Kestirimci bakımda veri analitiği, makinelerden gelen titreşim, sıcaklık, akım ve çalışma saati gibi ölçümleri bakım kayıtlarıyla birlikte inceleyerek bakımın ne zaman gerektiğine karar vermeyi sağlar. Analitiğin işi arızayı kesin olarak önceden bilmek değil; bozulmanın erken işaretlerini yakalayıp bakımı plansız bir duruştan önce, planlanabilir bir zamana taşımaktır. Yöntemler basit eşik kurallarından anomali tespitine ve kalan ömür tahminine kadar uzanır.
Bu yazının ilk sürümünü Nisan 2026’da yayımlamıştık. Ekim 2026’da genişlettik: bakım stratejilerini, hangi verinin işe yaradığını, yöntemleri ve başlarken dikkat edilmesi gerekenleri artık daha somut anlatıyoruz.
Bakım stratejileri: arızadan sonra, takvime göre ya da duruma göre
| Strateji | Bakım ne zaman yapılır? | Güçlü yanı | Zayıf yanı |
|---|---|---|---|
| Reaktif (düzeltici) | Arıza olduktan sonra | Başlangıçta ucuz, az personel ister | Plansız duruş, ikincil hasar riski |
| Önleyici (periyodik) | Takvime ya da çalışma süresine göre | Planlanabilir | Gereksiz bakım yapılabilir, arıza yine de kaçabilir |
| Duruma dayalı | Ölçülen bir değer sınırı aşınca | Kararı gerçek duruma göre verir | Sınırların doğru belirlenmesi gerekir |
| Kestirimci | Ölçümlerin gidişatı bozulmayı gösterdiğinde | Bakımı uygun zamana taşır | Veri, araç ve eğitim yatırımı ister |
ABD Enerji Bakanlığı’na bağlı PNNL laboratuvarının işletme ve bakım rehberi, reaktif bakımı “bozulana kadar çalıştır” yaklaşımı olarak tanımlar. Önleyici bakım zaman ya da çalışma süresine bağlı bir takvimle, kestirimci bakım ise ekipmanın ölçülen durumuna göre planlanır. Aynı kaynak, iyi işleyen bir kestirimci bakım programının yalnızca önleyici bakıma dayanan bir programa göre %8–12 tasarruf sağlayabileceğini tahmin ederken teşhis ekipmanına ve personel eğitimine ek yatırım gerektiğini de not eder.
Duruma dayalı bakım ile kestirimci bakım arasındaki çizgi incedir: ilki “değer şu an sınırın üstünde mi?”, ikincisi “bu gidişle sınıra ne zaman ulaşır?” diye sorar. Çoğu işletme tek bir strateji seçmez; kritik makinelerde kestirimci, ucuz ve yedekli ekipmanda reaktif bakımı bir arada kullanır. Güvenilirlik merkezli bakım (RCM) bu karışımı sistemli hale getirir ve ekipmanı arızanın sonuçlarına göre önceliklendirir (PNNL).
Stratejinin etkisi küçük değildir. NIST’in ABD’deki imalatçılarla yaptığı araştırmaya göre (2016 verisi), reaktif bakıma en çok dayanan %25’lik dilim, en az dayanan %25’lik dilime göre 3,3 kat fazla duruş yaşamış. Bu bir neden-sonuç kanıtı değil, bir ilişkidir; yine de bakım yaklaşımının üretimle doğrudan bağını gösterir.
Hangi veriler işe yarar?
- Titreşim: Motor, pompa, fan ve rulman gibi dönen ekipmanda en çok kullanılan göstergedir. Dengesizlik, eksen kaçıklığı ve rulman aşınması titreşim örüntüsünü değiştirir. PNNL, titreşim analizini termografi, yağ analizi, motor analizi ve ultrasonla birlikte temel durum izleme teknikleri arasında sayar.
- Sıcaklık: Yatak, sargı ve pano sıcaklıkları sürtünmeyi, aşırı yükü ya da soğutma sorunlarını gösterir. Ortam sıcaklığıyla birlikte değerlendirilmezse yanıltabilir.
