Mekatronik Mühendisi ve Bakım & Güvenilirlik Odaklı Sistemler Uzmanı Orhan Cevizözü bu yazısında, yapay zeka kullanılmadan geliştirilen; ancak AI’a hazır bir veri altyapısı oluşturan entegre kestirimci bakım modelinin saha uygulamasını ve sonuçlarını paylaştı.

ÖLÇÜM DİSİPLİNİ: DİJİTAL DÖNÜŞÜMÜN İLK ADIMI

Modern üretim tesislerinde yüksek devirli motorlar, redüktörler, hidrolik sistemler ve enerji dağıtım altyapıları operasyonel sürekliliğin temelini oluşturur. Bu ekipmanlarda meydana gelen plansız bir duruş yalnızca bakım maliyetini değil; üretim kaybını, enerji verimliliğini ve teslimat performansını doğrudan etkiler.

Kestirimci bakımın temel sorusu nettir:
“Arıza oluşmadan önce bunu nasıl görebiliriz?”

Bu amaçla üç temel veri kaynağı entegre edilmiştir:

• Titreşim analizi
• Termal görüntüleme
• Yağ ve partikül analizi

Her biri farklı fiziksel göstergeler sunsa da, hepsi ekipman sağlığının farklı boyutlarını temsil eder. Ancak gerçek değer, bu verilerin ayrı ayrı değerlendirilmesinden değil; tek bir karar modelinde birleştirilmesinden doğar.

ENTEGRE ANALİTİK VE SAĞLIK İNDEKSİ (SI)

Farklı birimlerde ölçülen parametrelerin karşılaştırılabilir olması için tüm veriler 0–100 aralığında normalize edilerek “Sağlık İndeksi (SI)” adı verilen tek bir skora dönüştürülmüştür. Böylece titreşim, sıcaklık ve yağ verileri ortak bir karar zemini üzerinde buluşmuştur.

Model üç seviyeli çıktı üretmektedir:

• 0–40 → Normal
• 41–70 → Yakın Takip
• 71–100 → Planlı Müdahale

Bu yapı, bakım ekiplerine yalnızca alarm üretmemiş; müdahale zamanlamasını optimize etmiştir. Daha önemlisi, her kararın teknik gerekçesi şeffaf biçimde izlenebilir hale gelmiştir.

SAHA SONUÇLARI: ÖLÇÜLEBİLİR KAZANIM

Altı aylık uygulama sonunda elde edilen performans göstergeleri dikkat çekicidir:

• Plansız duruşlarda %32 azalma
• Toplam bakım maliyetlerinde %27 tasarruf
• Kritik rulman arızalarının ortalama 2–3 hafta önceden tespiti

Örneğin; bir elektrik motorunda titreşim hız değerinin üç ölçüm periyodu boyunca kademeli artış gösterdiği belirlenmiştir. FFT analizinde temel frekans ve harmonik bileşenlerde yükselme tespit edilmiş; zarf ivme değerleri rulman hasarına işaret etmiştir. Ekipman arızalanmadan planlı bakım programına alınmış ve üretim kaybı oluşmadan müdahale edilmiştir.

Bir başka uygulamada ise enerji dağıtım panosunda yapılan termal analizde faz bağlantısında 110°C seviyesine ulaşan anormal sıcaklık artışı belirlenmiştir. Bağlantı gevşekliği giderildikten sonra sıcaklık 27°C seviyesine düşmüş; potansiyel bir yangın riski ve ani enerji kesintisi önlenmiştir.

AI’A HAZIR BİR VERİ EKOSİSTEMİ

Bu uygulamada makine öğrenmesi algoritmaları kullanılmamıştır. Ancak oluşturulan veri mimarisi; düzenli ölçüm, standardize edilmiş kayıt, trend analizi ve karar sınıflandırması sayesinde AI entegrasyonuna hazır bir yapı oluşturmuştur.

Gerçek şu ki; yapay zeka bir başlangıç değil, bir çarpandır. Sağlam veri temeli yoksa, en gelişmiş algoritmalar bile güvenilir sonuç üretmez. Ancak disiplinli veri yönetimi ve entegre analiz kültürü yerleştiğinde, AI sistemleri çok daha hızlı ve anlamlı sonuçlar üretir.

BAKIM 4.0’IN GERÇEK TANIMI

Bakım 4.0; yalnızca sensör yatırımı ya da yazılım satın almak değildir. Asıl dönüşüm, ölçüm disiplininin kurumsallaşması, verinin sürekliliğinin sağlanması ve karar mekanizmasının sistematik hale gelmesiyle başlar.

Sonuç olarak; yapay zeka destekli sistemler bakım dünyasının geleceğinde önemli bir yer tutacaktır. Ancak sürdürülebilir dijital dönüşüm, algoritmalarla değil, veri kültürüyle başlar. Ölçüm disiplinini kurmamış, geçmiş verisini güvenilir şekilde toplamamış ve karar mekanizmasını sistematik hale getirmemiş bir organizasyon için AI yalnızca pahalı bir araçtan ibaret kalır.

Gerçek dönüşüm; ekipman davranışını sayısallaştırmak, trendleri görünür kılmak ve kararları veriyle temellendirmekle başlar. Bu temel oluşturulduğunda, yapay zeka bir başlangıç değil; mevcut gücü katlayan bir ivme mekanizmasına dönüşür.

Bakımın geleceği; sensör yatırımı yapan değil, verisini yöneten kurumların olacaktır ve dijitalleşme yolculuğunda en güçlü adım, karmaşık algoritmalar değil; disiplinli veri yönetimi ve entegre analitik kültürdür.

Kozmetik üretim tesislerinde bakım yönetiminin diğer endüstrilere göre farklılaştığı temel noktalar nelerdir? Bu tesislerde proses ekipmanlarının sürekliliğini sağlamak adına uyguladığınız bakım stratejilerinden bahseder misiniz?

Kozmetik üretim tesislerini diğer endüstrilerden ayıran temel fark, bakım süreçlerinin doğrudan ürün güvenliği ve hijyen standartlarıyla iç içe geçmiş olmasıdır. Bizim için bakım, sadece bir makineyi çalışır tutmak değil, aynı zamanda GMP gerekliliklerini eksiksiz yerine getirmek anlamına gelir. Kozmetik üretim tesislerinde bakım faaliyetleri, ürünle temas eden yüzeylerin sterilitesini bozmamalıdır. Ekipmanlarımızın ürünle temas eden tüm yüzeyleri korozyona dirençli ve mikrobiyolojik üremeyi engelleyen paslanmaz çelikten üretilmiştir; bu yüzden bakım faaliyetlerimiz sırasında bu yüzeylerin sterilitesini ve pürüzsüzlüğünü korumak bizim için bir önceliktir.

Kozmetik sektöründeki dinamizm, beraberinde yoğun bir ürün çeşitliliğini ve buna bağlı olarak sıkça yapılan format değişimlerini getiriyor. Bu durum, ekipmanların mekanik yorulmasını hızlandırdığı gibi ayar hassasiyetlerini de sürekli zorlayan bir faktördür. Özellikle makine kapasite kullanım oranlarının %80’in üzerine çıktığı yüksek yoğunluklu üretim hatlarımızda, yıllık planlı bakımları koordine etmek oldukça zorlayıcı bir süreç haline geliyor. Bu kısıtlı zaman pencerelerinde maksimum verim alabilmek için hazırlık ve yedek parça tedarik süreçlerimizi çok daha titiz bir planlamayla yürütüyoruz. Takvim bazlı planlı bakımları, veriye dayalı kestirimci analizlerle destekleyerek arıza duruşlarını minimize ediyoruz.

Dolum, karıştırma, homojenizasyon ve paketleme hatlarında en kritik arıza türleri hangileri ve bunlara karşı nasıl bir önleyici yaklaşım izliyorsunuz?

Süreçlerimizi İmalat ve Dolum olarak ikiye ayırmaktayız.

İmalat tarafında, ürün viskozitesi ve yüksek tork nedeniyle en çok mekanik aşınmalarla karşılaşıyoruz. Karıştırıcı ünitelerimizde kullandığımız mekanik salmastraların aşınması bizim için kritik risklerden biridir. Salmastrada meydana gelebilecek bir sızıntı, yağın ürüne karışmasına, yani kontaminasyona neden olur. Ayrıca, aşınan bir salmastra mil yataklarına zarar vererek çok daha büyük mekanik hasarları tetikleyebilir. Bu yüzden, sızıntı riskini sıfıra indirmek adına bu kritik parçaların değişimini periyodik bakımlarla güvence altına alıyoruz. Parçada herhangi bir deformasyon olmasa dahi planlanan takvimde değişimini gerçekleştiriyoruz.

Dolum tarafında süreç, imalatın aksine daha yüksek hızlar ve tekrarlı mekanik döngüler üzerine kuruludur. Ürünün kazandan ambalajlara aktarılmasını sağlayan vanalar ve pistonlar ise mekanik aşınmanın en yoğun yaşandığı, hassas dozajlama için kritik olan bileşenlerimizdir. Bu bileşenlerdeki sızdırmazlık ekipmanlarını ufak bir aşınma, dozajlama hassasiyetini bozarak hem maliyet artışına hem de yasal standartların dışına çıkılmasına neden olabilir bu da fire oranımızı artırabilir. Bu nedenle düzenli periyotlarla sızdırmazlık ekipmanlarının takibi ve değişimi yapılır.

Beklenmeyen duruşların üretim planına etkisini minimize etmek için hangi acil durum ve yedekleme stratejilerini kullanıyorsunuz?

Beklenmeyen duruşları kökten çözmek için öncelikle makinelerin planlı bakımlarını, üretim programını aksatmayacak şekilde en uygun zaman dilimlerinde tamamlıyoruz. Ancak sadece planlı bakımlarla yetinmiyor, olası kriz anlarını yönetmek adına bir yedekleme ve acil durum stratejisi yürütüyoruz. Üretimin sürekliliği açısından kritik olan bileşenleri, ERP sistemimizin altyapısında yer alan emniyet stoğu yönetimi modülü ile güvence altına alıyoruz; sarf ve tüketimleri analiz edip takip edebiliyoruz. Bu sayede parça bekleme sürelerini minimize ederek makineleri en kısa sürede tekrar devreye alabiliyoruz.

Beklenmeyen uzun arıza duruşları sonrası gerçekleştirdiğimiz Kök Neden Analizleri ile sorunu sadece çözmekle kalmayıp problemin kaynağına inerek arızanın tekrarlanmasını engelleyen kalıcı çözümler üretiyoruz.

Günlük bakım faaliyetlerinde “önemsiz gibi görünen” hangi göstergeler aslında büyük risklerin erken sinyali olabilir?

Üretim sahasında çoğu zaman ihmal edilen küçük hava sızıntıları, aslında sistem bütünlüğü açısından kritik birer risk göstergesidir. Bu sızıntılar yalnızca teknik bir kayıp oluşturmakla kalmaz; aynı zamanda gereksiz enerji tüketimine neden olarak sürdürülebilirlik hedeflerimizi ve karbon ayak izimizi doğrudan olumsuz etkiler.

Bakım yaklaşımımızın ayrılmaz bir parçası olan iş sağlığı ve güvenliği kapsamında; acil stop butonları, manyetik kapı emniyet switch’leri ve ışık perdeleri gibi tüm kritik güvenlik ekipmanlarını günlük rutin kontrol planlarımızın odağına yerleştiriyoruz. Söz konusu güvenlik ekipmanlarının işlevselliğini düzenli olarak kontrol ederek hem üretim sürekliliğini güvence altına alıyor hem de ekip arkadaşlarımız için güvenli bir çalışma ortamını sürdürülebilir

Mekanik sistemlerde en sık karşılaşılan arıza türleri nelerdir ve bunların kök neden analizi hangi metodolojilerle yapılmalıdır?

Mekanik ekipmanlarda en yaygın görülen arızalar arasında mekanik aşınmalar, titreşime bağlı oluşan hasarlar, yetersiz ya da hatalı yağlama ve sızdırmazlık ekipmanları yer alır. Bu tür problemler genellikle bakım süreçlerinin düzenli yürütülmemesi, uygun olmayan malzeme tercihleri veya ekipmanın kapasitesinin üzerinde çalıştırılması gibi sebeplerle ortaya çıkar.

Kök neden analizinde temel ilke, öncelikle arızanın nasıl ve hangi koşullarda ortaya çıktığı net şekilde tanımlanmalıdır. Arızanın tekrar edip etmediği, belirli bir yük veya hız aralığında oluşup oluşmadığı ve ekipmanın bakım geçmişi gibi kritik verileri değerlendirilerek teknik ve operasyonel faktörler birlikte ele alınmalıdır. Analiz sürecinde 5N1K, balık kılçığı diyagramı ve A3 metodolojisi gibi problem çözme araçlarından faydalanılır. Bu yaklaşım, sadece görünen problemi değil, arızaya yol açan temel mekanizmayı ortaya koymayı sağlar.

