Yapay Zeka ile Makine Arızası Tahmini: Predictive Maintenance

Predictive Maintenance Nedir?

Endüstriyel üretim süreçlerinde makine arızaları, plansız duruşlara, üretim kayıplarına ve yüksek bakım maliyetlerine yol açar. Geleneksel bakım yaklaşımları genellikle iki kategoriye ayrılır: reaktif bakım (arıza olduktan sonra müdahale) ve periyodik bakım (belirli zaman aralıklarında rutin kontrol). Ancak her iki yöntemin de ciddi dezavantajları vardır. Reaktif bakım beklenmedik duruşlara neden olurken, periyodik bakım gereksiz maliyet ve zaman kaybı yaratabilir.

İşte tam bu noktada Predictive Maintenance (Kestirimci Bakım) devreye girer. Yapay zeka ve makine öğrenmesi algoritmalarını kullanarak sensör verilerini analiz eden bu yaklaşım, bir makinenin ne zaman arızalanacağını önceden tahmin etmeyi amaçlar. Böylece bakım, tam ihtiyaç duyulduğu anda — ne çok erken ne çok geç — gerçekleştirilebilir.

Neden Yapay Zeka Tabanlı Arıza Tahmini?

Yapay zeka tabanlı kestirimci bakımın sağladığı temel avantajlar şunlardır:

• Plansız duruş sürelerinin azaltılması: Arıza önceden tespit edilerek üretim kesintileri minimize edilir.
• Bakım maliyetlerinin optimize edilmesi: Gereksiz periyodik bakım yerine, yalnızca gerekli olduğunda müdahale edilir.
• Ekipman ömrünün uzatılması: Erken müdahale sayesinde küçük sorunlar büyümeden çözülür.
• Güvenliğin artırılması: Kritik arızalar önceden tespit edilerek iş güvenliği riskleri azalır.
• Yedek parça yönetiminin iyileştirilmesi: Hangi parçanın ne zaman değişeceği bilindiğinde envanter planlaması kolaylaşır.

Veri Toplama ve Sensör Altyapısı

Kestirimci bakım sistemlerinin temelinde veri yatar. Makinelere yerleştirilen çeşitli sensörler, sürekli olarak operasyonel verileri toplar. Bu sensörler arasında en yaygın olanları şunlardır:

• Titreşim sensörleri (accelerometer): Rulman aşınması, dengesizlik ve hizalama bozukluklarını tespit eder.
• Sıcaklık sensörleri (thermocouple, RTD): Aşırı ısınma ve soğutma sorunlarını izler.
• Akustik emisyon sensörleri: Normal çalışma sesindeki sapmaları yakalar.
• Basınç sensörleri: Hidrolik ve pnömatik sistemlerdeki anomalileri tespit eder.
• Akım ve gerilim sensörleri: Elektrik motorlarındaki performans düşüşünü izler.

Bu sensörlerden gelen veriler genellikle IoT (Nesnelerin İnterneti) altyapısı üzerinden toplanır ve bir merkezi veritabanında veya bulut ortamında depolanır. Veri toplama sıklığı, uygulamaya göre milisaniyelerden saatlere kadar değişebilir. Yüksek frekanslı titreşim verileri saniyede binlerce örnek gerektirebilirken, sıcaklık değerleri dakikada bir okunabilir.

Kullanılan Makine Öğrenmesi Yaklaşımları

Yapay zeka ile arıza tahmini için kullanılan başlıca yöntemler şu şekilde sıralanabilir:

1. Denetimli Öğrenme (Supervised Learning)

Etiketlenmiş arıza verileri mevcut olduğunda tercih edilen bu yöntemde, model geçmiş arıza örneklerinden öğrenerek gelecekteki arızaları sınıflandırır. Random Forest, Gradient Boosting (XGBoost, LightGBM) ve Destek Vektör Makineleri (SVM) bu alanda sıkça kullanılan algoritmalardır. Özellikle Remaining Useful Life (RUL) tahmini, yani bir bileşenin kalan faydalı ömrünün tahmin edilmesi, regresyon problemi olarak modellenir.

2. Denetimsiz Öğrenme (Unsupervised Learning)

Etiketlenmiş arıza verisi bulunmadığında, anomali tespiti yaklaşımları devreye girer. Isolation Forest, Autoencoder tabanlı anomali tespiti ve DBSCAN gibi algoritmalar, normal çalışma düzeninden sapan davranışları tespit eder. Bu yöntem, daha önce hiç karşılaşılmamış arıza türlerini bile yakalayabilmesi açısından önemlidir.