- Akım ve güç: Motorun çektiği akım yük değişimlerini ve elektriksel sorunları yansıtır. Çoğu zaman makineye dokunmadan, panodan ölçülebilir.
- Çalışma saati ve çevrim sayısı: Aşınma takvimden çok kullanıma bağlıdır. Çalışma saatine bağlı bir bakım planı, sabit takvime bağlı plandan genellikle daha anlamlıdır.
- Bakım ve arıza kayıtları: Hangi parça ne zaman, hangi belirtiyle değişti? Bu kayıtlar, modelin “arıza neye benzer?” sorusunu öğrenebileceği nadir kaynaktır. NIST araştırmacıları, varlık yönetimi boyunca toplanan verinin önemli bir kısmının metin belgelerinden oluştuğunu ve bu kaynağın yeterince kullanılmadığını vurgular.
Sensör verisi ne kadar iyi olursa olsun, ölçümün bağlamı da kaydedilmelidir: makine o an hangi ürünü işliyordu, hangi hızda çalışıyordu? Aynı titreşim düşük yükte uyarı işareti, yüksek yükte normal olabilir. Verinin sahadan nasıl toplanacağını IoT ile uzaktan izleme yazımızda anlattık.
Basit eşiklerden kalan ömür modellerine
Yöntemleri karmaşıklığa göre dört basamakta düşünebilirsiniz. Her basamak bir öncekinin üzerine kurulur ve çoğu işletme için ilk iki basamak bile somut fayda sağlar.
- Sabit eşikler. “Yatak sıcaklığı belirlenen değeri aşarsa uyar.” Kurması ve açıklaması kolaydır. Sınırlar üretici verisinden, standartlardan ya da ekibin tecrübesinden gelir.
- Eğilim (trend) takibi. Değerin kendisinden çok değişim hızına bakılır. Titreşim haftalardır yavaşça artıyorsa, henüz sınırı aşmamış olsa bile bakım planlanabilir.
- Anomali tespiti. Makinenin normal davranışı veriden öğrenilir ve bu davranıştan sapmalar işaretlenir. Asıl avantajı geçmiş arıza örneği gerektirmemesidir; farklı koşulları kapsayan sağlıklı çalışma verisi yeterlidir. Birlikte değişen değişkenleri de yakalayabilir: örneğin hız sabitken akımın artması.
- Kalan faydalı ömür (RUL) modelleri. “Bu rulmanın kaç saati kaldı?” sorusunu cevaplamaya çalışır. En çok bilgi veren ama en çok veri isteyen yöntemdir. Bu modeller genellikle sağlıklı durumdan arızaya kadar giden geçmişlerle eğitilir; NASA’nın kestirim veri deposundaki setler de bu yapıdadır. Gerçek tesislerde ise bu tür örnekler azdır. Krokotsch ve arkadaşlarının çalışması, kalan ömür verisinin ancak makine arızalandıktan sonra etiketlenebildiğini ve ömrünün sonuna yaklaşmış makinelere ait verinin nadir olduğunu vurgular.
Hangi basamakta duracağınız makinenin kritikliğine ve elinizdeki veriye bağlıdır. Ucuz ve yedekli bir pompa için eğilim takibi yeterli olabilirken, durduğunda bütün hattı durduran bir kompresör için anomali tespiti yatırıma değebilir. Yapay zekanın üretimdeki diğer kullanım alanlarını Endüstri 4.0 ve yapay zeka yazımızda ele aldık.
Nereden başlamalı?
- Kritik makineleri seçin. Her makineye sensör takmak gerekmez. Durduğunda üretimi, iş güvenliğini ya da müşteriyi en çok etkileyen birkaç makineyle başlayın. PNNL’nin RCM yaklaşımı da ekipmanı arızanın sonuçlarına göre ağırlıklandırmayı önerir.
- Arıza biçimlerini konuşun. Bakım ekibiyle bu makinelerin geçmişte nasıl arızalandığını listeleyin. Hangi verinin toplanacağı bu listeden çıkar: rulman sorunu yaşanıyorsa titreşim, sargı sorunu yaşanıyorsa akım ve sıcaklık.