Malzeme ve ürün akışını iyileştirirken plansız duruşları azaltıyor, iş süreçlerini optimize ediyor ve üretim maliyetlerinin düşürülmesine katkı sağlıyor. BM Makina, VAHLE’nin Türkiye temsilcisi olarak bu entegre sistem çözümlerini yerel üreticilerle buluşturuyor; otomotiv sektöründe esnek, verimli ve sürdürülebilir üretim altyapılarının kurulmasına destek veriyor.

İNTRALOJİSTİKTE KESİNTİSİZ ENERJİ VE VERİ ALTYAPISI

Çevrimiçi perakendeciliğin büyümesi, intralojistik süreçler üzerinde doğrudan ve kalıcı bir etki yaratıyor. Hızlı, güvenilir ve uygun maliyetli e-ticaret hizmetlerine yönelik artan müşteri beklentileri artık manuel süreçlerle karşılanamıyor; malzeme taşıma teknolojileri için kullanılabilir kurulum alanı da giderek azalıyor. Fabrika zeminlerinde artan otomasyon ihtiyacı, malzeme akışlarının verimli yönetilmesini, insan ve makine entegrasyonunun güçlendirilmesini ve üretim süreçlerinin hızlandırılmasını zorunlu kılıyor.

Bu dönüşüm, ileri teknoloji ekipmanların yanı sıra uzmanlık da gerektiriyor. VAHLE, dijital dönüşümün gerekliliklerine yanıt veren akıllı çözümleriyle; elektrifikasyon, veri iletişimi, konumlandırma ve kontrol sistemlerini entegre ederek üretim tesisleri ve sevkiyat merkezlerinde intralojistik süreçleri optimize ediyor. VAHLE | BM MAKİNA GRUP olarak bu teknolojileri yerel sanayiyle buluşturuyor ve artan performans ile verimlilik beklentilerine güvenilir çözümler sunuyor.

https://www.bmmakina.com.tr/

BKB PROFİL HAFİF KREYN SİSTEMLERİ

BM Makina Grup tarafından üretilen BKB Profil Hafif Kreyn Sistemleri; modüler yapısı, hafif ancak yüksek mukavemetli profil tasarımı ve esnek kurulum seçenekleriyle montaj hatlarında ergonomik ve verimli çözümler sağlıyor. Operatör yükünü azaltırken hat içi malzeme akışını hızlandırıyor. Genişletilebilir yapısı sayesinde değişen üretim ihtiyaçlarına kolayca uyum sağlayarak uzun ömürlü ve sürdürülebilir bir yatırım avantajı sunuyor.

LIFTKET ELEKTRİKLİ ZİNCİRLİ VİNÇ ÇÖZÜMLERİ

Alman mühendisliğiyle geliştirilen LIFTKET elektrikli zincirli vinçler, ağır yük kaldırma uygulamalarında yüksek performans ve dayanıklılık sunuyor. Kompakt tasarımı ve güvenli çalışma prensibi sayesinde üretim sahalarında kesintisiz operasyon sağlanıyor. Farklı kapasite seçenekleri ve endüstriyel standartlara uygun yapısıyla bakım, montaj ve genel üretim alanlarında güvenilir bir çözüm oluşturuyor.

BM Makina Grup, mühendislik gücü ve satış sonrası hizmetleriyle sanayiye güvenilir, yüksek performanslı kaldırma altyapıları kazandırıyor.

https://www.bmmakina.com.tr/

Günümüzde yüksek hacimli üretim yapan tesislerde bakım organizasyonunun en kritik performans göstergeleri hangileridir?

Yüksek hacimli üretimde temel odak noktamız OEE olsa da, bu metriğin alt kırılımları operasyonun gerçek sağlığını gösterir. Teknik anlamda en kritik göstergemiz Teknik Kullanılabilirlik oranıdır. MTTR ve MTBF bakım organizasyonunun en kritik iki temel performans göstergesi olarak kabul edilse de otomotiv gibi saniyelerin önemli olduğu bir sektörde mikro-duruşlar genellikle göz ardı edilir. Bu nedenle, MTTR ve MTBF kadar duruş frekansını analiz ettiğimiz MTBIn (Mean Time Between Interruption) verisi, otomasyon sistemlerinin kararlılığını ölçmek için hayati önem taşır. MTBF ekipmanın teknik güvenilirliğini, yani iki arıza arasındaki süreyi ölçer. MTBIn ise ayarsızlık, proses sapması veya sensör hatası gibi üretimi kesintiye uğratan tüm unsurları kapsar. Sahada MTBF yüksek olsa bile, eğer mikro duruşlar fazlaysa MTBIn düşük çıkar ve verimlilik ciddi zarar görür. Yüksek performanslı bir organizasyon, teknik güvenilirliği ve operasyonel stabiliteyi birlikte yönetmelidir.

Yüksek hassasiyetli bileşen üreten tesislerde tolerans sapmalarını erken tespit etmek için hangi kestirimci bakım yöntemleri öne çıkıyor?

Yüksek hassasiyetli bileşenlerde amacımız arızayı değil, kalite sapmasını henüz oluşmadan öngörebilmektir. Bu noktada vibrasyon analizi (FFT) en güçlü aracımızdır. Johnson Electric bünyesindeki Eyes Have It konsepti kapsamında, 14 adet CNC tezgahında iş milleri, eksenler ve yüksek basınç pompaları üzerinde sistematik vibrasyon takibi gerçekleştiriyoruz. Uygulamada, belirli bir çevrim sonrası Idle Run (yüksüz çalışma) periyodunda yüksek örneklemeli veri toplayarak proses etkilerini elimine ediyor ve ekipmanın gerçek mekanik davranışını izliyoruz. MES sistemine aktarılan bu verilerle yaşlanma trendlerini takip ediyor, müdahaleleri kalite bozulmadan planlı bakım penceresine taşıyoruz. Ayrıca online takip ile anlık sıcaklık artışı veya crash durumlarında ilgili birimlere otomatik bildirim göndererek proaktif koruma sağlıyoruz. Bunun yanı sıra termal analiz, yağ analizi, ultrasonik analiz, proses verisi temelli anomali analizi ve SPC entegrasyonu, ekipman sağlığı ile parça kalitesi arasında doğrudan bir bağ kurmamızı sağlıyor.

CMMS, ERP ve üretim veri sistemlerinin entegrasyonu bakım performansını hangi metriklerle iyileştirir?

CMMS, ERP ve üretim veri sistemlerinin entegre çalışması bakım sistematiğinde çarpan etkisi yaratır. Entegrasyon olmadığında bakım ekibi teknik olarak doğru işi yapsa bile finansal etkisi tam olarak ölçülemez. Üretim sahamızda CMMS ve MES tam entegrasyonla çalışmaktadır. MES üzerinden tespit edilen teknik duruşlarda, CMMS üzerinde otomatik iş emri oluşturulur. Faaliyet tamamlandığında işçilik ve yedek parça maliyetleri ilgili ekipmana yansıtılırken; stokların kritik eşiğin altına düşmesi durumunda ERP sistemi üzerinden satın alma talepleri tetiklenir. Bu sayede arıza sıklığı ile vardiya, operatör ve hatta tedarikçi lotu arasında analitik bağlar kurulabilir. Bu da bakımın reaktif değil analitik bir fonksiyon haline gelmesini sağlar. İş emri kapanış süreleri, yedek parça stok devir hızı ve plansız duruş kaynaklı üretim kaybı gibi metrikler bu sayede gerçek zamanlı görünür hale gelmektedir.

Yapay zeka destekli arıza tahmin sistemleri ile klasik kestirimci bakım algoritmaları arasında saha performansı açısından ne fark görüyorsunuz?

Klasik kestirimci bakım algoritmaları büyük ölçüde “eşik değer” mantığıyla çalışır. Örneğin, titreşim belirli bir seviyeyi aşarsa alarm üretir. Bu yaklaşım belirli ve stabil çalışma koşullarında oldukça etkilidir. Ancak otomotiv hatları gibi yükün, çevrim süresinin ve proses parametrelerinin sürekli değiştiği sistemlerde sabit eşik değerleri çoğu zaman yeterli olmaz. Özellikle değişken çalışma dinamiklerinde yüksek oranda hatalı alarm (false-positive) üretme riski vardır. Bu da bakım ekiplerinde alarm yorgunluğu oluşturur ve gerçek kritik sinyallerin gözden kaçmasına neden olabilir.

Yapay zeka ise ekipmanın normal davranış örüntüsünü öğrenerek anomali tespiti yapar. Alüminyum işleme prosesimizde vibrasyon verilerini bir yapay zeka modeliyle değerlendiriyoruz. Projemiz şu an veri örnekleme ve modelleme aşamasında. Hedefimiz sadece alarm doğruluğunu artırmak değil, Kalan Faydalı Ömür tahmini yaparak bakımı gerçek ekipman ihtiyacına göre planlamaktır. AI, bakım stratejisini reaktif yapıdan proaktif bir modele taşıyarak ekipman sağlığı yönetiminde dinamik bir değerlendirme imkanı sunar. Saha performansı açısından en büyük kazanım, yanlış alarmların filtrelenmesi ve bakım takviminin gerçek ihtiyaca dayalı olarak optimize edilmesidir.

Kritik üretim ekipmanlarında MTBF ve MTTR değerlerini iyileştirmek için hangi teknik stratejiler uygulanmalıdır?

Kritik üretim ekipmanlarında MTBF ve MTTR gibi göstergeleri yalnızca vardiya sırasında oluşan arızalara müdahale ederek ve sonrasında kök neden analizi yaparak iyileştirmek mümkündür; ancak bu yaklaşım genellikle sınırlı ve yavaş sonuç üretir. Disiplinli uygulandığında fayda sağlar, fakat sıçrama niteliğinde ve sürdürülebilir bir gelişim için daha sistematik bir yapı gerekir.

Biz bu noktada klasik operasyonel bakım akışından farklı bir model benimsedik. Günlük arıza müdahale süreçlerinden tamamen ayrıştırılmış ve sadece kritik ekipman performansına odaklanan özel bir yapı kurduk. Johnson Electric İzmir fabrikasında bu yapıyı “Focus Team” olarak adlandırıyoruz. Ekibin temel misyonu, özellikle high runner üretim makinelerinde güvenilirlik ve verimlilik artışı sağlamaktır.

Çalışmalar kronik duruşlar, mini duruşlar ve mikro duruşların detaylı analiziyle başlar. Bu aşamada makinelerin adeta röntgeni çekilir. Sadece toplam arıza süresine değil; duruş frekansına, tekrar eden hata modlarına, operatör müdahale noktalarına ve proses kaynaklı sapmalara bakılır. Eş zamanlı olarak üretim, proses ve kalite ekiplerinden gelen geri bildirimler konsolide edilir. TPM çerçevesinde alınacak aksiyonlar netleştirilir ve sorumluluk matrisi oluşturulur. Kritik nokta, bu çalışmaların belirli periyotlarla üst yönetimin katıldığı toplantılarda değerlendirilmesidir. Böylece iyileştirme faaliyetleri yalnızca bakım departmanının gündemi olmaktan çıkar, kurumsal öncelik haline gelir.

2019 yılında başlattığımız bu metodoloji sayesinde fabrikamızdaki üretim hatlarında 1,5 yıl içerisinde toplam %21 OEE iyileşmesi sağladık. OEE’deki artış doğal olarak MTBF, MTTR ve MTBIn metriklerinde çok daha yüksek oranlarda ve kalıcı iyileştirmeler yaşadık. En önemli kazanım ise reaktif bakım anlayışından, veriye dayalı proaktif bakım yönetim anlayışına geçiş oldu. Kritik ekipman güvenilirliği ancak bu seviyede sahiplenildiğinde kalıcı biçimde iyileştirilebiliyor.

Endüstri 5.0 ve Dijital İkiz (Digital Twin) teknolojileri, geleneksel kestirimci bakımı nasıl 'Reçeteli Bakım' seviyesine taşıyor?

Dijital İkiz teknolojisiyle artık ne zaman arıza olacağını öngörmenin ötesine geçip, ne yapılması gerektiğini söyleyen Reçeteli Bakım çağına girdik. Kompleks üretim hatlarında bir tezgahın dijital kopyasını oluşturduğumuzda sadece sensör izlemiyoruz; farklı senaryoları simüle ediyoruz. Bir rulmanda sıcaklık artışı olduğunda, sistem dijital ikiz üzerinden simülasyon yaparak; hız düşürme veya soğutma optimizasyonu gibi operasyonel reçeteler sunabiliyor. Bu yaklaşım bakımı bir tamir faaliyeti olmaktan çıkarıp, karbon ayak izini de düşüren bir üretim optimizasyon stratejisine dönüştürmektedir. Bakım artık üretimin önündeki bir engel değil, üretim parametrelerini dinamik olarak yöneten akıllı ve sürdürülebilir bir mekanizmadır.