3. Derin Öğrenme (Deep Learning)

Zaman serisi verileri üzerinde çalışırken derin öğrenme modelleri son derece güçlü sonuçlar verir. LSTM (Long Short-Term Memory) ve GRU (Gated Recurrent Unit) gibi tekrarlayan sinir ağları, sensör verilerindeki zamansal bağımlılıkları öğrenir. Son yıllarda Transformer tabanlı modeller de zaman serisi analizinde başarılı sonuçlar göstermektedir. Ayrıca 1D-CNN (Tek Boyutlu Evrişimli Sinir Ağları) titreşim sinyallerinden özellik çıkarmada etkili şekilde kullanılmaktadır.

Python ile Basit Bir Arıza Tahmin Modeli

Aşağıda, sensör verilerini kullanarak bir makinenin arızalanıp arızalanmayacağını tahmin eden basit bir model örneği verilmiştir:

import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix
from sklearn.preprocessing import StandardScaler

# Sensör verilerini yükleme
df = pd.read_csv("sensor_data.csv")

# Özellik mühendisliği: kayan pencere istatistikleri
window_size = 10
for col in ["titresim", "sicaklik", "basinc"]:
    df[f"{col}_ortalama"] = df[col].rolling(window=window_size).mean()
    df[f"{col}_std"] = df[col].rolling(window=window_size).std()
    df[f"{col}_max"] = df[col].rolling(window=window_size).max()

# Eksik değerleri temizleme
df = df.dropna()

# Özellikler ve hedef değişken
ozellik_sutunlari = [c for c in df.columns if c not in ["tarih", "ariza"]]
X = df[ozellik_sutunlari]
y = df["ariza"]  # 0: Normal, 1: Arıza

# Veriyi eğitim ve test olarak böl
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42, stratify=y
)

# Ölçeklendirme
scaler = StandardScaler()
X_train_scaled = scaler.fit_transform(X_train)
X_test_scaled = scaler.transform(X_test)

# Random Forest modeli
model = RandomForestClassifier(
    n_estimators=200,
    max_depth=15,
    min_samples_split=5,
    class_weight="balanced",
    random_state=42
)
model.fit(X_train_scaled, y_train)

# Değerlendirme
y_pred = model.predict(X_test_scaled)
print("Sınıflandırma Raporu:")
print(classification_report(y_test, y_pred, target_names=["Normal", "Arıza"]))
print("Karmaşıklık Matrisi:")
print(confusion_matrix(y_test, y_pred))

LSTM ile Kalan Ömür (RUL) Tahmini

Daha gelişmiş bir yaklaşım olarak, LSTM modeli ile bir bileşenin kalan faydalı ömrünü tahmin edebiliriz:

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import LSTM, Dense, Dropout

# Veriyi zaman serisi pencereleri halinde hazırlama
def zaman_serisi_olustur(veri, hedef, pencere_boyutu=50):
    X, y = [], []
    for i in range(len(veri) - pencere_boyutu):
        X.append(veri[i:i + pencere_boyutu])
        y.append(hedef[i + pencere_boyutu])
    return np.array(X), np.array(y)

pencere = 50
X_seq, y_seq = zaman_serisi_olustur(
    X_train_scaled, y_train_rul.values, pencere
)

# LSTM modeli
model_lstm = Sequential([
    LSTM(64, input_shape=(pencere, X_seq.shape[2]), return_sequences=True),
    Dropout(0.3),
    LSTM(32, return_sequences=False),
    Dropout(0.3),
    Dense(16, activation="relu"),
    Dense(1, activation="linear")  # RUL tahmini (regresyon)
])

model_lstm.compile(optimizer="adam", loss="mse", metrics=["mae"])

model_lstm.fit(
    X_seq, y_seq,
    epochs=50,
    batch_size=32,
    validation_split=0.15,
    callbacks=[
        tf.keras.callbacks.EarlyStopping(patience=5, restore_best_weights=True)
    ]
)

# Tahmin
rul_tahmin = model_lstm.predict(X_test_seq)
print(f"Ortalama Mutlak Hata (MAE): {np.mean(np.abs(rul_tahmin.flatten() - y_test_rul)):.2f} saat")

Özellik Mühendisliği: Başarının Anahtarı

Ham sensör verisini doğrudan modele beslemek çoğu zaman yeterli sonuç vermez. Başarılı bir kestirimci bakım sistemi için iyi bir özellik mühendisliği (feature engineering) şarttır. En yaygın kullanılan özellik çıkarma teknikleri:

1. İstatistiksel özellikler: Belirli bir zaman penceresi üzerinden ortalama, standart sapma, çarpıklık (skewness), basıklık (kurtosis), minimum ve maksimum değerler.
2. Frekans alanı özellikleri: FFT (Hızlı Fourier Dönüşümü) ile titreşim sinyallerinin frekans bileşenlerine ayrıştırılması. Belirli frekans bantlarındaki enerji seviyeleri önemli arıza göstergeleri olabilir.
3. Trend özellikleri: Değerlerin zaman içindeki artış veya azalış eğilimleri, değişim hızları ve ivmeleri.
4. Çapraz sensör özellikleri: Farklı sensörler arasındaki korelasyon değişimleri. Örneğin, sıcaklık ve titreşim arasındaki ilişkinin bozulması bir arıza habercisi olabilir.