- Temel veriyi (baseline) toplayın. Makine sağlıklıyken birkaç hafta veri toplayın; farklı ürünlerde, hızlarda ve vardiyalarda normal davranışın neye benzediğini görün. Anomali tespiti bu referans olmadan çalışmaz.
- Teknisyenlerin güveneceği uyarılar tasarlayın. Her uyarının bir sahibi ve yapılacak bir işi olmalı. Az ama anlamlı uyarıyla başlayın, eşikleri teknisyenlerin geri bildirimiyle ayarlayın.
- Döngüyü kapatın. Uyarıdan sonra yapılan kontrolü ve bulunanı (gerçek sorun mu, yanlış alarm mı?) kaydedin. Bu kayıtlar zamanla modelin en değerli eğitim verisine dönüşür.
Sık yapılan hatalar
Etiketli arıza verisi beklemek. “Önce yeterince arıza örneği toplayalım, sonra model kuralım” yaklaşımı yıllar sürebilir. Eğilim takibi ve anomali tespiti arıza örneği olmadan da değer üretir; etiketli veri biriktikçe daha gelişmiş modellere geçilebilir.
Uyarı yorgunluğu. Çok sayıda gereksiz uyarı üreten bir sistem bir süre sonra görmezden gelinir. Proses endüstrisinde alarm yönetimini tanımlayan ISA-18 standart serisi, gereksiz alarmların ve alarm sellerinin azaltılmasını, alarmların gerekçelendirilip önceliklendirilmesini önerir. Aynı ilke kestirimci bakım uyarıları için de geçerlidir.
Bakım kayıtlarını yok saymak. Sensör verisi neyin değiştiğini, bakım kayıtları ise bunun ne anlama geldiğini söyler. Serbest metinle tutulmuş, kodları eksik kayıtlar bile temizlenip sensör verisiyle eşleştirildiğinde değerlidir. Kayıtlar hâlâ kâğıttaysa ilk adım onları dijital bir bakım sistemine taşımak olabilir.
Kesinlik vaat etmek. Hiçbir model her arızayı önceden yakalayamaz. Hedef, plansız duruşları azaltmak ve bakımı daha iyi zamanlamaktır; beklentiyi baştan böyle koymak projeye duyulan güveni korur.
Sık sorulan sorular
Kestirimci bakım için yapay zeka şart mı?
Hayır. Faydanın önemli bir kısmı iyi seçilmiş eşikler ve eğilim takibiyle elde edilebilir. Makine öğrenmesi, değişkenlerin birbirini etkilediği ve basit kuralların yetmediği durumlarda devreye girer.
Ne kadar veri gerekir?
Anomali tespiti için makinenin farklı çalışma koşullarını kapsayan sağlıklı dönem verisi yeterlidir. Kalan ömür tahmini ise ancak birden fazla bozulma örneği biriktiğinde güvenilir hale gelir.
Eski makinelerde de uygulanabilir mi?
Evet. Kontrol sistemi veri vermeyen makinelere titreşim, sıcaklık ya da akım sensörü dışarıdan eklenebilir; çoğu durumda makinenin kendisinde değişiklik gerekmez.
Sonuç
Kestirimci bakımda veri analitiği doğru veriyle başlar: titreşim, sıcaklık, akım, çalışma saati ve bakım kayıtları. Yöntemler basit eşiklerden anomali tespitine ve kalan ömür modellerine kadar uzanır. Ancak çoğu işletme için asıl kazanç, kritik makinelerde temel veriyi toplamak ve teknisyenlerin güvendiği az sayıda anlamlı uyarı kurmaktan gelir.
Varlıkların izlenmesi, bakım yönetimi ve sensör verisinin analizi için yazılım geliştiriyoruz. Makine parkınızda nereden başlayacağınızı düşünüyorsanız varlık yönetimi ve yapay zeka çözümleri sayfalarımıza göz atabilir ya da bize yazabilirsiniz; isterseniz birlikte bakalım.
