Hata payının sıfıra yakın olduğu, validasyon ve kalite standartlarının üretimin her anına yön verdiği ilaç sektöründe; bakım yönetimi artık sadece makineleri çalıştırmak değil, devasa bir veri setini stratejik bir avantaja dönüştürmek anlamına geliyor. Novartis Bakım Mühendisi Ege Şen ile gerçekleştirdiğimiz röportajımızda; klasik kök neden analizlerinin yapay zeka ile nasıl yeni kapılar açtığını, dijital ikizlerin ve makine öğrenmesi algoritmalarının bakım kararlarını nasıl tecrübe odaklı olmaktan çıkarıp veri destekli hale getirdiğini konuştuk. Şen, teknik detayların yanı sıra, shut down gibi devasa projelerin bütçe ve zaman sapması olmadan nasıl yönetilebileceğine dair detayları da okurlarımızla paylaştı.
Sürekli iyileştirme kültürü, bakım ekiplerinin performansını doğrudan etkileyen önemli bir unsur iken, bir bakım organizasyonunda Kaizen, TPM veya benzeri iyileştirme yaklaşımlarının kalıcı bir kültüre dönüşmesi için hangi adımlar atılmalı?
İlaç sektöründe bakım organizasyonlarında Kaizen, TPM gibi yaklaşımların kalıcı bir kültüre dönüşmesi için en kritik adım, bu sistemlerin “ekstra iş” olarak değil, günlük bakım pratiğinin doğal bir parçası haline getirilmesidir. Novartis’te bakım ekipleri için sürekli iyileştirme; KPI’lara entegre edilmiş, ölçülebilir ve sahada karşılığı olan bir yapıda ele alınır. SAP PM üzerinden yürütülen bakım bildirimleri ve iş emirleri, sadece arıza çözmek için değil, kayıp zamanların ve tekrar eden sorunların görünür kılınması için kullanılır.
Kalıcı kültür için üç temel unsur öne çıkıyor:
· Sahiplik: İyileştirme aksiyonlarının yalnızca yöneticiler tarafından değil, teknisyen seviyesinde de sahiplenilmesi.
· Standartlaştırma: Başarılı uygulamaların prosedürlere, bakım planlarına ve eğitim içeriklerine yansıtılması.
· Şeffaflık: Ekipman performans verilerinin herkes tarafından erişilebilir olması.
Bu yaklaşım sayesinde Kaizen çıktıları tek seferlik kazanımlar olmaktan çıkıp, bakım stratejisinin sürdürülebilir bir parçasına dönüşüyor.
Arıza sonrası gerçekleştirdiğiniz Kök Neden Analizi süreçlerinde, sorunun tekrarını engellemek adına hangi metodolojileri dijital araçlarla harmanlıyorsunuz? Analiz sonuçlarının, ekipman tasarım iyileştirmelerine veya yazılımsal güncellemelere dönüşme sürecini nasıl yönetiyorsunuz?
Arıza sonrası yürütülen Kök Neden Analizi süreçlerinde klasik yöntemler (5 Why, Fishbone, FMEA) hala temel yapı taşlarıdır. Ancak Novartis’te bu metodolojiler, dijital sistemlerle desteklenerek daha güçlü hale getirilir. Arıza kayıtları, geçmiş bakım verileri, proses parametreleri ve alarm logları SAP ve ilgili otomasyon sistemlerinden analiz edilir.
Önemli nokta, analiz sonuçlarının yalnızca “rapor” olarak kalmamasıdır. Kök neden doğrulandığında;
· Tasarımsal iyileştirme gerekiyorsa ekipman üreticileriyle teknik değerlendirmeler başlatılır,
· Yazılımsal bir zafiyet söz konusuysa PLC/SCADA güncellemeleri veya alarm felsefesi revizyonları devreye alınır,
· Sonuçlar bakım planlarına, yedek parça stratejilerine ve eğitim içeriklerine entegre edilir.
Bu sayede RCA çıktıları, gerçek anlamda tekrar önleyici aksiyonlara dönüşür.
Klasik Kök Neden Analizi yöntemlerinin tıkandığı noktada, yapay zeka ve makine öğrenmesi algoritmaları görünmeyen korelasyonları yakalayarak size nasıl yeni kapılar açıyor?
Bazı arızalar vardır ki klasik Kök Neden Analizi (RCA) yöntemleriyle net bir kök nedene ulaşmak mümkün olmaz. İşte bu noktada yapay zeka ve makine öğrenmesi algoritmaları, insan gözünün kaçırdığı korelasyonları ortaya çıkarır. Özellikle çok değişkenli proseslerde; çevresel koşullar, ekipman yükleri, operatör müdahaleleri ve zaman bazlı veriler birlikte analiz edildiğinde yeni ve daha derin içgörüler elde edilir.
