Dijitalleşmenin ivme kazandığı günümüzde, üretim sistemlerinin sürekliliği artık yalnızca verimlilik meselesi değil; rekabet gücünün, müşteri memnuniyetinin ve sürdürülebilirliğin de temel belirleyicisi konumunda. Özellikle yüksek maliyetli ve kritik ekipmanlara sahip tesislerde yaşanan plansız duruşlar, bakım bütçelerinin ötesinde işletmenin toplam performansını doğrudan etkiliyor. İşte bu noktada kestirimci bakım, makinelerin yalnızca mevcut durumunu değil, gelecekteki davranışlarını da dikkate alan yaklaşımıyla klasik bakım anlayışlarının önüne geçiyor.
KESTİRİMCİ BAKIMDA KARARLARIN KALBİ RUL
Kestirimci bakım uygulamalarının temel yapı taşlarından biri, ekipman ve bileşenlerin kalan faydalı ömrünün (Remaining Useful Life – RUL) doğru biçimde tahmin edilmesidir. RUL, bir ekipmanın arızaya ulaşmadan önce güvenli şekilde çalışabileceği süreyi ifade ediyor ve bakım planlamasında kritik bir referans noktası sunuyor.
Bu bilgi sayesinde bakım ekipleri, arıza gerçekleşmeden önce önleyici müdahaleleri planlayabiliyor; gereksiz parça değişimlerinin ve ani duruşların önüne geçilebiliyor. Son yıllarda geliştirilen derin öğrenme tabanlı prognostik modeller ise yalnızca tek bir tahmin değeri sunmakla kalmıyor; belirsizlikleri de hesaba katan olasılıksal çıktılarla karar süreçlerini daha güvenli hale getiriyor. Olasılık yoğunluk fonksiyonları (PDF), kümülatif dağılımlar (CDF) ve güvenilirlik fonksiyonları (RF), bakım kararlarının risk temelli bir bakış açısıyla ele alınmasına imkân tanıyor.
KÜÇÜK STOK, BÜYÜK SORUMLULUK
Bakım stratejilerinin sahadaki başarısını belirleyen en kritik unsurlardan biri ise yedek parça bulunabilirliği. Tek yedek parça destek sistemi, özellikle yüksek maliyetli ve kritik bileşenlerin yer aldığı sistemler için geliştirilen özel bir operasyonel yaklaşım sunuyor.
Bu sistemde, bir bileşen aktif olarak çalışırken yalnızca bir adet yedek parça stokta tutuluyor. Beklenmeyen bir arıza durumunda, stoktaki parça devreye alınarak sistemin çalışmaya devam etmesi sağlanıyor. Ancak bu yaklaşım, yalnızca yedek parça bulundurmak ile sınırlı değil. Asıl kritik soru şu: Parça ne zaman sipariş edilmeli ve ne zaman değiştirilmelidir?
Yanlış zamanlanan siparişler, ya gereksiz stok maliyetlerine ya da parça eksikliği nedeniyle uzun süreli duruşlara yol açabiliyor. Dolayısıyla kararın doğruluğu, sistem performansının sürdürülebilirliği açısından hayati önem taşıyor.
AKILLI PROGNOSTİKLERLE DESTEKLENEN KARAR MEKANİZMASI
Bu çalışma, tek yedek parça destek sistemi içinde akıllı prognostik verilerden yararlanarak bakım kararlarının nasıl optimize edilebileceğine odaklanıyor. Model; yedek parça sipariş zamanı ve bileşen değiştirme zamanını temel karar değişkenleri olarak ele alırken, yalnızca maliyeti değil, uzun dönem ortalama kullanılabilirliği de eş zamanlı olarak değerlendiriyor.
Derin öğrenme tabanlı prognostik modellerden elde edilen RUL olasılık dağılımları, bakım karar sürecine doğrudan entegre ediliyor. Hem arıza sonrası zorunlu değişimler hem de planlı önleyici değişim senaryoları birlikte ele alınıyor. Böylece sistem, en düşük maliyetli çözüm yerine; belirlenen kullanılabilirlik hedeflerini karşılayan, dengeli ve sürdürülebilir bir karar seti sunuyor.
MODELİN SAHADAKİ KARŞILIĞI SAYISAL DOĞRULAMA
Önerilen yaklaşımın etkinliği, NASA tarafından yayımlanan ve kestirimci bakım çalışmalarında referans kabul edilen C-MAPSS veri seti kullanılarak test edildi. Uçak motorlarına ait çok değişkenli durum izleme verilerinden oluşan bu set üzerinden yapılan analizlerde, derin öğrenme tabanlı prognostik modellerle RUL tahminleri üretildi ve bu tahminler bakım karar modeline girdi olarak aktarıldı.
Elde edilen sonuçlar, çok amaçlı bakım karar verme yaklaşımının; yalnızca maliyeti minimize etmeye odaklanan modellere kıyasla daha dengeli ve daha erken kararlar ürettiğini ortaya koyuyor. Bu durum, sistem kullanılabilirliğini korurken ani arızalara bağlı operasyonel riskleri de önemli ölçüde azaltıyor.
BAKIMDA GERÇEK GÜÇ, BÜTÜNCÜL YAKLAŞIMDA
Akıllı prognostik yöntemlerle desteklenen bakım kararları, tek yedek parça destek sistemlerinde sürdürülebilirliğin anahtarı olarak öne çıkıyor. Akıllı prognostiklerin bakım karar mekanizmalarına entegrasyonu; plansız duruşların azaltılmasına, kaynakların daha verimli kullanılmasına ve operasyonel sürekliliğin güvence altına alınmasına olanak tanıyor. Gelecek dönemde bu yapıların dijital ikiz tabanlı sistemlerle desteklenmesi ve geri besleme mekanizmalarının güçlendirilmesi, bakım mühendisliğinde yeni bir sayfa açmaya aday görünüyor.