PLANSIZ DURUŞLARI ÖNLEMENİN EN ETKİLİ YOLU

Duruma dayalı izleme sayesinde yaklaşan makine hasarı erken aşamada tespit edilebilir. Bu da kestirimci bakım planlamasını mümkün kılar ve böylece tutarlı ürün kalitesini ve kaynakların verimli kullanımını sağlar.

ifm’nin titreşim ürünleri, liman makinelerinin titreşim verilerini güvenilir bir şekilde algılar ve değerlendirir. Bu sayede mevcut makine durumu, bir durum değeri olarak kontrol cihazına veya BT altyapısına iletilir ve gerektiğinde bir uyarı ya da alarm sinyali oluşturulur.

Sayaç fonksiyonları ayrıca, darbelerin sıklığı ve şiddeti, sıcaklık veya hız gibi faktörlerden etkilenen bileşen ömürlerinin hesaplanmasını da kolaylaştırır.

Bakımı ifm çözümleriyle dijitalleştirin!

Liman Otomasyonu - ifm

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.

TPM’i bir bakım metodolojisinden öte, bir yönetim kültürü olarak ele aldığımızda sizce başarının en kritik unsuru nedir?

TPM’de kalıcı ve sürdürülebilir başarı için en önemli unsur bakım faaliyetlerinin yalnızca bakım departmanının işi olmaktan çıkıp organizasyonun ortak sorumluluğu haline gelmesidir. Üst yönetimin desteği, üretim operatörünün makineyi sahiplenmesi ve bakım ekibinin proaktif rol üstlenmesinin aynı hedefte buluşması gerektiğini düşünüyorum. Ortak paydada buluşabilmek için standartlar oluşturulmalı, bu standartlar periyodik olarak takip edilmeli, ekipler arası iletişim güçlendirilmeli, çalışan motivasyonu desteklenmeli ve yetkinliklerin gerekli seviyede tutulması sağlanmalıdır.

Ayrıca süreç takibi ve analizlerin veri üzerinden yapılması gerektiğini düşünüyorum. Kişisel yoruma dayalı aksiyonlar çoğu zaman gereksiz efora neden olabiliyor ve efektifliği azaltıyor. Bu nedenle günümüz çağına uygun izlenebilirlik, dijitalizasyon ve yapay zeka sistemleri ile de sistem desteklenirse başarı kaçınılmaz olacaktır.

TPM uygulamalarında en çok zorlanılan başlıklar hangileri? Bu noktada organizasyonel direnç nasıl aşılabilir?

Sahada en çok zorlanılan konuların başında uygulamaların sürekliliğinin sağlanması geliyor. Özellikle günlük üretim baskısı, ekip kapasitesinin kısıtlı olması ve alışkanlıklar TPM uygulamaları için doğal bir direnç oluşturabiliyor.

Bu direncin aşılması için ekip kapasitesine ve prosese uygun bir alt yapı oluşturulmalı, doğru aksiyonlar belirlenmeli, önceliklendirilme yapılmalı ve en önemlisi ekip üyeleri sürecin pasif uygulayıcısı değil aktif paydaşı haline getirilmelidir. 6 yıllık bakım alanındaki tecrübemle söyleyebilirim ki, çalışanlara sorumluluk verildiğinde, yetkinlikleri sistematik olarak geliştirildiğinde ve en önemlisi ürettikleri katma değer görünür olduğunda TPM uygulamaları çok daha hızlı benimseniyor.

Özetle organizasyonel direnç, doğru sistem, güçlü iletişim, görünür kazanımlar ve yoğun ekip katılımı ile yönetildiğinde yerini sahiplenmeye bırakıyor.

Otonom bakım, planlı bakım ve sürekli iyileştirme adımlarının sahada gerçekten işlemesi için hangi yapısal koşullar sağlanmalı?

Bu üç ayağın sahada sürdürülebilir şekilde çalışabilmesi için öncelikle standartlaşmış ve veriyle beslenen bir bakım altyapısı kurulmalı ve bununla birlikte üretim ve bakım ekipleri arası doğru iletişimin kurulması gerektiğini düşünüyorum. İletişim ortamının oluşması için ekip içi ve ekipler arası toplantılar oluşturulmalı ve iyileştirme aksiyonları periyodik olarak bu toplantılarda takip edilmelidir.

Çalışan katılımının artırılması ve mavi yaka ekiplerin iyileştirme süreçlerine aktif dahil edilmesi de kritik bir başarı faktörüdür. Çalışan katılımı, yetkinlik gelişimi ve yapılandırılmış takip mekanizmaları birlikte kurulduğunda otonom bakım ve sürekli iyileştirme uygulamaları çok daha hızlı organizasyon genelinde yerleşecektir.

Revizyon kararlarında “tam yenileme mi, kısmi iyileştirme mi?” ikilemi nasıl yönetilmeli? Bu kararları belirleyen teknik kriterler neler olmalı?

Revizyon kararlarının sezgisel değil, veri temelli verilmesi gerektiğini düşünüyorum. Makinenin arıza frekansı, proses kritikliği, yedek parça sürdürülebilirliği ve iyileştirme sonrası beklenen performans artışı birlikte değerlendirilmelidir. Burada yönetimin yaklaşımı ve bütçe perspektifi de belirleyici oluyor, yatırım geri dönüş süresi de hesaba katılarak değerlendirme yapılması gerekiyor.

Genelde tam yenileme bütçesi çok daha yüksek oluyor. Ben öncelikle veriye dayalı olarak makinenin problem çıkaran veya üretimi bitmiş kısımlarını detaylı çalışma yaparak analiz edip kısmi yenilemeyi önceliklendiriyorum. Bu kapsamda da birçok revizyon projesi yürüttüm. Eğer kısmi yenileme mümkün değilse tam yenileme seçeneğini değerlendirmeye alıyorum.

İzlenebilirlik çalışmaları bakım süreçlerinde şeffaflığı ve hesap verebilirliği nasıl etkiliyor? Bu durum bakım planlamasına nasıl yansıyor?

Tüm organizasyonlarda olduğu gibi bakım süreçleri için de izlenebilirlik en önemli ve olmazsa olmaz konulardan birisi. Hangi arızaya kimin, hangi parçayla, ne kadar sürede müdahale ettiği dijital olarak izlendiğinde bakım ekibinin kapasitesi ve yapılan işler görünür ve raporlanabilir oluyor.

Makine tarafı için de arıza geçmişi, müdahale süreleri ve ekipman performans trendleri görünür hale geldiğinde kararlar kişisel deneyimden ziyade kanıta dayalı verilere oturur. Bu sayede yalnızca arızayı gidermek yerine arızanın kök nedenini belirlemek ve tekrarını önleyecek doğru aksiyonları tanımlamak kolaylaşır.

Buna ilave olarak kestirimci bakımda dijitalleşme çalışmaları ile arıza olmadan önce arıza tespit edilebilir, böylelikle üretim duruşu olmadan müdahale edilebilir. Dijital kestirimci bakım çalışmaları benim de bakım alanındaki en önemli odak konularımdan bir tanesi. Bu kapsamda otomasyon yazılımını da bizzat kendim geliştirdiğim uygulamalarım mevcut.

Kritik makinelerdeki sıcaklık, vibrasyon ve tork gibi önemli parametreleri izlenmesi, sapma olduğunda sistemin otomatik olarak algılayıp uyarı vermesi ile birçok arıza erken aşamada tespit edilerek giderilmiş oluyor. Bu çalışmalar, bakım biriminin arızalara ayırdığı süreyi azaltarak bakım planlamasının daha etkin ve verimli yürütülmesine katkı sağlıyor.

Doğru yedek parçaya doğru zamanda ulaşabilmek için bakım organizasyonlarında hangi veri temelli yaklaşımlar öne çıkıyor?

Yedek parça yönetimi artık sezgisel stok yaklaşımından çıkıp analitik ve risk temelli modellere doğru evriliyor. Kritik yedek parçaların belirlenmesinde makine ve ekipmanların kritiklik analizi, arıza frekansı ve tedarik süresi birlikte değerlendirilmelidir. Bu sayede hangi parçaların stratejik stok kapsamında yönetileceği net şekilde belirlenebilir.

Bununla birlikte geçmiş tüketim verilerinin analizi, minimum–maksimum stok seviyelerinin dinamik olarak belirlenmesi ve tedarikçi performansının izlenmesi gibi veriler stok optimizasyonu için oldukça önemlidir.

Bunlara ilave olarak özellikle PLC, sensör ve sürücü gibi ekipmanlarda standardizasyonun artırılması için standart teknik şartname hazırlanmasını önerebilirim. Bu sayede proses açısından zorunlu değilse mevcut yedek havuzuyla uyumlu marka ve modellerin tercih edilmesi sağlanmış olacaktır.

Bu yaklaşım, stok çeşitliliğini kontrol altında tutarken yedek parça maliyetlerini düşürür ve kritik arızalarda doğru parçaya daha hızlı ulaşılmasına olanak sağlar.

Dağıtım şebekelerinde varlık sağlığını izlemek için hangi parametreler kritik kabul ediliyor?

Dağıtım şebekelerinde varlık sağlığını izlemek için kritik kabul edilen parametreler, her ekipman için farklılık göstermekle birlikte; özetle ekipmanın elektriksel, mekanik ve çevresel durumunu yansıtan göstergeler olarak değerlendirilebilir. Trafolarda yağ testleri, kademe kontrolleri ve buşing izolasyonlarının incelenmesi gibi unsurlar göz önünde bulundurulurken; elektrik direklerinde sağlamlık kontrolleri, eksik parçaların giderilmesi ve yapısal bütünlük değerlendirmeleri dikkate alınır.

Bu parametreler içerisinde en fazla önem verdiğimiz konu can ve mal güvenliğinin sağlanmasıdır. Bu doğrultuda, şirketimiz ADM EDAŞ tarafından sorumluluk sahası olan Aydın, Denizli ve Muğla illerindeki tüm elektrik dağıtım şebekesi düzenli olarak gözlemlenmekte ve gerçekleştirilen çalışmalar her yıl düzenleyici kurum olan EPDK’ya rapor edilmektedir.

Şebeke ekipmanlarında arıza öncesi risk tespiti için kullanılan modern yöntemler nelerdir?

Şebeke ekipmanlarında arıza öncesi risk tespiti için kullanılan modern yöntemler, veri ve izleme esasına dayanmaktadır. Verilerin büyük çoğunluğu sahadan toplanmakta ve SCADA verileriyle birlikte analiz edilerek yorumlanmaktadır. Drone teknolojilerinin hayatımıza girmesiyle birlikte, insan gözünün kolaylıkla göremediği ya da ulaşımı güç olan şebeke unsurlarının gözlemlenmesi önemli ölçüde kolaylaşmıştır. Bu gözlemler günümüzde eğitilmiş yapay zeka sistemleriyle desteklenmektedir.

Sahada çıplak gözle tespit edilmesi oldukça güç olan bir izolatör kırığı, yapay zeka destekli drone görüntüleri sayesinde hızlı ve doğru şekilde belirlenebilmektedir. Bunun yanında ekipmanlardaki sıcaklık artışlarının tespiti termal kameralarla, kısmi deşarj ve titreşim analizleri ise özel ölçüm cihazlarıyla gerçekleştirilmektedir. Ayrıca büyük veri analitiği ve yapay zeka destekli bakım modelleri sayesinde geçmiş arıza verileri analiz edilerek olası arızalar önceden tahmin edilmekte ve bakım faaliyetleri risk bazlı olarak optimize edilmektedir.

Büyük veri analitiği şebeke güvenilirliği tahminlerinde nasıl bir rol oynuyor?

Büyük veri analitiği; geçmiş arıza kayıtları, SCADA verileri, yük profilleri, hava durumu bilgileri ve bakım geçmişi gibi çok boyutlu verileri birlikte analiz ederek bakım planlamasının daha doğru ve etkin şekilde yapılmasını sağlar. Veri analitiği sayesinde, farklı ekipman tiplerinde hangi koşullar altında arıza riskinin arttığı belirlenir ve bu doğrultuda risk bazlı bakım planları oluşturulur.

Bu analizler, ağaç dallarının iletkenlere yaklaşma zamanının belirlenmesi ve budama çalışmalarının planlanması gibi saha uygulamalarında dahi önemli rol oynar. Fakat bu modellemeler henüz gelişim aşamasındadır. Ayrıca SAIDI ve SAIFI göstergelerinin gelecekteki eğilimleri tahmin edilerek yatırım ve bakım kararları veri temelli olarak desteklenir. Böylece plansız kesintiler azaltılır, kaynaklar daha etkin kullanılır ve şebeke işletiminde ortaya çıkabilecek olumsuzlukların önüne geçilir.

