LCWaikiki Lojistik Teknik Bakım ve Ar-Ge Direktörü Hakan Şahin, sensörlerden yapay zekaya uzanan uçtan uca dijital ekosistemlerini ve veriyi ölçerek yönetme felsefesiyle duruş sürelerini nasıl minimize ettiklerini anlattı.
Bakım verilerinin toplanması, analizi ve raporlanmasında hangi dijital altyapıları kullanıyorsunuz?
Teknik bakım süreçlerimizde veriyi etkin kullanmak için güçlü bir dijital altyapı kurduk. Öncelikle Bakım Yönetim Modülü adını verdiğimiz bir yazılım devrede. Bu sistem sayesinde planlı veya plansız tüm bakım faaliyetlerini tek bir arayüzden takip ediyor, sahada yapılan işlemleri anlık olarak kaydedip kapsamlı raporlar alabiliyoruz. Yani bakım ekiplerimizin her adımı dijitalleşmiş durumda: Hangi ekipman ne zaman arıza yaptı, ne tür müdahale yapıldı, kullanılan yedek parçalar neler, hepsi bu modülde kayıt altına alınıyor. Elde ettiğimiz verileri düzenli analiz ediyoruz. Örneğin, geçtiğimiz yılın arıza ve duruş kayıtlarını inceleyerek en sık neden olan problemleri belirledik; ürün sıkışması, konveyör kayışı arızası gibi kök sebepler ortaya çıktı. Bu analizler ışığında, ilgili noktalara önleyici bakım planları uygulayarak duruş sürelerini önemli ölçüde azalttık.
Veri toplamada IoT sensörleri de önemli rol oynuyor. Depolarımızdaki kritik makinelere yerleştirdiğimiz sensörlerle sıcaklık, titreşim, enerji tüketimi gibi parametreleri sürekli izliyoruz. Bu gerçek zamanlı veriler, bakım ekibine potansiyel arızaları henüz gerçekleşmeden öngörme olanağı sağlıyor. Örneğin, Almanya’daki SICK firmasının üretim tesisine yaptığımız ziyarette gelişmiş kestirimci bakım sensörlerini (Multi Physics Box, FTMg gibi) yakından inceledik. Bu tür teknolojileri altyapımıza entegre ederek makine sağlığını izliyor ve anomalileri erken tespit etmeye başladık.
Topladığımız büyük veriyi anlamlandırmak için yapay zeka destekli araçlar kullanıyoruz. Geliştirdiğimiz Yapay Zeka Asistanı, geçmiş arıza verilerini analiz ederek bakım personeline arıza çözüm önerileri sunuyor ve hatta ekibin eğitim ihtiyaçlarını belirliyor. Böylece tecrübeye dayalı bilgi, yapay zekanın analiz gücüyle birleşiyor. Son olarak, tüm tesislerimizde devreye aldığımız online enerji izleme sistemi ile enerji tüketim verilerini de topluyoruz. Bu sistem, yapay zeka algoritmalarıyla verileri işleyerek aylık tüketim tahminleri yapıyor ve olası sapmaları önceden haber veriyor. Kısacası, sensörden yazılıma, yapay zekadan raporlama araçlarına kadar uçtan uca dijital bir ekosistem kurarak bakım verilerini topluyor, analiz ediyor ve anlaşılır raporlara dönüştürüyoruz. Bu sayede kararlarımızı veriye dayalı alıyor, bakım operasyonlarımızı sürekli iyileştiriyoruz.
Sensörler, IoT, yapay zeka gibi yeni teknolojilerin bakım süreçlerine adaptasyonunu nasıl yönetiyorsunuz?
Yeni teknolojileri bakım süreçlerimize entegre ederken planlı ve ekip odaklı bir yaklaşım benimsiyoruz. Öncelikle gelişen teknolojileri yakından takip ediyor, sektördeki yenilikleri izliyoruz. Örneğin, ekip olarak LogiMAT 2025 fuarına katılıp Endüstri 4.0 kapsamında öne çıkan IoT ve akıllı sistem trendlerini yerinde gözlemledik; makine-insan iş birliğinin yeni modellerini inceledik. Bu sayede hangi teknolojilerin işimize değer katabileceğini önceden tespit ediyoruz.
Adaptasyon yönetiminde en kritik adım, pilot uygulamalar yapmak. Yeni bir sensör veya yapay zeka çözümü gündeme geldiğinde, bunu hemen tüm tesislere yaymak yerine kontrollü pilot projeler başlatıyoruz. Geçtiğimiz yıl Yalova depomuzda bir robotik boşaltma sistemi denemesi gerçekleştirdik. Sektörün lider robotik firmalarından biriyle iş birliği yaparak, tır boşaltma operasyonunu otomatize etmeyi test ettik. Bu pilot çalışma sayesinde teknolojinin gerçek operasyon koşullarındaki performansını ve ekibimizin bu teknolojiyle uyumunu değerlendirme fırsatı bulduk. Benzer şekilde, bakım ekiplerimize destek olacak Yapay Zeka Asistanı projesini önce belirli bir makine grubu üzerinde deniyoruz. IT departmanımızla birlikte karusel sistemine yönelik bir AI modeli geliştirdik, şu an test ve eğitim aşamasında. Bu pilot sürecinde yapay zekanın önerileri ve teknik ekipten gelen geri bildirimler doğrultusunda sistemi mükemmelleştiriyoruz.
