Öngörücü Bakım (Predictive Maintenance): Üretim İçin İş Vakası
Öngörücü bakımın klasik periyodik bakımdan farkı, gereken sensör altyapısı, model seçimi ve gerçekçi ROI beklentileri.
Bakım stratejilerinin evrimi: reaktiften öngörücüye
Bakım stratejileri dört kuşakta evrildi: reaktif (arızadan sonra müdahale), önleyici/periyodik (takvime bağlı bakım), durum bazlı (CBM — sensörle izleme), ve öngörücü (PdM — kalan faydalı ömür tahmini). Her kuşak öncekine göre maliyet/risk dengesini daha lehte çevirir.
Takvime bağlı bakım, ya çok erken müdahale ile parça israfına ya da çok geç müdahale ile plansız duruşa yol açar. ARC Advisory verilerine göre tipik bir tesiste plansız duruşların %30–50'si, periyodik bakım programlarının kaçırdığı erken belirti arızalarından kaynaklanır.
Öngörücü bakım, ekipmanın gerçek durumunu izleyerek 'arıza tahmin penceresi' (typically 24–168 saat) açar. Bu pencere, yedek parça temini ve vardiya planlamasını mümkün kılar; bakım plansızdan planlıya döner.
Minimum sensör seti ve veri akışı
Tipik bir öngörücü bakım hattı için titreşim, sıcaklık ve akım sensörlerinin kombinasyonu yeterlidir. Kritik motorlarda 3 eksenli MEMS titreşim sensörü standart hale geldi; ISO 10816 sınırları model için temel referans noktasıdır.
Veri toplama frekansı kullanım senaryosuna göre değişir: kestirimci yağ analizi için saatlik, rulman izleme için 10–25 kHz örnekleme tipiktir. Edge cihazında FFT/zarf analizi ön işlemesi yapılır, buluta yalnızca özellik (feature) gönderilir; bu hem maliyeti hem gecikmeyi düşürür.
Model seçimi: anomali mi, ömür tahmini mi?
İki ana yaklaşım vardır. Anomali tespiti (Isolation Forest, autoencoder) az veriyle başlar, 'normalden sapma' alarm üretir. Kalan faydalı ömür tahmini (LSTM, Survival Models) daha çok arızalı örnek gerektirir ama 'kaç saat içinde arızalanır' tahmini verir.
Saha gerçeği: çoğu tesiste yeterli arıza örneği olmadığı için ilk 12 ay anomali tabanlı sistemle başlanır. Arıza veritabanı büyüdükçe ömür tahmini modellerine geçilir. Bu sıralamayı atlayan projeler, model eğitebilecek veriye sahip olmadığı için çıkmaza girer.
Gerçekçi ROI ve geri ödeme
Saha gözlemlerimizde tipik kazançlar: plansız duruşlarda %30–50 azalma, yedek parça stokunda %15–25 düşüş, bakım iş gücü verimliliğinde %20–30 artış. Toplam OEE'ye etkisi tesisin başlangıç olgunluğuna göre +3 ila +8 puan aralığında.
6–9 ay içinde geri ödeme süresi çoğu vakada gerçekçi; ancak kritik koşul, sensör+platform yatırımının doğru ekipman kümesine odaklanmasıdır. Tüm tesisi aynı anda sensörleştirmek 24+ aya yayılan, ROI'si bulanıklaşan bir program üretir.
Öngörücü bakım, OEE artışında en hızlı sonuç veren AI senaryosudur — ancak doğru sensör seçimi ve evreli model stratejisi olmadan yatırım kendini ödemez.
Diğer yazılar
- Endüstriyel AI Nedir? Fabrikalar İçin Uçtan Uca Başlangıç Rehberi
- Fabrikalarda Dijital Dönüşüm: 12 Aylık Pratik Yol Haritası
- Görüntü İşleme ile Otomatik Kalite Kontrol: Sahada Çalışan Mimari
- ERP + AI Entegrasyonu: SAP, Logo ve Netsis Üzerine Saha Notları
- Üretim Planlama ve AI Tabanlı Çizelgeleme: APS'nin Bittiği Yer
- Fabrikalarda Enerji Yönetimi ve AI ile Karbon Azaltımı

