[fusion_builder_container hundred_percent=”no” hundred_percent_height=”no” hundred_percent_height_scroll=”no” hundred_percent_height_center_content=”yes” equal_height_columns=”no” menu_anchor=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” status=”published” publish_date=”” class=”” id=”” background_color=”” background_image=”” background_position=”center center” background_repeat=”no-repeat” fade=”no” background_parallax=”none” enable_mobile=”no” parallax_speed=”0.3″ video_mp4=”” video_webm=”” video_ogv=”” video_url=”” video_aspect_ratio=”16:9″ video_loop=”yes” video_mute=”yes” video_preview_image=”” border_size=”” border_color=”” border_style=”solid” margin_top=”” margin_bottom=”” padding_top=”” padding_right=”” padding_bottom=”” padding_left=””][fusion_builder_row][fusion_builder_column type=”1_1″ layout=”1_1″ spacing=”” center_content=”no” link=”” target=”_self” min_height=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=”” background_color=”” background_image=”” background_image_id=”” background_position=”left top” background_repeat=”no-repeat” hover_type=”none” border_size=”0″ border_color=”” border_style=”solid” border_position=”all” border_radius=”” box_shadow=”no” dimension_box_shadow=”” box_shadow_blur=”0″ box_shadow_spread=”0″ box_shadow_color=”” box_shadow_style=”” padding_top=”” padding_right=”” padding_bottom=”” padding_left=”” margin_top=”” margin_bottom=”” animation_type=”” animation_direction=”left” animation_speed=”0.3″ animation_offset=”” last=”no”][fusion_text columns=”” column_min_width=”” column_spacing=”” rule_style=”default” rule_size=”” rule_color=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=””]

Tahminsel veya Kestirimci Bakım (Predictive Maintenance), Burada amaç tesis içindeki makinelerin henüz bir arıza durumu mevcut değilken sahadan elde edilen veriler doğrultusunda yapılan birtakım analitik çalışmaları yoluyla arıza ihtimallerinin tahmin edilmesi ve buna bağlı bakım planlarının oluşturulmasıdır. Geleneksel bakım yöntemlerinden farklı olarak yalnızca gerekli durumlarda bakım işlemi yapılarak bakım duruşlarının süresini ve maliyetini düşürmek amaçlanır.

Sürecin fazları kabaca şu şekildedir:

1. Sahadan Veri Toplama ve Sensörler

Kestirimci bakımın ilk adımı, makine ve ekipmanlardan veri toplamak için otomasyon katmanındaki field level dan gelen (sensörler vb.) verilerin kullanılmasıdır. Sıcaklık, vibrasyon, basınç, akım, gerilim gibi farklı parametreler sensörler tarafından sürekli olarak ölçülür. Bu veriler, makinelerin çalışma sistematiği ve performansları hakkında bir model oluşturabilmek için son derece önemlidir.

2. Veri Ön İşleme

Gürültülü ve standart sapması çok yüksek olan verilerle çalışmak modelin doğruluğu açısından çok problemlidir. Veri ön işleme aşaması bu anlamda oldukça önemlidir. Gürültülü veriler üzerinde veri temizleme, normalizasyon gibi süreçler yürütülür. Bu aşama kurulan modelin doğruluğu ve algoritmaların sağlıklı çalışması için kritik önem taşır.

3. Özellik Çıkartımı (Feature Extraction)

Makine öğrenmesi algoritmalarının daha doğru tahminler yapabilmesi için, gürültülü ve ham verilerden anlamlı özellikler çıkartılması sürecini ifade eder. Bu özellikler sınıflandırma algoritmaları tarafından sınıflandırmaya esas olacak verileri ifade eder. Bu özellikler, makinelerin performansını net olarak ifade eden parametrelerdir.

