EMBA Energy Bakım Kıdemli Mühendisi Ozan Derinalp, BOP (Balance of Plant) ve FGD (Flue Gas Desulfurization) sistemlerinden veri temelli arıza tahmin modellerine uzanan teknik perspektifiyle bakım organizasyonlarının dönüşüm yolculuğunu analiz ederken; sahadan beslenen mühendislik verisinin yapay zeka algoritmalarıyla birleştiğinde nasıl bir kurumsal değer yarattığını aktardı.
Endüstriyel tesislerde bakım fonksiyonunu; üretim, enerji ve yardımcı işletmeler ekseninde nasıl konumlandırmak gerekir? Bu yapı neden bütüncül ele alınmalı?
Endüstriyel tesislerde bakım fonksiyonu, yalnızca arıza onaran bir destek faaliyeti olarak değil; üretim, enerji ve yardımcı işletmelerle doğrudan entegre çalışan stratejik bir fonksiyon olarak konumlandırılmalıdır. Üretim sürekliliği, enerji verimliliği ve çevresel uyum hedefleri ancak bakımın bütüncül bir yapı içinde ele alınmasıyla sağlanabilir. Yardımcı işletmelerde yaşanan bir sorun, çoğu zaman üretim hattında plansız duruşlara kadar neden olur. Bu nedenle bakım organizasyonunun, parçalı bir organizasyon yapısından çıkarak; sahada yaşanan arızaları proses ve sistem etkileşimleriyle birlikte ele alan bir anlayışla yönetilmesi kritik önemdedir.
BOP (Balance of Plant) ve FGD (Flue Gas Desulfurization) sistemlerini mekanik bakım açısından “yüksek kritiklikte ekipman” yapan temel parametreler nelerdir? Bu sistemlerde hata toleransı neden bu kadar düşüktür?
BOP ve FGD sistemleri, mekanik bakım açısından yüksek kritiklikte ekipmanlar barındırır. Bu sistemler; sürekli çalışmak zorunda olmaları, prosesin ana akışına doğrudan etki etmeleri ve çoğu zaman yedekli tasarım imkanlarının sınırlı olması nedeniyle hata toleransı düşük yapılardır. Bu sistemler, çevre mevzuatı (özellikle emisyon limitleri ve süreklilik şartları) ile doğrudan ilişkili olup, plansız duruş durumlarında hem üretim kaybı hem de mevzuata uyumsuzluk riski doğurur. Yüksek sıcaklık, agresif kimyasal ortamlar, aşındırıcı partiküller ve değişken yük koşulları, bu ekipmanları arıza açısından daha hassas hale getirir. Bu nedenle bu sistemlerin yüksek güvenilirlikte çalışması gerekir.
Sıcaklık, korozyon ve partikül yükü gibi proses şartlarının mekanik ekipman ömrüne etkisi nasıl yönetilmeli?
Proses şartları olarak tanımlanan sıcaklık, korozyon ve partikül yükü; mekanik ekipman ömrünü doğrudan belirleyen temel faktörlerdir. Bu etkilerin yönetimi, yalnızca doğru malzeme seçimiyle sınırlı değildir. Özellikle FGD sistemlerinde kullanılan fanlar, pompalar ve borulama hatları için kaplama uygulamaları ve korozyon izleme programları; EN ve ASTM standartları dikkate alınarak değerlendirilmelidir. Proses verilerinin sürekli izlenmesi, sınır ve kritik eşiklerin tanımlanması ve ekipman davranışındaki sapmaların erken tespiti ve müdahalesi gerekir. Ayrıca bakım ve proses ekipleri arasında güçlü bir iletişim kurulmadan, bu tür çevresel etkilerin uzun vadeli yönetimi mümkün değildir.
Yapay zeka ve veri bilimi uygulamalarının mekanik bakımda gerçek değer üretmesi için hangi veri olgunluk seviyesi gerekir?
Yapay zeka ve veri bilimi uygulamaları, mekanik bakım alanında önemli bir potansiyel barındırmakla birlikte, sanayi uygulamalarında genel olarak henüz tam olgunlaşma sağlanmadı. Sürdürülebilir değer üretimi, yalnızca yazılım ve algoritma yatırımlarıyla değil; bakım ve proses mühendislerinin bu sürece aktif olarak dahil olmasıyla mümkündür. Sensör kalibrasyonlarının mevzuata uygunluğu, veri sürekliliği ve izlenebilirlik gibi temel konular, büyük ölçüde sahadaki mühendislik disiplininin katkısını gerektirir. Arıza, bakım ve işletme verilerinin ortak bir dil ve tutarlı bir yapı ile kayıt altına alınması, geliştirilecek yapay zeka modellerinin güvenilirliğini artırırken; mühendislerin sahadan edindiği tecrübenin dijital sistemlere aktarılmasını da mümkün hale getirir. Bu yaklaşım benimsenmediği sürece, yapay zeka uygulamalarının sahada kalıcı karşılık bulması ve bakım organizasyonları tarafından sahiplenilmesi zorlaşacaktır.
Yanlış pozitif ve yanlış negatif alarmlar, kestirimci bakım sistemlerine olan güveni nasıl etkiliyor? Bu sorunlar nasıl minimize edilebilir?
Yanlış pozitif ve yanlış negatif alarmlar, kestirimci bakım sistemlerine duyulan güveni doğrudan etkiler. Sürekli yanlış alarm üreten sistemler zamanla göz ardı edilirken, kaçırılan arızalar ciddi operasyonel riskler doğurur. Bu sorunların minimize edilmesi için model çıktılarının saha bilgisiyle doğrulanması ve alarm eşiklerinin de dinamik olarak güncellenmesi gerekmektedir. Bakım ekiplerinin bu sistemlerin gelişim sürecine aktif olarak dahil edilmesi gerekir.
Yapay zeka tabanlı arıza tahmininde modelin kendini güncellemesi (learning loop) bakım organizasyonunu nasıl dönüştürüyor?
Yapay zeka tabanlı arıza tahmin modellerinde learning loop, sayesinde, arıza tahmin modellerinin sahadan gelen geri bildirimlerle kendini sürekli güncellemesi ve her bakım müdahalesi sonrası daha isabetli hale gelmesini sağlaması neticesinde bakım tecrübesini kurumsal hafızaya alan ve planlı müdahaleyi mümkün kılan bir yapıya dönüştürür. Planlı müdahalelerin olması gerektiği gibi ne fazla ne de az olması modelin de doğru çalıştığını gösterir. Bu sayede bakım ekipleri yalnızca uygulayıcı değil, karar süreçlerine katkı sunan bir rol üstlenir.