Endüstriyel tesisler, dijital dönüşümle birlikte bakım anlayışını kökten değiştiriyor. "Bakım 4.0", arızaları önceden tahmin ederek kesintisiz ve verimli üretimi hedefleyen stratejik bir dönüşümdür. Kormetal A.Ş Bakım Müdürü / Enerji Yöneticisi Rafet Sağlam tarafından hazırlanan bu makale, bu dönüşümü pratikte hayata geçirmenin yol haritasını sunmayı amaçlıyor.
Sağlam, bu makalede öncelikle, güvenlik, veriye dayalı karar alma ve sürekli iyileştirme gibi temel bakım ilkelerinin dijital çağdaki önemini vurguluyor. Ardından, çok sayıda makinenin olduğu tesislerde önceliklendirme kararlarının nasıl alınması gerektiği, kestirimci bakım süreçlerindeki gizli kayıplar ve sistemlerin etkin kullanımının önündeki insan ve kültür odaklı engelleri ele alan Sağlam; son olarak, yapay zeka ve makine öğrenmesi gibi teknolojilerin sahada ne ölçüde karşılık bulduğunu, endüstriyel tesislerin Bakım 4.0 yolculuğunda odaklanması gereken gerçekçi adımları öneriyor.
Çalıştığınız üretim tesislerinde bakım yönetimini kurgularken sizin için “olmazsa olmaz” ilkeler nelerdir?
Bakım yönetiminde, operasyonu reaktif bir arıza giderme sürecinden, üretimin güvenilirliğini ve verimliliğini yöneten stratejik bir işlev haline getirmek temel hedefimiz. Bu hedefe ulaşmak için benimsediğimiz temel ilkeler şu şekildedir:
- Öncelikli Güvenlik ve Çevre: Tüm bakım faaliyetlerinde iş güvenliği prosedürleri ve çevresel risk kontrolü mutlak önceliğe sahiptir.
- Veriye Dayalı ve Öngörülü Yaklaşım: Kararlar, ekipman durum verileri (titreşim, termal, yağ analizi vb.) ve performans göstergelerine dayanır. Reaktif bakımı azaltarak planlı ve öngörülü bakıma geçiş esastır.
- Kaynakların Kritik Varlıklara Odaklanması: Bakım kaynakları, durmaları durumunda güvenlik, üretim ve maliyet üzerinde en büyük etkiye sahip ekipmanlara yönlendirilir.
- Standardizasyon ve Süreklilik: İş talimatları ve kontrol listeleri ile bakım faaliyetleri standartlaştırılır, böylece bilgi kurumsallaşır ve iş kalitesi garanti altına alınır.
- Bakım-Üretim İş Birliği: Bakım ve üretim ekipleri, kesintisiz ve güvenli üretim hedefiyle ortak hareket eden tek bir ekip olarak çalışır.
- Sürekli İyileştirme: Her arıza, kök neden analizi ile değerlendirilir ve tekrarlanmaması için sistemde gerekli iyileştirmeler yapılır.
- Teknoloji ile Verimliliğin Artırılması: Modern bir Bakım Yönetim Sistemi (CMMS/YMMS) temel altyapı olarak kullanılır. IoT ve analitik araçlar, getirisi yüksek kritik varlıklarda kademeli olarak devreye alınır.
- Performansın Ölçülmesi ve Şeffaflık: OEE, MTBF, MTTR gibi temel performans göstergeleri takip edilerek durum objektif olarak değerlendirilir ve iyileştirme alanları belirlenir.
Çok sayıda makine ve varlığın bakım sorumluluğunu üstlenen bir yapıda, önceliklendirme kararlarını hangi teknik ve operasyonel kriterlerle alıyorsunuz?
Bir üretim tesisinde, binlerce makinenin bakımından sorumlu bir ekip olarak önceliklendirme kararları, sistematik bir filtreleme sürecine dayandırılır. Bu sürecin odağında üç temel kriter vardır: güvenlik, üretimsel etki ve teknik veri. İlk ve değişmez kriter, can güvenliği ve çevresel risklerdir; bir arıza yangın, elektrik çarpması veya kimyasal sızıntı riski taşıyorsa, tartışmasız en yüksek önceliği alır. Bu kritik eşiği aşan durumlarda, ikinci kriter devreye girer: üretimin darboğazı ve finansal kaybı. Hangi makinenin durmasının, üretim hattını tamamen durduracağını, saatlik duruş maliyetini ve kaçırılan siparişleri analiz edilir. Son ve en proaktif karar mekanizması ise veridir. Sensörlerden gelen anomali uyarıları (aşırı ısınma, titreşim artışı), termal kamera taramaları veya ekipmanın geçmiş arıza sıklığı, hangi varlığın ‘problem yaratacak sıradaki ekipman’ olduğunu gösterir. Bu üçlü yaklaşım, acil diye söylenen seslere kapılmadan, kaynakları tesisin güvenliği ve karlılığı için en stratejik şekilde yönlendirmesini sağlar.
Makine verimliliklerinin çıkarılması ve kritik makinelerin bakıma alınması süreçlerinde en sık karşılaşılan “gizli kayıplar” neler oluyor?
