlar tercih edilir.
Model seçiminde doğruluk, F1-score, ROC-AUC, precision@k, lead time (arıza öncesi verilen erken uyarı süresi) gibi metrikler değerlendirilmelidir.
5. Model Eğitim, Doğrulama ve Versiyonlama
Model eğitimi sırasında cross-validation (zaman serisi CV) kullanılmalı, gerçek zamanlı dağıtım senaryoları göz önünde bulundurularak overfitting engellenmelidir. Model versiyonlama için MLflow, DVC veya Kubeflow tercih edilebilir. Deneylerin, hiperparametre taramalarının ve model performansının izlenmesi gereklidir.
6. Model Dağıtımı ve Mimariler
Dağıtım seçenekleri:
Edge dağıtımı
Gerçek zamanlı düşük gecikme gerektiren senaryolarda modeller PLC veya edge cihazlarına (ONNX, TensorRT) konuşlandırılır. Avantajı offline çalışabilme ve düşük ağ bağımlılığıdır.
Bulut veya On-prem Sunucular
Model REST/gRPC servisi olarak Kubernetes üzerinde çalıştırılabilir. Inference için Kafka, MQTT gibi mesajlaşma ve stream işleme (Spark Streaming, Flink) entegrasyonu yapılır.
Hybrid
Kritik uyarılar edge'de oluşturulup detaylı analiz bulutta yapılabilir. Bu mimari maliyet ve güvenlik dengesi sağlar.
7. İzleme, Uyarı ve Model Sağlığı
Model dağıtıldıktan sonra monitörizasyon şarttır. İzlenmesi gerekenler: veri drift, model drift, latency, inference başarısızlıkları ve iş hedeflerine etkisi (ör. gerçek arıza tahminleri vs. verilen uyarılar). Prometheus, Grafana, ELK Stack, ve ML odaklı izleme için Evidently veya Fiddler gibi araçlar kullanılabilir. Otomatik retrain mekanizmaları veri drift tespit edildiğinde tetiklenebilir.
8. Entegrasyon ile Operasyonel Süreçler
Tahmine dayalı uyarıların operasyonel iş akışlarına (CMMS, bakım planlama, ERP) entegre edilmesi gerekir. Uyarıların seviyesi, doğruluğu ve bakım ekiplerinin kabul edilebilirliği iş süreçlerinde benimsenme için önemlidir. Pilot uygulamalarla kullanıcı geri bildirimi toplanmalı ve model çıktıları bakım SOP’lerine uyarlanmalıdır.
9. Güvenlik, Veri Yönetimi ve Uyumluluk
Veri güvenliği (özellikle üretim tesisleri için ağ segmentasyonu, şifreleme), erişim kontrolleri ve veri yaşam döngüsü yönetimi uygulanmalıdır. Kişisel veri içermeyen üretim verilerinde bile şifreleme ve log yönetimi önemlidir. Endüstriyel standartlara (ISO, IEC) ve şirket içi uyumluluk gereksinimlerine dikkat edilmelidir.
10. ROI, Pilot ve Ölçeklendirme
Başlangıçta küçük bir pilot (tek bir ekipman veya hatta bir hattın bir bölümünde) ile performans ve ROI test edilmelidir. Pilot başarı kriterleri sağlandığında, ölçeklendirme sırasında veri altyapısı, model yönetimi ve operasyonel entegrasyon kaynaklarına yatırım yapılmalıdır. Ölçeklendirirken insan kaynağı eğitimi ve süreç değişikliği yönetimi (change management) planlanmalıdır.
Sonuç ve Öneriler
Tahmine dayalı bakım projeleri teknik birikimin yanı sıra operasyonel iş süreçlerinin entegrasyonunu da gerektirir. Başarının anahtarları: temiz ve doğru veri, iş ile yakın işbirliği, sürekli izleme ve geri besleme döngüsü, uygun dağıtım mimarisi ve sürdürülebilir model yaşam döngüsü yönetimidir. Küçük bir pilot ile başlayıp, öğrenilenleri uygulayarak kademeli ölçeklendirme en düşük riskli ve en etkili yaklaşımdır.
Sen Ekolsoft olarak üretim tesislerine özel veri mühendisliği, makine öğrenimi ve edge/bulut dağıtım çözümlerinde destek sağlayabiliriz. İhtiyaçlara göre sensör entegrasyonundan model dağıtımına kadar uçtan uca çözüm tasarımı yapıyoruz.