İnsan faktörü adaptasyonun kalbinde yer alıyor. Yeni bir teknolojiyi devreye alırken bakım personelimizin ve operasyon ekiplerimizin sürece dahil olmasına özen gösteriyoruz. Örneğin, depolarımızdan birinde yaptığımız 5S ve otonom bakım çalışmasında, sahadaki operasyon ekibini de aktif ettik. Böylece insanlar yeniliği “benimsiyor” ve adaptasyon süresi kısalıyor. Eğitim ve bilgi paylaşımı da önemli; sensör verisi okuma ya da AI destekli bir aracı kullanma konusunda ekiplerimize düzenli eğitimler veriyoruz. Ayrıca, kademeli geçiş yöntemi uyguluyoruz: Yeni teknolojiyi önce küçük ölçekte başlatıp sonuçlarını ölçüyor, ardından kademeli olarak yaygınlaştırıyoruz. Örneğin enerji verimliliği için IoT tabanlı izleme sistemini önce birkaç depoda devreye aldık, verimli olduğunu görünce tüm lokasyonlara genişlettik.
Son olarak, güçlü iş birlikleri kurmayı ihmal etmiyoruz. Hem teknoloji tedarikçileriyle (sensör üreticileri, yazılım firmaları) yakın temas halindeyiz, hem de benzer uygulamaları hayata geçirmiş diğer şirketlerle deneyim alışverişi yapıyoruz. Örneğin DHL ARGE ekibiyle yaptığımız görüşmelerde onların yenilikçi projelerinden öğrenip kendi süreçlerimize nasıl adapte edebileceğimizi görüştük. Bu tür paylaşımlar olası adaptasyon zorluklarını önceden görüp tedbir almamızı sağlıyor. Özetle, yeni teknolojileri “insan + süreç + teknoloji” dengesini gözeterek, küçük adımlarla deneyerek ve sürekli öğrenerek devreye alıyoruz.
Veriye dayalı bakım yaklaşımı, arıza yönetimi ve duruş süreleri üzerinde nasıl bir etki sağladı?
Veriye dayalı bakım yaklaşımımız, arıza yönetiminde deyim yerindeyse oyunun kurallarını değiştirdi. Önceden sadece tecrübeye veya günlük operasyon yoğunluğuna dayanarak karar verirken, şimdi somut verilerle hareket ediyoruz. Bunun en somut yansıması arıza kaynaklı duruş sürelerinde görüldü. Örneğin, 2024 yılının ilk yarısında beklenmedik arızalar nedeniyle özellikle Temmuz ayında duruş süreleri zirve yapmıştı. Bu dönemden elde ettiğimiz verileri ayrıntılı şekilde analiz ettik. Hangi ekipmanda, hangi sebeple, ne kadar süreyle duruş yaşanmış tek tek inceledik. Analiz sonucunda ürün sıkışması, kayış kopması ve haberleşme hatası gibi belli başlı sorunların toplam duruş süresinin büyük kısmını oluşturduğunu tespit ettik. İşte veriye dayalı yaklaşım tam burada devreye girdi: Bu kritik arıza nedenlerine odaklanan özel iyileştirme ve bakım programları geliştirdik.
Aldığımız aksiyonların etkisi kısa sürede görülmeye başlandı. 2024’ün ikinci yarısında uyguladığımız proaktif bakım faaliyetleri sayesinde duruş sürelerinde belirgin düşüş yaşandı. Özellikle daha önce zirve yapan Temmuz ayına kıyasla, yılın son çeyreğinde aynı ekipmanlarda duruşlar minimum seviyeye indi. Arıza frekanslarında da benzer bir iyileşme trendi yakaladık; 2024 ikinci çeyrekte yapılan planlı müdahaleler sonrası arıza tekrarlarının azaldığını veriler net biçimde ortaya koydu. Bu sonuçlar, önleyici bakımın ve veriye dayalı takibin ne denli etkili olduğunu kanıtlar nitelikte.
2025 yılına başlarken de veriye dayalı bakım yaklaşımımız sayesinde hızlı reaksiyon alma kabiliyeti kazandık. Yılın ilk çeyreğinde duruşlarda hafif bir artış gözlemleyince, anında nedenlerini veriyle araştırdık ve gereken düzeltici adımları attık; böylece yeniden düşüş eğilimini yakaladık. Artık bakım ekiplerimiz karar alırken “sezi” yerine “veri”ye güveniyor. Bu da arıza yönetiminde daha öngörülü olmamızı sağlıyor. Mesela, veri analitiği araçlarımız belli bir motorun normalden fazla akım çektiğini saptadığında motor bozulmadan yeniliyoruz veya üreticiyle temasa geçiyoruz. Sonuç olarak, veriye dayalı bakım sayesinde beklenmedik arızalar azaldı, bakım maliyetleri kontrol altına girdi ve ekiplerimizin müdahale hızı arttı. En önemlisi, operasyonda kesintisizliği sağlayarak tesis güvenilirliğini bir üst seviyeye taşıdık. Yani ölçtüğümüzü yönetebildik, bu da duruş sürelerine olumlu yansıdı.