Planlı bakım ile arıza müdahalesi arasındaki kaynak dengesi nasıl kuruluyor?

Planlı bakımların yapılmasındaki amaç, arızaları minimum seviyeye indirmektir. Ancak, daha önce de belirttiğim gibi çevreye açık bir yapıya sahip olan dağıtım şebekelerinde arıza oluşumu günümüz koşullarında tamamen kaçınılmaz değildir.

Elektrik dağıtım şebekelerinde bakım planlaması; ekipmanların kritikliği, arıza olasılığı ve arızanın sistem üzerindeki etkisi dikkate alınarak yapılan bir önceliklendirme sürecine dayanır. Bu sayede kaynaklar daha verimli kullanılır. Aynı zamanda arıza istatistikleri analiz edilerek hem hizmet sürekliliği sağlanır hem de operasyonel maliyetler kontrol altında tutulur.

Yapay zeka destekli kestirimci bakım uygulamaları arıza oranlarında nasıl bir değişim sağladı?

Yapay zeka destekli kestirimci bakım uygulamaları, dağıtım şebekelerinde arıza oranlarının düşürülmesinde önemli bir iyileşme sağlamaktadır ve bu gelişim hâlen devam etmektedir. Makine öğrenmesi ve görüntü işleme teknolojileri sayesinde teçhizatlardaki anomali tespitleri ile ağaçların iletkenlere yaklaşma mesafelerinin kontrolü yapay zeka sistemleriyle desteklenmektedir.

Dağıtım şebekelerinde bu alandaki kullanım henüz sınırlı olmakla birlikte her geçen gün artmaktadır. Birkaç yıl öncesine kadar drone’lardan yalnızca gözlem amacıyla faydalanılırken, bugün bu gözlemler analiz ve yorumlama kabiliyetiyle desteklenmekte; böylece insan kaynaklı hataların önüne geçilmesi mümkün olmaktadır.

Bu sistemlerin elektrik dağıtım sektörüne en büyük katkısının, eksik veya gözden kaçabilecek kontrollerin önlenmesi olacağını düşünüyorum. Ayrıca verinin yorumlanması ayrı bir önem taşımaktadır. Sahamızda bulunan milyonlarca teçhizatın kontrolü sonucunda elde edilen verilerin analiz edilmesi ve anlamlandırılmasında yapay zeka önemli bir rol üstlenmektedir.

Yapay zeka modellerinin sahadaki gerçek koşullarla uyumunu test etmek için nasıl bir validasyon süreci yürütüyorsunuz?

Elektrik dağıtım şebekelerinde yapay zeka modellerinin sahadaki gerçek koşullarla uyumunu test etmek için öncelikle geçmiş arıza kayıtları, SCADA verileri, yük profilleri ve bakım geçmişi kullanılarak eğitim veri setleri oluşturulur. Model performansı; doğruluk, hassasiyet ve arıza yakalama oranı gibi kriterlerle ölçülür.

Ardından pilot olarak seçilen trafo merkezlerinde veya belirli fider hatlarında sistem gerçek zamanlı olarak izlenir ve modelin ürettiği risk skorları ile gerçekleşen arızalar karşılaştırılır. Bu aşamada saha ekiplerinden gelen geri bildirimler de dikkate alınarak model yeniden eğitilir ve iyileştirilir.

Belirli bir izleme süresi sonunda modelin önerdiği bakım aksiyonlarının arıza oranlarına etkisi, mevcut bakım planlarıyla kıyaslanır. Elde edilen sonuçlara göre model periyodik olarak yeniden eğitilir ve sürekli iyileştirme süreci işletilir.

Elektrik dağıtım şebekelerinin çok geniş bir coğrafyaya yayılmış olması nedeniyle, yapay zeka uygulamalarının gelişimi bazı sektörlere kıyasla daha yavaş ilerleyebilmektedir. Ancak bu alandaki çalışmalar her geçen gün hız kazanmaktadır.

Dijital ikiz teknolojilerinin dağıtım şebekesi bakımındaki kullanım potansiyelini nasıl değerlendiriyorsunuz?

Elektrik dağıtım sektöründe dijital ikiz teknolojileri henüz tam anlamıyla uygulanmaya başlanmamış olmakla birlikte, bu teknolojinin çok geçmeden hayatımıza gireceğini düşünüyorum.

Dijital ikiz yaklaşımıyla şebeke ekipmanlarının ve altyapının sanal bir kopyası oluşturularak bakım ve işletme süreçlerinin optimize edilmesi mümkün olacaktır. Bu sayede trafolar, iletkenler, direkler, kablolar ve hücreler gibi kritik varlıkların çalışma koşulları, yük profilleri ve çevresel etkileri sanal ortamda simüle edilebilecek; olası arızalar, aşırı yüklenmeler ve yaşlanma süreçleri önceden tahmin edilebilecektir.

Elbette bu sürecin, milyonlarca envanter kalemi ve geniş bir coğrafi alan dikkate alındığında, kısa sürede tamamlanması kolay değildir. Ancak yapay zeka teknolojileri, gelişmiş drone sistemleri ve uydu tabanlı izleme çözümleri bu süreci hızlandıracak ve iş gücü ihtiyacını azaltacaktır.

ENDÜSTRİYEL ROBOTİK İLE GÜÇLÜ OTOMASYON

NGMACRO Otomasyon, müşterilerine yalnızca modüler otomasyon sistemleri değil, aynı zamanda robotik çözümler de sunuyor. Paletleme robotları, palet bozma robotları ve entegre robotik elemanlarla üretim hatları daha esnek, kontrollü ve yüksek verimli çalışıyor. Bu robotik altyapı, manuel iş gücüne olan bağımlılığı azaltırken süreç sürekliliğini artırıyor.

ÖZEL YAZILIM VE KONTROL ENTEGRASYONU

Robotik sistemlerin sahada etkili çalışması için donanım kadar yazılım zekası da kritik. NGMACRO’nun kendi PLC ve sistem yazılımları, robotik hücrelerin kontrol edilmesini, veri toplanmasını ve süreçlerin üretici ERP sistemleriyle entegre edilmesini sağlıyor. Böylece robotlar sadece tekrarlı hareket yapan makineler değil, üretim hattının bilgi motoruna dönüşüyor.

SAATTE 10 BİN ÜRÜN AYRIŞTIRABİLEN SORTER İLE ROBOTİK PERFORMANS

Şirket, aynı zamanda saatte 10.000 ürün ayrıştırabilen yeni nesil sorter sistemleriyle yüksek hızlı robotik ayıklama çözümleri de sunuyor. Bu tip robotik otomasyonlar özellikle lojistik, e-ticaret ve depo hatlarında verimliliği artırırken hataları minimize ediyor.

GELECEĞE YÖNELİK ROBOTİK VİZYON

NGMACRO’nun robotik alanındaki vizyonu, modüler, esnek ve bağlanabilir robotik hücrelerle endüstriyel üretimi optimize etmek. Robotik çözümler; üreticilere sadece hız ve maliyet avantajı sunmakla kalmıyor, aynı zamanda veriye dayalı izlenebilirlik ve sürekli iyileştirme kültürünü de destekleyen akıllı otomasyon altyapılarını güçlendiriyor.

Tesisinizde, kalite sertifikasyonlarının gerekliliklerini karşılamak ve sürdürülebilir üretim sürekliliğini sağlamak adına bakım stratejinizi nasıl yapılandırıyor, bu kapsamda hangi ileri bakım teknolojileri ve metodolojilerden yararlanıyorsunuz?

ADT Elastomer Çözümleri Sanayi A.Ş., kauçuk endüstrisinde 60 yılı aşkın tecrübesiyle, 2018 yılından bu yana Düzce Kaynaşlı'daki 16.500 m² kapalı alana sahip modern tesisinde faaliyet göstermektedir. Dünya lideri markaların tedarik ettiği tam otomatik mikser hatlarıyla donatılmış tesisimiz, otomotiv, beyaz eşya ve savunma sanayii gibi yüksek standartlı sektörlere yıllık 30.000 ton kapasiteyle elastomer karışım üretimi sunmaktadır.

Şirketimiz, IATF 16949:2016 (otomotiv sektörü kalite yönetim sistemi) ve ISO 9001:2015 kalite yönetim sistemi sertifikalarına sahiptir. Bu sertifikalar, proses kalitesi, müşteri odaklılık ve sürekli iyileştirme taahhüdümüzün en güçlü kanıtlarıdır.

Öncelikle, bu vizyonu hayata geçirmemizde bize rehberlik eden ve sürekli destek sağlayan Yönetim Kurulu Başkanımız Dr. Yavuz Doğan ile İcra Kurulu Başkanımız Dr. Haluk Konyalı’ya en içten teşekkürlerimi sunuyorum.

Liderlikleri ve stratejik vizyonları sayesinde bakım fonksiyonumuz, operasyonel bir gereklilik olmaktan çıkıp sürdürülebilir rekabet avantajı ve dijital dönüşümün temel taşı haline gelmiştir.

Sürdürülebilir tesis performansı ve işletme güvenilirliği bakım fonksiyonu açısından nasıl bir stratejik öneme sahiptir?

ADT Elastomer’da bakım, stratejik değer yaratma, enerji verimliliği ve sürdürülebilirlik fonksiyonu olarak konumlandırılmıştır. Sertifikalarımız doğrultusunda uyguladığımız stratejilerle Makine Kullanım Verimliliği (OEE) oranımızı %86-90 bandında tutuyor, proses bazında enerji verimliliğini sürekli artırıyor ve varlık yaşam döngüsü maliyetlerini (LCC) en üst seviyede optimize ediyoruz.

Plansız duruşların her saati; müşteri teslimat zincirini, karbon ayak izimizi ve geleceğe olan sorumluluğumuzu doğrudan etkiler. Bu nedenle bakım, ESG hedeflerimizin, sıfır atık vizyonumuzun ve ISO 14001 & ISO 45001 taahhütlerimizin vazgeçilmez parçasıdır.

Özellikle basınçlı hava – endüstride en maliyetli enerji kaynaklarından biri – konusunda gerçekleştirdiğimiz projelerle önemli bir dönüşüm sağladık:

• Kaçak tespiti & onarımı
• Basınç optimizasyonu
• Akıllı vana ve regülatör sistemleri

Bu çalışmalarla basınçlı hava tüketimini ciddi oranda azalttık, arıza kaynaklı duruşları düşürdük ve dolaylı yoldan karbon salınımını azaltarak dünya standartlarında daha temiz üretim gerçekleştirdik.

Proaktif bakım yatırımlarımız, reaktif müdahalelere kıyasla ortalama 1:11 getiri sağlamakta; bu da bizi elastomer karışım sektöründe güvenilirlik ve sürdürülebilirlik lideri konumuna taşımaktadır.

Planlı bakım programlarını oluştururken hangi parametreleri ve verileri göz önünde bulunduruyorsunuz?

Planlı bakım stratejimiz tamamen risk temelli (RCM) ve veri odaklı bir yaklaşımla şekillenmektedir:

• Ekipman kritiklik matrisi (FMECA + operasyonel/güvenlik/çevresel risk)
• 10 yıllık know-how ile entegre tarihsel arıza veritabanı (MTBF, Pareto failure mode)
• OEM bakım önerileri ile gerçek proses koşullarının (karışım yoğunluğu, sıcaklık-zaman profili, dolgu oranı değişkenliği) entegrasyonu
• Online & periyodik durum izleme trendleri (titreşim, termal, yağ analizi)
• Yedek parça tedarik süresi, stok maliyeti ve planlı duruş takvimi

Her PM görevi RCM mantığıyla gerekçelendirilir. Gereksiz görevler sistematik olarak elenerek Planned Maintenance Percentage (PMP) oranımız en yüksek seviyede tutulmaktadır.

Önleyici bakım stratejileri, tesis arızalarının erken tespit ve engellenmesinde nasıl bir rol oynuyor?

Önleyici bakım, mikser rulmanları, dişli kutuları, contalar ve rotor aşınmaları gibi öngörülebilir yıpranma modlarını sistematik olarak engeller. Arıza gelişim periyodunu uzatarak beklenmedik duruşları %65-80 oranında planlı müdahaleye dönüştürür.

IATF 16949 gereği sağlanan proses stabilitesi, karışım homojenliği ve viskozite sapmalarını minimize eder. Hibrit modelde (PM + PdM) önleyici bakım, kestirimci bakımın güvenilir zeminini oluşturur.

Titreşim, termal ve akım izleme gibi kestirimci bakım parametrelerini sahada nasıl kullanıyorsunuz?