Novartis’te bu tür analizler, bakım ekiplerine yalnızca “neden–sonuç” ilişkisiyle sınırlı kalmayan, olasılık temelli ve veri odaklı bir bakış açısı kazandırır. Bu yaklaşım, bakım stratejisinin reaktif yapıdan çıkıp proaktif ve hatta öngörücü bir seviyeye taşınmasını sağlar. Aynı zamanda Novartis’te yapay zeka kullanımının gündelik iş hayatına her geçen gün daha fazla entegre edilmesine yönelik çalışmalar yürütülmekte; çalışanların yapay zekaya dair öğrenme ve farkındalık seviyelerini artırmak amacıyla çeşitli eğitim ve gelişim programları desteklenmektedir.
İlaç üretimi sektöründe, yapay zeka algoritmalarının bakım süreçlerine entegrasyonu karar destek mekanizmalarını nasıl dönüştürüyor? Yapay zeka destekli modeller, ekipmanların RUL tahminlerinde ne kadarlık bir doğruluk payı sağlıyor?
İlaç üretiminde yapay zeka, bakım kararlarını “tecrübe odaklı” yaklaşımdan “veri destekli” yaklaşıma dönüştürmektedir. Öngörücü bakım (predictive maintenance) kapsamında; sıcaklık izleme, motor titreşim ölçümleri, basınç ve proses trendlerinin takibi ile makinelerin çalışma saatlerinin izlenmesine dayalı sayaç bazlı bakım uygulamaları yaygın olarak kullanılmaktadır. Sensör verileri, titreşim analizleri ve zaman bazlı ekipman verileri üzerinden çalışan algoritmalar; ekipmanların Remaining Useful Life (RUL) tahminlerinde giderek daha güvenilir sonuçlar sunmaktadır.
Bu predictive maintenance sistemlerini yapay zeka ile desteklemeye yönelik çalışmalar yürüten ekipler sayesinde; arıza olasılıkları daha erken aşamada tespit edilebilmekte, bakım müdahaleleri doğru zamanda planlanmakta ve bakım öncelikleri dinamik olarak belirlenmektedir. Bu yaklaşım, bakım ekiplerine “ne zaman müdahale edilmeli” sorusunun net cevabını sunarken; plansız duruş riskini, ürün kaybını ve validasyon üzerindeki olası etkileri minimize etmektedir. En kritik kazanım ise bakım kararlarının artık tek bir parametreye değil, bütüncül ve entegre bir veri setine dayanmasıdır.
Shut down gibi büyük ölçekli bakım projelerinde proje yönetimi disiplini plansız riskleri ve bütçe sapmalarını nasıl minimize eder?
Shut down gibi büyük ölçekli bakım faaliyetlerinde, teknik uzmanlık kadar güçlü ve disiplinli bir proje yönetimi yaklaşımı da kritik öneme sahiptir. Novartis’te bu süreçler; net tanımlanmış kapsam, detaylı risk analizleri, kaynak ve malzeme planlaması ile gerçekçi zaman çizelgeleri üzerinden yapılandırılır. Plansız riskleri ve bütçe sapmalarını minimize edebilmenin temelinde ise güçlü bir ön planlama kültürü yer alır.
Shut down hazırlıkları, bakım, üretim, kalite, HSE, tedarik ve dış paydaşların katılımıyla gerçekleştirilen disiplinler arası toplantılar ile yürütülür; bu toplantılarda tüm taraflar teknik kapsam, sorumluluklar ve zaman planı üzerinde karşılıklı olarak “el sıkışır”. Kritik işler, ekipman revizyonları ve validasyon etkileri aylar öncesinden masaya yatırılarak önceliklendirilir. Aynı şekilde dış firmalarla da erken fazda iletişime geçilerek, ihtiyaç duyulan servisler, yedek parçalar ve insan kaynağı önceden belirlenir ve planlara entegre edilir.
Detaylı ön planlama, kritik yol analizleri ve sürekli ilerleme takibi sayesinde; potansiyel riskler shut down başlamadan görünür hale gelirken, değişiklikler kontrollü bir değişiklik yönetimi yaklaşımıyla ele alınır. Bu yapı, bütçe sapmalarının önüne geçilmesini, kaynakların verimli kullanılmasını ve shut down sürecinin güvenli, zamanında ve hedeflenen kalite standartlarında tamamlanmasını sağlar. Böylece shut down, yalnızca bir bakım faaliyeti değil; operasyonel mükemmelliğin ve kurumsal disiplinin somut bir göstergesi haline gelir.
