Kestirimci Bakım ile Arızaları Önceden Görmek

Bir üretim hattında beklenmedik bir makine arızası yaşandığında sadece o makine durmaz; tüm süreç durur, teslimat tarihleri kayar, maliyet patlar. Yıllarca "arızalanınca tamir ederiz" ya da "belirli aralıklarla bakım yaparız" diyerek yönetilen bu sorun, artık veri ve makine öğrenmesi sayesinde çok farklı bir boyuta taşınıyor: Kestirimci Bakım (Predictive Maintenance).

Reaktif ve Önleyici Bakımın Sınırları

Geleneksel iki yaklaşımı herkes bilir:

• Reaktif bakım: Arıza olunca müdahale edilir. Basit ama maliyeti yüksek; hem duruş süresi hem de acil yedek parça masrafı cabası.
• Önleyici bakım: Takvime bağlı periyodik bakım. Makine henüz sağlıklıyken parça değiştirilir, bu da gereksiz maliyet ve iş gücü kaybı demek.

Her ikisi de aslında körü körüne hareket etmektir. Kestirimci bakım ise "makine bana ne söylüyor?" sorusunu sormaktan başlar.

Kestirimci Bakım Nasıl Çalışır?

Temel fikir şu: Makineler arızalanmadan önce sinyal verir. Titreşim artar, sıcaklık yükselir, akım tüketimi değişir, ses frekansı kayar. Bu sinyaller sensörler aracılığıyla sürekli toplanır, bir veri platformuna akar ve makine öğrenmesi modelleri bu akışı gerçek zamanlı olarak yorumlar.

Sürecin ana bileşenleri şunlardır:

1. Veri Toplama: IoT sensörler (titreşim, sıcaklık, basınç, akım) ve SCADA/PLC sistemleri veriyi üretir. 2. Veri İletimi: MQTT, OPC-UA gibi protokollerle edge cihazlardan buluta ya da on-premise platforma taşınır. 3. Özellik Mühendisliği: Ham sinyalden anlamlı özellikler çıkarılır; örneğin FFT ile frekans bileşenleri, kayan ortalamalar, anomali skorları. 4. Model Eğitimi: Geçmiş arıza kayıtlarıyla etiketlenmiş verilerden sınıflandırma ya da regresyon modelleri kurulur. Etiketli veri yoksa anomali tespiti (Isolation Forest, Autoencoder) tercih edilir. 5. Uyarı ve Aksiyon: Model belirli bir eşiği aştığında bakım ekibi uyarılır, hatta CMMS sistemine otomatik iş emri açılır.

Gerçek Hayattan Bir Senaryo

Bir pompa motorunu düşünelim. Rulmanlar yıpranmaya başladığında titreşim spektrumunda 3X ve 5X harmonikler belirginleşir. Bu değişim gözle görülmez ama bir titreşim sensörü ve FFT analizi saniyeler içinde yakalar. Model, "30 gün içinde arıza riski %87" dediğinde ekip, makinenin planlı duruş gününde rulmanı değiştirir. Üretim kesintisi: sıfır.

Başarı İçin Kritik Noktalar

Kestirimci bakım projelerinin büyük kısmı pilot aşamada takılır. Nedenleri genellikle şunlardır:

• Veri kalitesi sorunları: Sensör ölçümleri gürültülü, eksik ya da yanlış kalibre edilmiş olabilir.
• Yetersiz etiketli veri: Arıza kayıtları tutulmamışsa model eğitmek güçleşir.
• OT/IT entegrasyon duvarı: Operasyon teknolojisi ile IT altyapısının konuşturulması zaman alır.
• Kültürel direnç: Sahada "makine bize mi öğretecek?" tutumu projenin önündeki en büyük engel olabilir.

Bu noktaların her birini projenin başında masaya yatırmak, ileride hayal kırıklığı yaşamamanın tek yolu.

Sonuç

Kestirimci bakım, sihirli bir kutu değil; iyi veri, doğru model ve operasyonel disiplinin ürünü. Doğru kurulduğunda ise faydaları somut: arıza kaynaklı duruş sürelerinde %30-50 düşüş, yedek parça maliyetlerinde ciddi tasarruf ve en önemlisi — öngörülemeyen sürprizlerin azalması. Üretim dünyasında sürpriz sevmeyiz.

Sonraki yazıda bu mimarinin veri tarafına, özellikle zaman serisi veritabanlarına ve streaming pipeline tasarımına gireceğim.