Kritik varlıklarda katmanlı kestirimci bakım altyapımız:

• Sürekli online izleme: Çok kanallı titreşim, MCSA, yağ partikül-nem, termal sensörler
• Periyodik PdM rotaları: Titreşim, IR termografi, akım harmonik analizi
• Makine öğrenmesi destekli dinamik eşik yönetimi
• Tüm veriler CMMS + historian + PdM platformu üzerinden entegre; alarm → otomatik iş emri akışı

Tekrar eden arızalarda süreçleri optimize etmek için ne tür metrik ve göstergeler kullanıyorsunuz?

Zero Repeat Failure hedefine yönelik:

• Kronik arızalar bazında MTBF takibi
• Repeat Failure Rate (aynı kök neden ≤ )
• RCA Tamamlama & Eylem Kapama Oranı
• Pareto analizi

Bakım performansını ölçerken en çok hangi KPI’ları takip ediyorsunuz? Bu göstergeler bakım kararlarında ve bütçe planlamasında nasıl bir rol oynuyor?

Günlük, haftalık, aylık ve yıllık raporlanan temel KPI setimiz:

1. Makine Kullanım Verimliliği (OEE) → %
2. Enerji Sarfiyatı → kWh/kg (sürekli iyileştirme hedefi)
3. Arıza Kaynaklı Duruş Süresi → <%
4. Elektrik-KYN (MTBF) ve Mekanik-KYN (MTBF) → ayrı ayrı izleme
5. Elektrik-KYN (MTTR) <, Mekanik-KYN (MTTR) <
6. Toplam Enerji Tüketiminin Cirodaki Payı → hedef aralıkta
7. IP Satış Tonajlarına Uyum → %
8. Planned Maintenance Percentage (PMP) → %

Enerji tüketimlerini online 7/24 izliyor, kWh/kg göstergesini proses bazında aktif takip ediyor ve her ay yeni iyileştirme aksiyonları üretiyoruz. Basınçlı hava verimlilik projelerimiz de bu alandaki tasarrufu güçlendiriyor.

Sürekli İyileştirme Kültürü – Sektörel Standartların Ötesinde Her alanda sektörel standartların ötesine geçiyoruz:

• A3 raporları ile derin problem çözümü
• Kaizen etkinlikleri ile küçük ama etkili adımlar
• 5S uygulamaları ile disiplinli ve görsel çalışma ortamı
• Çok sayıda sürekli iyileştirme projesi

Bu kültür sayesinde enerji verimliliğini sürekli artırıyor, daha rekabetçi, daha sürdürülebilir ve en önemlisi müşterilerimize, tedarik zincirine, çalışanlarımıza ve çevreye güven veren bir üretim anlayışını kalıcı hale getiriyoruz.

ADT Elastomer olarak bakımı bir maliyet kalemi değil; sürdürülebilir rekabet avantajı, çevresel sorumluluk, iş güvenliği ve müşteri güveni olarak görüyoruz.

Daha temiz, daha verimli, daha güvenilir bir üretim için durmaksızın çalışmaya devam ediyoruz.

Peter F. Drucker’ın dediği gibi; “Ölçemediğiniz hiçbir şeyi kontrol edemez, kontrol edemediğiniz hiçbir şeyi yönetemezsiniz.”

FEV350, Tip 2 ve Tip 1 konektörlere sahip AC EV şarj istasyonlarının güvenlik ve performans testlerine yönelik eksiksiz bir çözüm sunar. Birden fazla görevi hızlıca ve verimli şekilde birden çok araç taşımadan gerçekleştirmesi ve belgeye dökmesi gereken teknisyenler için tasarlanmıştır.

TruTest^™ ile test sonuçlarını işlemeye ve raporları derlemeye daha az zaman harcayın

· EVSE denetimlerine ait ölçüm verilerini kolayca yönetin

· Hızlı bir şekilde denetim ve rapor oluşturun

· Kolay başarılı/başarısız görselleri ile Control Pilot dalga biçimi analizi

· Zaman içindeki değişiklikleri görmek için saha verilerini önceki saha verileriyle karşılaştırın

· FEV350'nizi güncellemek için en son bellenime hızla erişin

Çözüm; belgeleme ve raporlama için TruTest EV Şarj yazılımı modülünü içerir. Çözüm, Fluke'un tesisat sertifikasyonuna/denetimlerine yönelik uyumlu çok işlevli tesisat test cihazları ile kablosuz Bluetooth bağlantısı, kablo yapılandırma şemaları ve bilgi ekranları aracılığıyla TruTest rapor oluşturma yazılımıyla kusursuz entegrasyon sağlamak üzere aşağıdaki kullanılabilir ölçümlere ek olarak destekleyici ölçümler gerçekleştirir. Fluke FEV350, analizi basitleştirmek ve test için harcanan zamanı azaltmak için ölçüm sonuçları hakkında önceden belirlenmiş test planları ve başarılı/başarısız göstergeleri sağlar. FEV350 EV Şarj İstasyonu Analiz Cihazı, IEC/EN 61851-1 ve IEC/HD 60364-7-722 ile uyumlu olarak tasarlanmıştır.

Mevcut ölçümler:

· Tehlikeli gerilim olmadığından emin olmak için PE (koruyucu) topraklama ön testi

· Görsel Kontrol

· 30 Ma Rcd + 6 Ma Rdc-Dd Açma Testi

· Nominal Gerilim + Faz Sekansı

· Dalga Biçimi Analiziyle Otomatik Control Pilot (Cp) Sinyal Testi

· Proximity Pilot

· Hata Testi

Uyumlu Fluke çok işlevli test cihazlarıyla desteklenen ölçümler:

· Topraklama

· Yalıtım

· Devre/Hat Empedansı

GENEL ÖZELLİKLER

Fluke FEV350 EV Şarj İstasyonu Analiz Cihazı

· Bu hepsi bir arada çözüm ile AC elektrikli araç şarj istasyonlarının güvenliğini ve işlevselliğini test edin.

· Başarılı/başarısız test sonuçları

· Dalga biçimi analiziyle otomatik control pilot (CP) sinyal testi

· TruTest™ Veri Yönetimi Yazılımı ile uyumludur

Sahada karşılaştığınız, bakım ve güvenilirlik açısından kritik öneme sahip bir uygulama ya da vaka üzerinden süreci bizimle paylaşabilir misiniz?

Elbette. Sizinle paylaşacağım bu vaka aynı zamanda derginin Şubat sayısında da değindiğim proje yönetimi bilgisi kapsamına da giren bir çalışma. Bir yapısal onarım projesi kapsamında alandaki ekipmanların bölgeden uzaklaştırılması gerekiyordu. Aynı zamanda sorumluluğumda olan ve 7/24 faaliyet gösteren bir seri üretim hattı da bu alandan geçmekteydi. Ana projenin kısıtları netti ve kritik yolunda değişiklik yapılamazdı. Aynı zamanda üretim kaybı için hiçbir tolerans bulunmuyordu. Biz bu üretim hattının tam zamanında ve sıfır üretim kaybı ile deplasesini gerçekleştirdik ve ana projenin ihtiyacı olan alanı sağlamış olduk.

Vakanın analiz sürecinde hangi teknik ve analitik yöntemlerden faydalandınız?

Kısıtlar netti ve değiştirilemezdi. Bu nedenle kritik yol yöntemi (CPM) kullanarak ana projenin işlem adımlarına, üretimin durduğu zamanlara göre kendi projemizin iş adımlarını oluşturduk. Bu iş adımlarını oluştururken farklı senaryoları değerlendirdik. Senaryo tabanlı risk analizi uygulayarak hem ana proje hem de üretim için PQCDS yani üretkenlik, kalite, maliyet, teslimat ve güvenlik açısından en uygun adımları belirledik.

Kök neden tespiti sırasında sizi şaşırtan veya ilk varsayımlarınızı değiştiren bir bulgu oldu mu?

Genel olarak yapacağımız işlemleri netleştirmek üzere keşif yaptığımız sırada, üretim hattı üzerinde bulunan bir bölgenin üretim zamanına etkisinin olmadığını fark ettik. Başta planladığımız işlem hem geri dönülmesi zor hem de maliyetliydi. Keşfettiğimiz bölgede yaptığımız işlem ile zaman ve maliyetten ciddi tasarruf sağladık. Bu durum işlem adımlarımızın kritik yola uyum sağlaması hususunda önemli bir yere sahiptir. Bin ölçüp bir biçmek atalarımıza olduğu gibi bize de fayda sağlamıştır.

Bu süreçte geçmiş CMMS/ERP verilerinin karar alma mekanizmasına katkısı nasıl oldu?

Yapılması zorunlu bir işte kurtarılan maliyete odaklanırsınız. Biz de senaryolarımızı değerlendirirken hangi senaryo ile ne kadar maliyeti cebimizde tutabileceğimizi hesaplarken bu verileri kullandık. Bu veriler sayesinde yapılacak ekstra harcamaların aslında zarar değil toplam maliyeti azalttığını gösterebildik ve maliyetli de olsa bu senaryonun en uygun seçenek olduğunu açıklayabildik.

Sahada uygulama sırasında planlanan ile gerçekleşen arasında farklar oluştu mu, bu farklar nasıl yönetildi?

Elbette. Projenin belli evrelerinde sahada aynı alanda birçok çalışma yapılması gerekiyordu. Bunların doğru sırayla yapılabilmesini sağlamaya yardımcı olması açısından tüm iş tek bir taşerona delege edilmişti. Fakat işler tahmin ettiğimiz gibi başlamadı. Sahada oluşan düzensizliği fark etmemiz uzun sürmedi ve paydaşlarımızla birlikte çevik hareket ederek entegrasyonu düzene oturtmayı başardık.

Zaman baskısı veya üretim planlamasından gelen kısıtlar kararlarınızı nasıl şekillendirdi?

Kısıtlar size kapana kıstırılıyor hissi verebilir fakat aynı zamanda sizin için gideceğiniz yolu çevreleyen duvarlardır. Zaman baskısı da bize yasaklı alanları gösterirken, aslında kullanabileceğimiz verimli alanları da keşfetmemizi sağladı. Bu sayede işleri yetiştirebilmek adına zamandan tasarruf etmek için yaptığımız bir hamle ile aynı zamanda ilgili üretim prosesine %3 esneklik kazandırdık. Eğer bu kısıtlar olmasaydı belki bakım ekibi olarak bizim işimiz daha kolay olabilirdi, fakat işletmemiz için daha verimli bir karar veremeyebilirdik.

Bu vaka, size hangi yeni bakış açılarını kazandırdı?

Bir şeyi iyi yapabilmek, iyi yönetebilmek için yeterli bilgiye ihtiyaç duyarız. Bilgi ise paylaştıkça çoğalır ve değerlenir. Projelerde paydaş iletişimi bunu en iyi sağlayan yöntemdir. Bunu en iyi burada öğrendim.

Ayrıca, irili ufaklı tüm bakım faaliyetlerinde finansal bakış açısının kesinlikle kullanılması gerektiğini öğrendim. Çünkü salt harcama olarak değerlendirilen bakım faaliyetleri aynı zamanda bir değer yönetimidir ve bakım artık değeri korumakla kalmayıp, değere değer katma eğilimindedir.

Benzer tesislerde çalışan bakım profesyonellerine bu vaka üzerinden vereceğiniz en kritik tavsiye ne olurdu?

Doğru iletişim size birçok danışman kazandırır. Paydaşlarla birlikte alınan kararların olumsuz etki göstermesi çok düşük ihtimaldir. Bu nedenle ufak, basit bir braket tasarımı bile olsa paydaşlarınızla iletişime geçin.

Önemli olan yapmak değil, doğru ihtiyacı yeni bir ihtiyaç doğurmadan karşılamaktır.

Örs, hazırladığı bu makalede, bir doktora tezi olarak akademik laboratuvarlarda başlayan "Derin Öğrenme ile Dinamik Testlerde Sac Metal Parçalarda Çatlak Tespiti" projesinin, teoriden pratiğe nasıl dönüştüğünü ve fabrika zeminine, üretim hatlarına nasıl entegre edildiğini şöyle ele alıyor:

PROBLEMİN KAYNAĞI: GELENEKSEL YÖNTEMLERİN SINIRLARI

“Sac metal parçaların gerçek kullanım koşullarındaki performansını simüle etmek için uygulanan dinamik testler (yorulma, titreşim vb.), üretim süreçlerinin en zorlu aşamalarından biridir. Bu testler sırasında, malzemenin içinde veya yüzeyinde oluşan kılcal çatlakların başlangıcını tespit etmek geleneksel yöntemlerle neredeyse imkansızdır.

Klasik Tahribatsız Muayene (NDT) yöntemleri sahada uygulanması zor, maliyetli ve yavaştır. Test sırasında alınan sensör verilerinin (ivmeölçer, akustik emisyon, yük hücreleri) uzman mühendisler tarafından saatlerce incelenmesi, modern sanayinin hızına uygun değildir. Bize, makine çalışırken saniyeler içinde "sağlam" veya "çatlak/hatalı" kararını yüksek doğrulukla verebilecek, insan bağımsız otonom bir sistem lazımdı.”

