Endüstride yapay zeka ve veri bilimi konuşulurken çoğu zaman gözden kaçan bir gerçek var: Sağlam bir veri disiplini olmadan hiçbir algoritma sürdürülebilir başarı sağlayamaz. Kestirimci bakım alanında da durum farklı değildir. Sensör yatırımı yapmak, yazılım satın almak ya da makine öğrenmesi modelleri kurmak; eğer ölçüm noktaları standardize edilmemiş, geçmiş veriler düzenli toplanmamış ve karar mekanizması sistematik kurgulanmamışsa beklenen etkiyi yaratmaz.
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.