Gerçek Dünyada Karşılaşılan Zorluklar

Kestirimci bakım projelerinde teoriyle pratik arasında önemli farklar bulunur. Sık karşılaşılan zorluklar şunlardır:

• Dengesiz veri problemi: Arıza örnekleri, normal çalışma örneklerine kıyasla çok azdır. SMOTE, sınıf ağırlıklandırma veya focal loss gibi tekniklerle bu dengesizlik giderilebilir.
• Veri kalitesi sorunları: Sensör arızaları, iletişim kesintileri ve kalibrasyon hataları nedeniyle eksik veya gürültülü verilerle başa çıkmak gerekir.
• Kavram kayması (concept drift): Makineler zamanla eskir, çalışma koşulları değişir. Modelin düzenli olarak yeniden eğitilmesi veya çevrimiçi öğrenme tekniklerinin kullanılması gerekebilir.
• Açıklanabilirlik ihtiyacı: Bakım mühendisleri, modelin neden bir arıza tahmini yaptığını anlamak ister. SHAP ve LIME gibi açıklanabilir yapay zeka yöntemleri bu noktada kritik öneme sahiptir.
• Edge deployment: Modellerin fabrika ortamında, düşük gecikmeyle çalışması gerekir. TensorFlow Lite veya ONNX Runtime gibi çözümler, modellerin uç cihazlarda çalıştırılmasını sağlar.

MLOps ve Üretim Ortamına Geçiş

Bir kestirimci bakım modelini üretim ortamına taşımak, model geliştirmekten çok daha karmaşık bir süreçtir. Başarılı bir dağıtım için aşağıdaki bileşenler gereklidir:

• Veri pipeline'ları: Apache Kafka veya MQTT broker üzerinden gerçek zamanlı sensör verisi akışı.
• Model versiyonlama: MLflow veya DVC ile model sürümlerinin takip edilmesi.
• Model izleme: Modelin performansının sürekli izlenmesi ve performans düşüşü durumunda yeniden eğitim tetiklenmesi.
• Alarm ve bildirim sistemi: Arıza tahmini yapıldığında bakım ekibine otomatik bildirim gönderilmesi.
• Dashboard: Grafana veya özel geliştirilen panellerle makine sağlığının görselleştirilmesi.

Sektörel Uygulama Alanları

Yapay zeka tabanlı kestirimci bakım, birçok sektörde aktif olarak kullanılmaktadır:

• Havacılık: Uçak motor ve gövde bileşenlerinin izlenmesi (Rolls-Royce, GE Aviation).
• Otomotiv: Üretim hatlarındaki robotik kolların ve CNC tezgahlarının bakım planlaması.
• Enerji: Rüzgar türbinleri, güneş panelleri ve enerji dağıtım şebekelerinin izlenmesi.
• Demiryolları: Ray ve vagon bileşenlerinin durum izleme ve bakım planlaması.
• Petrol ve gaz: Boru hatları, pompa istasyonları ve rafineri ekipmanlarının izlenmesi.

Sonuç

Yapay zeka ile kestirimci bakım, endüstriyel üretimde devrim niteliğinde bir dönüşüm sağlamaktadır. Doğru veri altyapısı, uygun algoritma seçimi ve sağlam bir MLOps süreci ile kurulan sistemler, bakım maliyetlerini %25-30 oranında düşürebilir ve plansız duruş sürelerini %70'e kadar azaltabilir. IoT sensörlerinin yaygınlaşması, bulut bilişimin erişilebilir hale gelmesi ve açık kaynak makine öğrenmesi kütüphanelerinin olgunlaşması sayesinde, bu teknoloji artık yalnızca büyük şirketlerin değil, orta ölçekli işletmelerin de erişebileceği bir düzeye ulaşmıştır.

Kestirimci bakıma geçiş planlayan ekiplere önerim, küçük ve ölçülebilir bir pilot proje ile başlamalarıdır. Tek bir kritik makineyi seçin, sensör verilerini toplamaya başlayın ve basit bir anomali tespiti modeliyle ilk sonuçlarınızı alın. Başarıyı kanıtladıktan sonra kapsam genişletmek çok daha kolay olacaktır.