AKADEMİK TEMEL: KARMAŞIK VERİYİ ANLAMLANDIRMAK

“Çalışmanın akademik ayağında temel çıkış noktamız, dinamik testler sırasında toplanan yoğun, karmaşık ve gürültülü sensör verilerini anlamlandırmaktı. Geleneksel sinyal işleme algoritmaları yerine, Yapay Zeka'nın alt dalı olan Derin Öğrenme mimarilerinden faydalandık.

Aşağıdaki görsel, geliştirdiğimiz derin öğrenme modelinin çalışma prensibini özetlemektedir. Model, sensörden gelen ham analog sinyali işleyerek, parça üzerindeki mikro çatlakları tespit eder ve milisaniyeler içinde sisteme "DUR" sinyali gönderir.

Kurduğumuz yapay zeka modeli, binlerce saatlik dinamik test verisiyle eğitildi. Sistem, sağlam bir sac metal parçanın dinamik yük altındaki titreşim veya akustik imzasını öğrenirken, mikro seviyedeki bir çatlağın yarattığı en ufak bir anomalilik durumunu milisaniyeler içinde fark edebilecek seviyeye ulaştı. Laboratuvar ortamında doğruluk oranımız %98’in üzerine çıkmıştı. Ancak asıl soru şuydu: Bu sistemi sahaya, gürültülü ve zorlu fabrika ortamına nasıl indirecektik?”

TEORİDEN PRATİĞE: SANAYİ ENTEGRASYONUNDAKİ ZORLUKLAR VE ÇÖZÜMLER

“Bir algoritmanın bilgisayar ortamında çalışması ile gerçek bir üretim hattında CNC ve robotik hücrelerin yanında çalışması arasında büyük bir uçurum vardır. Akademik çalışmamızı sanayiye entegre ederken üç ana zorlukla karşılaştık: Çevresel gürültü (pres sesleri, ortam titreşimleri), verilerin gerçek zamanlı işlenmesi ve sistemin makine kontrolcüleriyle (PLC) haberleşmesi.

Aşağıdaki görsel, geliştirdiğimiz sistemin fabrika ortamındaki fiziksel entegrasyonunu göstermektedir. Test cihazı, sensörler, Sınır Bilişim (Edge AI) cihazı ve PLC arasındaki kapalı döngü haberleşme altyapısı net bir şekilde görülmektedir.

1. Çevresel Gürültü ve Veri Toplama: İlk adım olarak, test cihazlarına endüstriyel standartlarda, parazitlere karşı yalıtılmış ve yüksek frekanslı veri toplayabilen dayanıklı sensörler entegre ettik. Ortamdaki makine gürültüsünü, parçanın kendi dinamik tepkisinden ayırmak için modele fabrikadan toplanan "gerçek ortam gürültü verilerini" de öğrettik.

2. Sınır Bilişim (Edge Computing) ile Gecikmesiz Analiz: Bulut tabanlı sistemler, veri iletiminde yaşanan gecikmeler (latency) nedeniyle dinamik testler için uygun değildi. Bu nedenle, modellerimizi doğrudan test tezgahının panosuna entegre edilen Edge AI (Sınır Yapay Zeka) donanımları üzerinde çalışacak şekilde optimize ettik. Böylece veriler fabrikadan dışarı çıkmadan, anlık olarak makine üzerinde işlenmeye başlandı.

3. PLC ve Otomasyon Entegrasyonu: Sistemin sadece bir ekranda grafik göstermesi sanayi için yeterli değildir; aksiyon almalıdır. Derin öğrenme modelimiz bir çatlak tespit ettiği an, mili-saniyeler içinde test cihazının PLC'sine "DUR" sinyali gönderecek bir haberleşme köprüsü kurduk. Mühendisin grafiği yorumlamasına gerek kalmadan, sistem operatör paneline doğrudan "ÇATLAK TESPİT EDİLDİ - TEST DURDURULDU" komutunu yansıtmayı başardı.”

BAKIM 4.0 VE İŞLETMEYE SAĞLADIĞI KATMA DEĞER

“Bu entegrasyon projesi, işletmemizin Bakım 4.0 ve kalite kontrol süreçlerinde bir devrim yarattı. Parçanın kırılmasını veya hasarın büyümesini beklemeden süreci durdurabilmenin getirdiği avantajlar şunlar oldu:

• Test Süreleri ve Enerji Tasarrufu: Hasar başladığı an test durdurulduğu için gereksiz yere harcanan saatler ve enerji tüketimi ortadan kalktı.
• Test Cihazlarının Korunması (Kestirimci Bakım): Çatlayan bir parçanın aniden kırılarak test tezgahına (fikstürlere, hidrolik pistonlara) vereceği ikincil hasarların önüne geçildi. Bu sayede test ekipmanlarının bakım maliyetleri düşürüldü.
• Kalite Güvencesi: Üretim proseslerindeki hatalar (örneğin sac şekillendirme sırasındaki mikroskobik yırtılmalar) çok daha erken safhalarda tespit edilerek, hurda oranları düşürüldü ve %100 kalite güvencesi hedefine yaklaşıldı.”

GİRİŞ

Endüstri 4.0 ile birlikte üretim sahalarındaki dinamikler hızla değişirken, bakım kavramı da "arıza çıktığında onarım yapma" anlayışından, "arızayı öngörme ve önleme" vizyonuna evrildi. Ancak sahada sıklıkla karşılaştığımız en büyük handikaplardan biri, üretim ve bakım departmanlarının birbirinden izole çalışmasıdır. Modern üretim tesislerinde, üretim planlamasını sekteye uğratmadan maksimum OEE (Toplam Ekipman Etkinliği) değerlerine ulaşmak, ancak üretim ve bakım mühendisliği disiplinlerinin tek bir potada eritilmesiyle mümkündür.

Bu makalede, sahadaki çok disiplinli mühendislik yaklaşımının kronik arızaların çözümündeki rolünü, ileri teknoloji tezgahların ağır bakım planlamalarını ve analitik raporlamaların stratejik kararlara nasıl dönüştüğünü inceleyeceğiz.

SEKTÖREL BİR PROBLEM: İZOLASYON VE GEÇİCİ ÇÖZÜMLER

Geleneksel yapılarda üretim ekibi yalnızca parça çıkış hızına odaklanırken, bakım ekibi makinenin mekanik/elektronik sağlığına odaklanır. Bu durum, özellikle çok eksenli ileri teknoloji CNC tezgahlarında karşılaşılan sorunların kök nedeninin gözden kaçmasına sebep olur. Örneğin; tezgahta yaşanan titreşim veya hassasiyet kayıpları, genellikle sadece mekanik bir aşınma olarak değerlendirilip geçici onarımlarla savuşturulabilir. Oysa sorunun temeli, üretilen parçanın fikstür tasarımındaki bir hatadan, yanlış kesici takım seçiminden veya operatörün vardiya içi kullanım alışkanlıklarından kaynaklanıyor olabilir.

SAHA VAKA ANALİZİ: KÖK NEDENİN İZİNİ SÜRMEK

Bu bütüncül yaklaşımın sahadaki önemini, üretim hattımızdaki bir DMG MORI işleme merkezinde bizzat yürüttüğümüz bir kök neden analizi (RCA) süreciyle örneklendirmek isterim. Söz konusu tezgahta parça işleme operasyonları sonucunda, işlenen yüzeyin kalitesinde ciddi bir düşüş ve kabul edilemez seviyelerde (Ra 6.3 µm ve üzeri) yüzey pürüzlülüğü değerleri ile karşılaşmaya başladık.

Görsel 1. Kabul edilemez pürüzlülük seviyesi (Ra 6.3) ile optimum yüzey kalitesinin (Ra 1.6) profilometrik dalga boyu karşılaştırması.

Sorun giderme (troubleshooting) sürecimizin ilk adımında, problemi iş parçası bağlama (workholding) sisteminde aradık. İlk hipotezimiz, fikstür üzerindeki hidrolik pistonların ve bağlantı civatalarının parçayı yeterli torkta sıkamadığı yönündeydi. Ancak bu elemanların kontrolleri sorunu çözmedi. Ardından analizimizi derinleştirerek, parçanın merkezlemesini sağlayan V-yatak dayamalarının ve pozisyonlama pimlerinin hidrolik hatlarında olası bir basınç kaçağı veya kirlilik olabileceğini değerlendirdik. Fikstürü tamamen tezgahtan sökerek detaylı bakım ve temizliklerini (revizyonunu) gerçekleştirdik. Bu kapsamlı müdahaleye rağmen yüzey pürüzlülüğü problemi devam edince, odak noktamızı bağlama aparatından doğrudan tezgah kinematiğine çevirdik.

GERÇEK SORUNUN TESPİTİ VE ÇÖZÜM STRATEJİSİ

Odağımızı makinenin kalbine, işmiline (spindle) kaydırdığımızda düğüm çözüldü. Spindle takım tutma (çekme) kuvvetini dinamometre ile ve eksenel/radyal salgı (runout) değerlerini komparatör ile ölçtüğümüzde asıl tablo ortaya çıktı: Spindle rulmanlarında tolerans dışı mekanik boşluklar oluşmuştu. Tezgah kesim esnasında yüke bindiği anda, işmili bu boşluklara dayanarak mikro seviyede salgı yapıyor ve yüzeydeki o yüksek pürüzlülüğe (chatter izlerine) sebep oluyordu.

• Geçici Çözüm (Aksiyon): Üretimin tamamen durmasını engellemek ve günü kurtarmak adına ilk etapta kesme hızlarını (ilerleme ve devir) düşürerek tezgahın maruz kaldığı yükü hafiflettik. Bu sayede salgıyı tolere edilebilir bir seviyeye çekerek parçaların hurdaya çıkmasını önledik. Ancak bu, verimliliği düşüren palyatif bir çözümdü.
• Kalıcı Çözüm (Kök Neden Düzeltici Faaliyet): Tezgahı planlı ağır bakıma alarak spindle rulmanlarını ve takım tutmayı sağlayan drawbar ünitesindeki çekme yaylarını (belleville springs) tamamen yeniledik.

Görsel 2. İleri teknoloji bir CNC işmilinde, salgıya (runout) sebep olan kritik mekanik bileşenlerin şematik gösterimi.

Spindle revizyonu sonrasında yüzey pürüzlülüğü değerleri hedeflenen optimum seviyelere geri döndü. Bu süreç, arızanın ilk görüldüğü yerin (yüzey kalitesi/fikstür) her zaman problemin kaynağı olmadığını; üretim ve bakım mühendisliği disiplinlerinin birlikte çalışarak doğru teşhisi koymasının ne kadar kritik olduğunu kanıtlamaktadır.

VERİ ANALİZİ: DURUŞ SÜRELERİNİN RAPORLANMASI VE STRATEJİYE DÖNÜŞMESİ

Bakım 4.0'ın kalbi veridir. Sahadan toplanan bu tip tezgah duruş süreleri ve arıza geçmişleri, doğru işlenmediği sürece bir anlam ifade etmez. Aylık tezgah duruş sürelerinin, arıza tiplerinin ve yapılan müdahalelerin toplanarak detaylı pivot tablolar ve dinamik grafikler yardımıyla analiz edilmesi yönetime şeffaf bir vizyon sunar.

Görsel 3. İncelenen DMG MORI işleme merkezine ait aylık duruş nedenleri ve sürelerini gösteren örnek veri analizi.

Veriye dayalı bu raporlamalar sayesinde hangi makinenin kronik olarak aynı modülden arıza verdiği, hangi yedek parçaların kritik stok seviyesinde tutulması gerektiği netleşir. Bu yaklaşım sadece bakım bütçesini optimize etmekle kalmaz, aynı zamanda bir sonraki makine yatırım kararlarında yönetime yön gösteren en güçlü argüman haline gelir.

SONUÇ

Modern sanayide ayakta kalabilmek ve küresel rekabette öne çıkmak; makinelerin dilinden anlamayı, verileri konuşturmayı ve disiplinler arası köprüler kurmayı gerektirir. Bir makinenin duruşu veya fire vermesi sadece tek bir departmanın değil, tüm fabrikanın sorunudur. Üretim vizyonuyla planlanmış ve analitik verilerle raporlanmış bir bakım stratejisi, "Bakım 4.0" felsefesinin sahadaki en gerçekçi yansımasıdır.

Bakım fonksiyonunu teknik açıdan tanımladığınızda hangi aşamalar olmazsa olmaz olarak görülmeli?

Bakım sürecinin tüm aşamaları aşağıda belirtilmiştir.