Verimlilik analizi ve planlı bakım süreçlerindeki en sık gözden kaçan kayıplar, "planlı" zannettiğimiz duruşların içine gizlenir: Hazırlık ve bekleme süreleri (iş emri, çizim, doğru yedek parçanın bulunması), aşırı veya eksik bakım (standart dışı aralıklarla yapılan gereksiz müdahaleler veya atlanan kritik kontroller) ve en tehlikelisi kalite ile güvenlik risklerindeki sessiz artış (aceleye gelen işlerdeki montaj hataları veya prosedür atlamaları, ileride daha büyük arıza ve kazalara zemin hazırlar). Bu gizli maliyetleri minimize etmek için, bakımı bir proje gibi yönetir; hazırlık toplantıları, tüm malzeme/doküman hazırlığı ve veriye dayalı bakım aralığı optimizasyonu ile asıl hedef olan "iki bakım arasındaki kusursuz çalışma süresini" maksimize etmeye odaklanılır.
Bakım varlık yönetim sistemlerinin etkin kullanımı çoğu tesiste hedeflenen ama tam anlamıyla hayata geçirilemeyen bir konu. Sizce sistem değil, yaklaşım tarafında en çok nerede zorlanılıyor?
En büyük zorluk, sistemi bir "ceza/izleme aracı" olarak değil, bir "karar destek ve kolaylaştırıcı ortak" olarak benimseyememekten kaynaklanıyor. Bu da üç temel yaklaşım hatasına yol açıyor:
Birincisi, "doldurulması gereken bir form" zihniyeti; teknisyenler ve planlamacılar, işin hızlıca tamamlanması için sisteme eksik, yanlış veya gecikmeli veri girişi yapıyor, bu da veri tabanını güvenilmez hale getiriyor.
İkincisi, yönetimin sistemi sadece "rapor alma makinesi" olarak görmesi; elde edilen verileri kök neden analizi yapmak, iyileştirme projeleri başlatmak veya kaynakları optimize etmek için aktif olarak kullanmaması.
Üçüncüsü ve en kritiği ise sistemin günlük akışa entegre edilmemesi; iş emri yönetimi, stok kontrolü ve performans takibi hala telefon, e-posta veya kağıt üzerinden yürüyorsa, sistem kaçınılmaz olarak "ekstra bir iş yükü" olarak kalır ve ölür. Çözüm, sistemi iş süreçlerinin doğal ve vazgeçilmez bir parçası haline getirip, her veri girişinin nasıl daha iyi kararlara ve daha kolay bir işe dönüştüğünü tüm ekibe somut olarak göstermektir.
Titreşim, elektriksel ölçümler ve diğer kestirimci bakım verilerinin sahada toplanması ve yorumlanmasında en kritik hata nerede yapılıyor? Halihazırda çalıştığınız üretim tesisinde nasıl bir projeksiyonla ilerliyorsunuz?
Kestirimci bakım programlarında en kritik hata, veri toplama ile anlamlı aksiyon arasındaki bağın kurulamamasıdır. Titreşim spektrumu veya termal görüntü alındıktan sonra, veri sadece raporlanıp arşivleniyor, ancak bir kök neden analizi süreciyle, onarım planıyla ve nihayetinde makine tasarımı veya işletme prosedürlerinde kalıcı bir iyileştirmeyle sonuçlanmıyorsa, bu büyük bir kayıptır. Bu kısır döngüyü kırmak için, halihazırda tesisimizde "Veriden Aksiyona" adını verdiğim bir projeksiyonla ilerliyorum. Öncelikle, sadece en kritik varlıkları izleyerek başlayıp, ölçüm noktalarını, alım sıklığını ve alarm eşiklerini makine tarihçesi ve üretici verileriyle besleyerek standardize edildi. Daha sonra, toplanan verilerin otomatik olarak YMMS'de ilgili iş emriyle eşleştiği ve bakım planlayıcısına "Şu makinede şu bileşen için gelişmekte olan bir arıza var, şu tarihe kadar müdahale planlayın" şeklinde aksiyon önerisi sunduğu bir iş akışı kuruldu. Hedefimiz, kestirimci bakımı bir "ölçüm faaliyeti" olmaktan çıkarıp, bakım ve üretim programlamasının vazgeçilmez bir girdisi haline getirmek, böylece plansız duruşları proaktif olarak ortadan kaldırmaktır.
CNN, LSTM, makine öğrenmesi gibi kavramlar bakım dünyasında sıkça konuşulan kavramlarken, sizce bu başlıklar bugün sahada ne ölçüde karşılık buluyor?
Bu başlıklar, bakımın geleceğinin tartışmasız parçası olmakla birlikte, bugün sahada "kontrollü pilot uygulamalar" ile "genel operasyonel kullanım" arasında bir yerde karşılık buluyor. En somut karşılığı, büyük ölçekli, sensör yoğun ve kritik varlıklarda (enerji üretim türbinleri, petrokimya kompresörleri, sürekli çalışan ana hatlar) görüyoruz; burada özellikle LSTM gibi zaman serisi modelleri, arıza öngörüsünde giderek olgunlaşan bir araç haline geliyor. Ancak, geniş bir sahaya yayılmış orta ölçekli tesisler için ana engel, "veri altyapısının olgunluğu" ve "iş problemi netliği"dir. Bir CNN modelini besleyecek tutarlı, temiz ve etiketli görüntü verisi (örn. termal kamera veya korozion görüntüleri) veya bir makine öğrenmesi modelini eğitecek yeterli tarihsel arıza verisi çoğu tesis için mevcut değil. Dolayısıyla bugünün gerçekliği, bu teknolojilerin sadece %1-5'lik en kritik ekipman için, güçlü bir veri mühendisliği ve alan uzmanlığı ile entegre edildiği pilot projelerde başarılı olduğu, ancak geri kalan %95'lik kısımda hala temel izleme (condition monitoring) ve veri kalitesi aşamasında olunduğudur. Kısacası, potansiyel devasa ama öncelik veri kültürünü ve altyapısını inşa etmekten geçiyor.
