Johnson Electric Bakım ve Otomasyon Müdürü Gürkan Aydoğdu, yüksek performanslı bir bakım organizasyonunun DNA’sını anlattı. Aydoğdu; klasik MTBF ve MTTR göstergelerinin ötesine geçerek mikro-duruşların (MTBIn) verimlilik üzerindeki etkisini, CNC tezgahlarında uygulanan Eyes Have It konseptli vibrasyon analizlerini ve dijital ikiz teknolojisinin kestirimci bakımı nasıl “Reçeteli Bakım” seviyesine taşıdığını paylaşırken; aktardığı disiplinli bir Focus Team çalışmasıyla 1,5 yılda elde edilen %21 OEE artışının hikayesi, sektör profesyonelleri için bir yol haritası niteliğinde.
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.