1.) Fabrika kapasite planlama ve geliştirme alt süreci

2.) Erken ekipman yönetim alt süreci

3.) Bakım kaynak planlama ve yedek parça yönetimi alt süreci

4.) Önleyici kestirimci bakım alt süreci

5.) Planlı bakım alt süreci

6.) Arıza bakım alt süreci

7.) İyileştirme ve geliştirme faaliyetleri alt süreci

Bakım sürecini oluşturan bu alt süreçlerin kendi iç akışları bulunmaktadır. Bu aşamaları da göz önünde bulundurarak kesinlikle olmazsa olmaz aşamalar;

1) Erken Ekipman Yönetimi: Bu aşamanın başarısı kuruluşun ne kadar duruşsuz, hatasız ve verimli olacağını belirler. Mühendisliği, tasarımı, hata analizleri ve üretimi olması gerektiği gibi yapılmamış bir ekipmanı veya hattı kuruluşa aldığınız zaman tüm bu yapılmamış olan işlemleri sistem çalışırken zamana yayarak yapmak zorunda kalmak yatırımın maliyetini olması gerekenden çok daha yukarıya taşıyacak ve fırsat kayıplarını oldukça arttıracaktır.

2) Önleyici Kestirimci Bakım Alt Süreci: Bu alt sürecin en güzel özelliği işlenebilir geliştirilebilir veriler üretmesidir. Bu veriler aynı zamanda diğer tüm ana süreçleri besleyebilir kuruluşun amacının yani konu üretimse kalitesini artırabilir verimliliğini iyileştirebilir. Bu yüzden bu alt sürecin faydası açısından iki alt bacağı bulunmaktadır. Birincisi, ekipmanın-hattın duruşsuz ve daha uzun ömürlü kullanılabilmesi, ikincisi ise kalite ve üretim gibi diğer ana süreçlere anlık veriler ile amaç ve hedef iyileştirme imkanı sunabilmesidir.

Ayrıca bu alt sürecin en ilgi çekici yanı hem veri tür çeşitliliğinin teknolojik gelişmeler ile artması ve günümüzde yeni trend olan yapay zeka ile çok yönlü analizler mümkündür.

3) Arıza Bakım Alt Süreci: Özellikle bakımın diğer alt süreçlerine geri bildirim vererek sürekli iyileştirmeyi sağlayan yegane alt süreçtir. Arıza olayı gerçekleşmiştir. Erken ekipman yönetimi, önleyici ve kestirimci bakım alt süreci + planlı bakım alt süreci ile durum önlenememiş ve akışı durdurmuştur. Bu durumda soruna çözüm bulup en kısa sürede ekipmanı-hattı üretime kazandırmak birinci hedef olsa da aynı zamanda tekrar meydana gelmemesi için alınması gereken aksiyonları belirleyebilmek için kök neden analizleri yapmaya olanak sağlar. Bu alt süreç, sürekli iyileştirme döngüsünün bir parçasıdır.

Mekanik ve elektrik ekipmanlarda bakım önceliklendirmesi nasıl yapılmalıdır? Kritiklik bazlı yaklaşımın teknik altyapısı nedir?

ISO standartları, TPM, WCM, Q1 ve TPS gibi tüm sistem yaklaşımlarının ekipmanların kritiklik belirleme yöntemlerindeki ortak nokta veri analizidir. Bu verilerde OEE, CUR, MTBF, MTTR, FR gibi sayısal verilerin yanında üretim akış haritalarındaki darboğaz bölgesi veya bölgelerindeki kritiklik seviyesine karşın verilecek sayısal katsayılarında hesaplama esnasında payı mevcuttur. Kritiklik belirleme üzerine geçmişte yapmış olduğum ve hat-ekipman ağacına bağlı bir otomatik hesaplama tablo örneğini aşağıda görebilirsiniz. Ekipmanın kritiklik derecesine göre ekipmana bağlı alt yedek parça ağaçlarının da kritiklik seviyesi artmaktadır. Yedek parça kritikliği hesaplama ile ilgili detayları ise bir sonraki yazımda paylaşacağım.

Arıza meydana geldiğinde kök neden analizini teknik olarak hangi adımlar takip etmelidir?

Öncelikle hangi arızalara kök neden analizi yapılması gerektiği belirlenmelidir. Ölçütümüz genelde duruşlu arızalarda süre bazlıdır ve örneğin 15 dk. üzerindeki duruşlara kök neden analizi yapılmak zorundadır. Kök neden analizi ise sahada direkt arızaya müdahale eden bakım profesyoneli tarafından yapılır ve tamamen teknik yaklaşıma sahiptir. Yapılan kök neden analiz verileri toplanır ve bakım yönetimi tarafından değerlendirilip Kaizen aksiyonlarının yapısal büyüklüklerine göre hangi Kaizen türüne dahil olacağı belirlenip süreç aksiyonları başlatılır.

Sahada yapılan kök neden analizi 5N+1K şeklindedir.

Toplam veri analizi için olası kök neden başlıkları önceden gruplandırılabilir.

Tekrar eden arızaların ardındaki gizli sinyaller genelde hangi veri türlerinde saklıdır?

Tekrar eden arızaların arkasındaki gizli sinyalleri kestirimci ve önleyici bakım alt sürecinden elde ettiğimiz verilerle inceleyebiliriz. Bu değerler birbirleriyle kolerasyonlu şekilde çalışır ve birlikte değerlendirilir. Burada bir kötüye gidiş ve arıza ile sonuçlanan durumdan söz ediyorsak üretilen ürüne olan etkisini kalite verilerinden verimliliğe olan etkisini de üretim verilerinden ayrıca elde edebiliriz.

Veri türleri;

A. Çok eksenli titreşim verileri

B. Termal kameralar

C. Sıcaklık sensör verileri

D. Enerji analiz değerleri

E. Yağ analizleri

F. Sahada yapılan sayısal mekanik ölçümler (paralellik, kızak boşluğu, rulman boşluğu salgı vb.)

G. Prosese özel sensörlerle kondüsyon ölçümleri (kimyasal, gaz, akış, basınç, yük vb.)

MTBF, MTTR ve OEE gibi bakım KPI’larının üretim çıktısı ve kalite ile ilişkisini nasıl değerlendirirsiniz?

MTBF ve MTTR direkt olarak OEE’nin bir fonksiyonudur. OEE ise üretim çıktısının ve kalite başarımının sonucudur. Yani üretim çıktısının kaliteli bir şekilde istenen bir değerde gerçekleşebilmesi için OEE’nin fonksiyonu olan MTBF değerinin hedef doğrultusunda yüksek, MTTR değerinin ise hedef doğrultusunda düşük olması gerekir.

Titreşim, termal kameralar, yağ analizi gibi kestirimci yöntemler sahada pratikte nasıl uygulanır? Hangi parametreler erken uyarı sinyali verir?

Analiz yöntemlerinin sahada kullanımı ikiye ayrılır. Birincisi sürekli gerçek zamanlı ölçüm, ikincisi ise periyodik yapılan ölçümlerdir. Bu her iki ölçüm sistematiğinin de ekipmanları farklıdır. Bu iki ana yöntemin hangisinin kullanılacağının seçimi ise çalışan ekipmanın ne kadar kritik olduğuna bağlıdır. Örneğin;

1) Titreşim

a. Sürekli ölçüm için ekipmanın kontrol noktasına titreşim analiz sensörü montaj edilir ve sürekli veri alınır.

b. Periyodik ölçümde ise el tipi bir titreşim analiz cihazı ile tüm kontrol noktaları tek tek ölçülür kayıt altına alınır.

2) Yağ analizi

a. Sürekli ölçüm için ekipmanın kontrol noktasına yağ kalitesi ölçüm sensörü montaj edilir ve sürekli veri alınır.

b. Periyodik ölçümde ise numune alınıp analiz laboratuvarına gönderilir veya fabrika içerisinde yer alan analiz cihazında analiz yapılabilir. Buradaki fark laboratuvar analiz verisi, yağ kalitesi ölçüm sensöründen daha detaylı ve kapsamlı olmasıdır.

3) Termal Kamera

Termal Kamera denildiğinde ise genel olarak bilinen el tipi cihazlar ve elektrik panolarındaki ısı haritaları gelir fakat gelişen sensör teknolojisi ile termal takipte gerçek zamanlı hale gelmiş olup proses ve ekipman üzerinde ihtiyaç duyulan noktalara montaj edilip anlık takip edilebilmektedir.

Bakım tarafındaki verilerdeki sinyallerin genel olarak dört farklı tepkisi bulunduğu söylenebilir.

1) Artan trend eğrisi à Arıza yaklaşıyor tekrar periyodunda arızalanacak.

2) Azalan trend eğrisi àArıza yaklaşıyor tekrar periyodunda arızalanacak.

3) Düzensiz veri eğrileri à Arıza gerçekleşmiş ani duruş her an gerçekleşebilir.

4) Düzenli fakat belirli periyotta tekrar eden pik değerler à Erken önlem alınabilir zaman dilimi.

Sürekli çalışan tesislerde mekanik bakımın kurumsal yapı içindeki rolünü nasıl tanımlarsınız? Bakım, operasyonun neresinde başlar?

Sürekli çalışan tesislerde mekanik bakım, operasyonu destekleyen bir birim değil; operasyonun sürekliliğini ve güvenliğini doğrudan belirleyen stratejik bir fonksiyondur. Bakım faaliyetleri yalnızca arıza anında değil, ekipmanın tasarımından, devreye alma aşamasından ve işletme parametrelerinin belirlenmesinden itibaren başlar.

Bu nedenle mekanik bakım, üretimin “sonunda” değil, planlama, proses ve işletme disiplinleriyle entegre biçimde, operasyonun merkezinde konumlanır. Bizler bu süreci bakım–operasyon–mühendislik üçgeni içinde sorumlu olarak koordine ederiz.

Titreşim, sıcaklık ve yağ analizleri gibi klasik yöntemler, günümüzde hala ne kadar belirleyici? Bu yöntemler nasıl daha etkin kullanılabilir?

Titreşim, sıcaklık ve yağ analizleri günümüzde hala kestirimci bakımın temel yapı taşlarıdır. Dijital sistemler gelişmiş olsa da bu klasik yöntemler, özellikle döner ekipmanlarda erken arıza sinyallerinin en güvenilir göstergelerini sağlar.

Bu yöntemlerin etkinliği; tek seferlik ölçümlerden ziyade trend takibi, sınır değerlerin ekipmana özel tanımlanması ve analiz sonuçlarının operasyon parametreleriyle birlikte değerlendirilmesi ile artar. Bizlerin yaklaşımı, bu analizleri sahadan kopuk raporlar olarak değil, karar destek verisi olarak kullanmaktır.

Mekanik bakımda önleyici bakım ile kestirimci bakım arasındaki denge sizce nasıl kurulmalı?

Önleyici ve kestirimci bakım birbirinin alternatifi değil, tamamlayıcısıdır. Kritikliği yüksek, arıza modu net olan ekipmanlarda önleyici bakım kaçınılmazdır. Ancak koşula bağlı arızaların baskın olduğu ekipmanlarda kestirimci bakım öne çıkmalıdır.

Bu dengeyi kurarken bizler; ekipman kritiklik analizi, arıza geçmişi ve duruş maliyetlerini esas alıyoruz. Amaç, gereksiz bakım yapmadan, riskli arızaya da fırsat vermemektir.

Dijital izleme sistemleri, mekanik arızaların kök neden analizine nasıl katkı sağlıyor?

Dijital izleme sistemleri, arızaya yalnızca “ne oldu” sorusuyla değil, “neden ve ne zaman oldu” sorularıyla yaklaşmamızı sağlıyor. Sürekli veri akışı sayesinde ekipmanın yük, hız, sıcaklık ve titreşim davranışı birlikte izlenebiliyor.

Bu veriler, mekanik bir arızanın yalnızca sonuç değil, proses koşullarıyla ilişkili bir neden zinciri olduğunu ortaya koyuyor.

TEKSAN Bakım Onarım Ekip Lideri Özgün Küçük hazırladığı bu makalede, bir işletmenin "dünyasını" değiştirecek olan o bireysel dönüşümün iki ana sütununu ele alıyor: Operatörün makinesini sahiplendiği Otonom Bakım (AM) ve teknik uzmanlığın inançla birleştiği Profesyonel Bakım (PM).

1. EKİPMAN KAYIPLARI VE OEE PERSPEKTİFİ

Operasyonel mükemmellikte her şey veriyle başlar. Toplam Ekipman Etkinliği (OEE), bakım ve üretimin ortak karnesidir. OEE; Kullanılabilirlik (Availability), Performans (Performance) ve Kalite (Quality) oranlarının çarpımıyla elde edilir.