[/fusion_text][fusion_content_boxes layout=”icon-on-top” columns=”1″ title_size=”” heading_size=”2″ title_color=”#e91e63″ body_color=”” backgroundcolor=”#ffc107″ icon=”” iconflip=”” iconrotate=”” iconspin=”no” iconcolor=”” icon_circle=”” icon_circle_radius=”” circlecolor=”” circlebordersize=”” circlebordercolor=”” outercirclebordersize=”” outercirclebordercolor=”” icon_size=”” icon_hover_type=”” hover_accent_color=”” image=”” image_id=”” image_max_width=”” link_type=”” button_span=”” link_area=”” link_target=”” icon_align=”left” animation_type=”” animation_delay=”” animation_offset=”” animation_direction=”left” animation_speed=”0.3″ margin_top=”” margin_bottom=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=””][fusion_content_box title=”BİLGİ” backgroundcolor=”” icon=”” iconflip=”” iconrotate=”” iconspin=”no” iconcolor=”” circlecolor=”” circlebordersize=”” circlebordercolor=”” outercirclebordersize=”” outercirclebordercolor=”” image=”” image_id=”” image_max_width=”” link=”” linktext=”Read More” link_target=”” animation_type=”” animation_direction=”left” animation_speed=”0.3″ animation_offset=””]

Kestirimci bakımda kullanılan yapay zeka algoritmalarının temeli makine öğrenmesi (ML) modellerine dayanır. ML algoritmaları geçmiş bakım verileri, arıza geçmişi ve sensör verileriyle eğitilerek bir model oluşturulur. Oluşturulan model, makinelerin gelecekteki arıza risklerini tahmin etmek için bu eğitim verilerini kullanır.

[/fusion_content_box][/fusion_content_boxes][fusion_text columns=”” column_min_width=”” column_spacing=”” rule_style=”default” rule_size=”” rule_color=”” hide_on_mobile=”small-visibility,medium-visibility,large-visibility” class=”” id=””]

4. Makine Öğrenmesi ve Modelin Eğitimi

Kestirimci bakımda kullanılan yapay zeka algoritmalarının temeli makine öğrenmesi (ML) modellerine dayanır. ML algoritmaları geçmiş bakım verileri, arıza geçmişi ve sensör verileriyle eğitilerek bir model oluşturulur. Oluşturulan model, makinelerin gelecekteki arıza risklerini tahmin etmek için bu eğitim verilerini kullanır. Bu bağlamda sıklıkla kullanılan makine öğrenmesi yöntemleri Regresyon Analizi, Sınıflandırma Algoritmaları (SVM, Naive Bayes, Decision Tree vb.) ve deep learning olarak sayılabilir.

5. Kurulan Modelin Test Edilmesi

Geçmiş verilerle eğitilen model, yeni verilerle test edilir. Modelin doğruluğu ka katlı çapraz doğrulama gibi tekniklerle test edilir ve geçmiş verilerle karşılaştırılarak iyileştirme yapılması gereken alanlar belirlenir.

6. Anomali Tespiti

Yapay zeka algoritmalarının başat özelliklerinden biri anomali tespitidir. Makine öğrenmesi modelleri, normal çalışma koşullarından sapmaları tespit ederek anormal durumlar hakkında bildirimler oluşturabilir. Anomali tespitlerinin en önemli avantajı arızalar oluşmadan önce müdahale edilmesini sağlamasıdır

7. Bakım Planlaması Tahmini

Tahminsel bakım algoritmaları, gelecekteki oluşabilecek bakım ihtiyaçlarının tahmin edilmesi için gerekli altyapıyı sağlar. Bu sonuçlar, bakım personeline hangi ekipmanların bakım planlarının yapılması gerektiği konusunda bir öngörü sağlar. Yapay zeka modelleri, bakım işlemlerinin zamanlamasını optimize ederek, gereksiz duruşları önler ve üretim sürekliliğini artırabilir.

8. İzleme ve Geribesleme

Kurulan yapay zekâ modeli, tahminsel bakım süreci içinde makinelerin durumu gerçek zamanlı olarak izlenir ve yeni veriler modelin doğruluğunu artıracak şekilde modeli besler. Bu şekilde, modelin zaman içinde daha doğru sonuçlar üretmesi ve bakım kararlarının daha verimli olması beklenir.

9. Bütünleşik Sistemler ve Entegre Çözümler

Tahminsel bakım süreçleri genellikle işletmelerin bakım yönetim sistemleri (CMMS), üretim yürütme sistemleri (MES) yazılımları ve ERP sistemleriyle entegre edilir. Bu entegrasyon bakım ekiplerinin gerekli olan kaynaklara hızlı ve tek elden ulaşmasını sağlar ve bakım operasyonları daha efektif ve etkin bir şekilde yönetilebilir.

[/fusion_text][/fusion_builder_column][/fusion_builder_row][/fusion_builder_container]