• Kullanılabilirlik Kayıpları: Arızalar ve set-up süreleri (Doğrudan PM ve AM odaklıdır).
• Performans Kayıpları: Küçük duruşlar ve hız kayıpları (AM’nin en güçlü olduğu alandır).
• Kalite Kayıpları: Hurda ve yeniden işlemeler (Ekipman hassasiyeti ve PM standartları ile ilgilidir).

2. OTONOM BAKIM (AM): OPERATÖRÜN TEKNİK YETKİNLİK YOLCULUĞU

Otonom Bakım, operatörlerin makinesini "sahiplenmesi" ve temel şartları korumasıdır. Dokümanlarda vurgulanan 7 adımlık süreç, operatörü bir kullanıcıdan, ekipmanının dilinden anlayan bir "teknik operatöre" dönüştürür:

• Adım 1-3 (Hızlandırılmış Bozulmanın Durdurulması): Başlangıç temizliği ile gizli kusurlar tespit edilir. Kirlilik kaynaklarına ve zor ulaşılan bölgelere müdahale edilerek temizlik süresi optimize edilir. Geçici temizlik, yağlama, kontrol standartları oluşturulur.
• Adım 4-5 (Genel Denetim ve Teknik Eğitim): Operatör, makinenin çalışma prensiplerini öğrenir. Cıvatalar, hidrolik-pnömatik sistemler ve yağlama noktaları üzerinde teknik uzmanlık kazanır.
• Adım 6-7 (Otonom Yönetim): Operatör artık kendi çalışma alanının lideridir; standartları iyileştirir ve toplam ekipman verimliliğini yönetir.

3. PROFESYONEL BAKIM (PM): UZMANLIK VE SİSTEMATİK GELİŞİM

Profesyonel Bakım, teknik ekibin ekipman ömrünü uzatmak ve bakım maliyetlerini optimize etmek için kullandığı bilimsel bir metodolojidir. PM de 7 adımdan oluşur ve AM'yi teknik olarak destekler:

• Adım 1-2 (Ekipman Sınıflandırma ve Arıza Analizi): Tüm ekipmanlar kritiklik derecesine göre (A-B-C analizi) ayrılır. En yüksek maliyet ve duruş yaratan "Model Alan" seçilir.
• Adım 3 (PM Standartlarının Kurulması): EWO (Emergency Work Order) formları ile arıza analizleri yapılır. "5 Neden Analizi" kullanılarak arızanın kök nedenine inilir. Amacı, geçici çözüm değil, kalıcı iyileştirmedir.
• Adım 4-5 (Ekipman Ömrünü Uzatma ve Periyodik Sistem): Zayıf noktalar analiz edilir, modifikasyonlar yapılır. Fritz-Werner grafikleri ile bileşen bazlı maliyet takibi başlar. Zaman Bazlı Bakım (TBM) ve Vuruş/Adet Bazlı Bakım (HBM) sistemleri kurulur.
• Adım 6-7 (Kestirimci Bakım ve Tahminleme): Vibrasyon, termografi ve yağ analizi gibi CBM (Condition Based Maintenance) yöntemleri devreye alınır. Bakım bütçesi ve yedek parça stok yönetimi (Step 7) ile süreç mükemmelleşir.

4. KRİTİK KAVRAM: HIZLANDIRILMIŞ BOZULMA VE YAĞLAMA YÖNETİMİ

Bakım stratejilerinde en çok dikkat çeken unsurlardan biri "Doğal Bozulma" ile "Hızlandırılmış Bozulma" arasındaki farktır. Makineler düzgün kullanılsa bile eskir (doğal), ancak toz, kirlilik, gevşeklik ve yanlış yağlama bu süreci 5-10 kat hızlandırır. Operasyonel mükemmellik bakış açısında yağlama bir "rutin" değil, bir "mühendislik faaliyeti”dir. Doğru yağın, doğru noktaya, doğru miktarda ve doğru zamanda ulaştırılması; PM ve AM'nin ortak yürüttüğü yağlama haritaları ve görsel yönetim araçlarıyla sağlanır.

5. SİNERJİ NOKTASI: GÖREV DEVRİ VE "SKILL" YÖNETİMİ

PM ve AM arasındaki en büyük verimlilik artışı, basit teknik görevlerin operatöre devredilmesidir. PM ekibi, rutin işlerden kurtularak enerjisini büyük revizyonlara ve teknolojik iyileştirmelere aktarır. Bu süreçte "Tek Nokta Dersleri" ve “Standart Bakım Prosedürleri” ile bilgi transferi yapılır. Operatörün teknik "Skill" (beceri) seviyesi arttıkça, tesisin çevikliği de artar.

6. EKONOMİK ANALİZ: FRITZ-WERNER VE MALİYET ODAKLILIK

Operasyonel mükemmelliği diğer sistemlerden ayıran en önemli fark, her teknik adımın ekonomik bir karşılığının olmasıdır. Fritz-Werner grafikleri sayesinde, bir komponentin bakım maliyeti ile o komponentin yarattığı arıza duruş maliyeti kıyaslanır. Eğer bir parçanın bakım maliyeti, arıza maliyetini geçiyorsa; o parçanın tasarımında veya bakım stratejisinde radikal bir değişikliğe gidilir.

SONUÇ: BAKIM 4.0'A GİDEN YOL

Bugün konuştuğumuz "Kestirimci Bakım" veya "Yapay Zeka Destekli Bakım" sistemlerinin başarılı olabilmesi için, zeminde Operasyonel mükemmelliğin bu iki disiplinli (AM-PM) sağlam yapısı bulunmalıdır. Verisi tutulmayan, standartları belirlenmemiş ve operatörü tarafından sahiplenilmemiş bir makinede dijitalleşme sadece bir maliyet kalemi olarak kalacaktır.

Operasyonel mükemmellik metodolojisi, makineleri sadece çalıştırmakla kalmaz; operatörden mühendise kadar tüm organizasyonu "Sürekli Gelişim" (Kaizen) odağında birleştirir. Geleceğin fabrikaları, bu sinerjiyi kültüre dönüştürebilen işletmeler olacaktır.

Operasyonel mükemmellik ile, bakımın sadece bir görev değil, bir sistem düşüncesi olduğunu göreceksiniz. Unutmayın; iyi bir bakım kültürü, sağlam bir üretimin en güçlü temelidir.

HEDEF DİJİTAL DÖNÜŞÜMDE ÖNCÜ OLMAK

Endüstri 4.0 vizyonları doğrultusunda hayata geçirdikleri çalışmalar hakkında bilgiler aktaran Polo Otomasyon Yönetim Kurulu Başkanı Oral Sertbulut, şunları anlatıyor:

“Endüstri 4.0, üretim süreçlerinin dijitalleşmesini ve akıllı otomasyonun yaygınlaşmasını temsil eden bir paradigma. Polo Otomasyon olarak bu vizyonu benimseyerek, fabrikaların dijital dönüşümünde öncü rol oynamayı hedefliyoruz. Bu kapsamda, şirketimizde bir dizi stratejik yaklaşım ve teknoloji entegrasyonu planlıyoruz.

Öncelikle, nesnelerin interneti (IoT) altyapılarını tesislerimize entegre ederek, üretim ekipmanlarının birbirleriyle anlık ve kesintisiz iletişim kurmasını sağlıyoruz. Bu, üretim hatlarında şeffaflık ve anlık izlenebilirlik demek. Üretim verilerinin merkezi bir platformda toplanması, analiz edilmesi ve raporlanması için bulut tabanlı çözümler kullanmayı önceliyoruz.

Ayrıca, yapay zekâ ve makine öğrenimi teknolojileri ile üretim süreçlerini optimize etmek ve kestirimci bakım uygulamalarını yaygınlaştırmak şirketimizin öncelikleri arasında yer alıyor. Bu sayede arıza ve duruş süreleri minimize edilirken, operasyonel verimlilik artıyor.”

POLO’DAN MODÜLER VE ÖLÇEKLENEBİLİR OTOMASYON ÇÖZÜMLERİ

Robotik otomasyon ve insan-makine iş birliği (cobots) alanında da yatırımlarını sürdürdüklerini söyleyen Sertbulut şöyle devam ediyor: “İnsan faktörünü güvenlik ve verimlilik açısından destekleyen robotik sistemlerle üretim hatlarını güçlendiriyoruz.

Veri güvenliği ve siber güvenlik ise Endüstri 4.0’ın olmazsa olmaz bir unsuru olarak şirket stratejilerimizin merkezinde yer alıyor. Bu nedenle güvenlik protokollerini en üst seviyede uyguluyor, çalışanlarımızı bu konuda sürekli bilinçlendiriyoruz.

Son olarak, dijitalleşmenin gerektirdiği esnek üretim süreçlerini desteklemek adına modüler ve ölçeklenebilir otomasyon çözümleri geliştiriyoruz. Bu sayede, değişen pazar koşullarına hızlı adaptasyon mümkün oluyor.”

Polo Otomasyon, Endüstri 4.0 vizyonunu sadece teknolojik bir gelişme olarak değil, iş süreçlerinin ve iş modeli inovasyonunun anahtarı olarak görüyor ve tüm organizasyonunda bu anlayışı yaygınlaştırmayı hedefliyor.

www.polootomasyon.com

Optimak STU Yönetim Kurulu Başkanı Tansel Cavit Kulak, iş gücü kazanımlarına ilişkin yaptığı açıklamada şu ifadelere yer verdi:

"Yapay zeka modellemeleri bize ciddi bir maliyet avantajı kazandırıyor. Mühendislerimiz proje üstünde 40 saat çalışacaksa 10 saat çalışıyor; geri kalan 30 saatlik uygulamayı, yapay zeka modellemesi mühendise öğretiyor. 15 kişiyle yaptığımız işi şu an 3 kişiyle yapıyoruz. Geriye kalan 12 kişi ise daha verimli işlerde çalışıyor."

"SAHAYA GİTMEDEN DİJİTAL İKİZLE KARŞILAŞABİLECEĞİMİZ SORUNU ÇÖZMÜŞ OLUYORUZ”

Dijital ikiz modeliyle sistemlerin ve çalışma prensiplerinin sanal ortamda simüle edildiğini aktaran Kulak, şöyle devam ediyor:

"Sahaya gitmeden dijital ikizle karşılaşabileceğimiz sorunu çözmüş oluyoruz. Müşterilerimize sistemi ve makineyi kurduğumuzda bunları kullanacak personel var. Bu personeli ne kadar eğitirseniz eğitin, insan sirkülasyonunun olduğu bir ekosistemdeyiz. Bu sefer personelin kontrol edilmesi gerekiyor ya da personelin birden fazla makineyi kontrol etmesi gerekiyor. Yapay zeka modellemeleriyle iş ve hareket etüdü analizi yapıyoruz. Yapay zeka modellemeli iş ve üretim etüdü, personelin daha verimli çalışarak daha fazla katma değer üretmesini, firmanın da üretim maliyetini düşürerek pazarda daha rekabetçi olmasını sağlıyor. Kalite kontrol yapısında bir şeyleri yapay zekaya öğreterek tamamen hatasız operasyon yapabiliyorsunuz."

Kulak, yapay zekanın doğru kullanıldığında iş gücü ve harcanan enerjiyi verimli kullanarak birim başına maliyetin azaldığını da sözlerine ekliyor.

TANSEL CAVİT KULAK'TAN ENDÜSTRİYE YAPAY ZEKAYA GEÇİŞ ÇAĞRISI

Modellemelerin sektördeki faydalarına da değinen Kulak, şu şekilde anlatıyor:

"Otonom depolarda Miniload ve ASRS sistemleri var. Önceden bu sistemler emir alırlar, hareket ederlerdi ve gündüz çalışırlardı. Şu an kapasiteyi artırmak ve gece çalışmak istemiyorsanız, yapay zeka size öyle bir modelleme sunuyor ki bütün rampalara ürünleri dizmiş oluyor. Sabah fabrikaya gelindiğinde, yüklenmesi gereken malların hepsi hazır oluyor."

Kulak, Sanayi ve Teknoloji Bakanlığı öncülüğünde devamlı çağrılar yapıldığını belirterek, fabrikaların üretimi ve verimliliği artırmak ve yeşil dönüşümü gerçekleştirmek gibi hedefleri için bakanlığın yapay zeka ile üreticiyi tanıştırma gayesinin olduğunu da vurgulayarak, endüstriye yapay zekaya geçiş çağrısında bulunuyor.

https://www.optimak.com.tr/

Kontek Enerji, Solar Alliance Partnerlik Ağı ile Türkiye'nin her yerinde Kontek Enerji güvenceli GES⁺ projeleri gerçekleştiriyor. Solar Alliance GES çözümleri kapsamında çatı üzeri güneş enerji santrallerinden saha GES çözümlerine, enerji depolamadan e-mobilite çözümlerine kadar birçok konuda yatırımcılara hizmet sağlayacak. 

SOLAR ALLİANCE GES⁺ ÇÖZÜMLERİ: