Prediktif Bakım (Predictive Maintenance) Nedir?

Prediktif bakım, makine ve ekipmanların arıza oluşmadan önce, veri analizi ile öngörülen zamanda bakıma alınmasını sağlayan bir stratejidir. Geleneksel reaktif bakımın ("arıza olunca tamir et") ve önleyici bakımın ("takvime göre bak") ötesine geçer.

Bakım Stratejileri Karşılaştırması

Türkiye imalat sanayiinde fabrikaların %68'i hâlâ reaktif veya takvime dayalı bakım kullanmaktadır.

Prediktif Bakım Nasıl Çalışır?

Veri Toplama Katmanı

Prediktif bakım, sürekli makine verisi gerektirir:

Titreşim sensörleri: Rulman, dişli kutusu, motor arızalarını 2-6 hafta önceden tespit eder. Bağlama yöntemi kritiktir (vida bağlantısı > manyetik > hızlı yapıştırıcı).

Akustik emisyon: Yüksek frekanslı (20kHz-1MHz) ses dalgaları ile yüzey çatlaklarını, sızdırmazlık kayıplarını tespit eder.

Termal kameralar: Motor sargıları, elektrik panolar, fırın sıcaklık dağılımı. IR kamera veya periyodik termografi ile.

Motor akım analizi (MCSA): Mevcut motor sürücü verilerinden rulman, rotor arızalarını çıkarma. Ek sensör gerekmez.

Yağ analizi: Viskozite, kirlilik, metalik partiküller. Laboratuvar analizi veya inline sensörler.

Process parametreleri: Basınç, sıcaklık, akış hızı anomalileri çoğunlukla mekanik soruna işaret eder.

Analiz Katmanı

Ham sensör verisi anlamlı içgörüye dönüşür:

İstatistiksel yöntemler:

• RMS (Root Mean Square) titreşim değerleri
• FFT (Fast Fourier Transform) ile frekans analizi
• Trend analizi ve kontrol limitleri

Makine öğrenimi modelleri:

• Anomali tespiti: Isolation Forest, Autoencoder — normal çalışmadan sapmaları bulur
• Kalan kullanım ömrü (RUL): LSTM, gradient boosting — arıza zamanını tahmin eder
• Sınıflandırma: Hangi bileşenin arızalandığını belirler

Fizik bazlı modeller: Mühendislik bilgisiyle arıza mekanizması modellenir. Veri az olduğunda ML'ye üstündür.

Aksiyon Katmanı

Analiz, iş sürecine bağlanmalıdır:

• CMMS'e otomatik iş emri oluşturma
• Bakım ekibine anlık bildirim (SMS, email, mobil app)
• Yedek parça temini için tedarik zinciri entegrasyonu
• Üretim planlama ile senkronizasyon (bakım penceresi koordinasyonu)

Uygulama Adımları

Faz 1: Ekipman Kritikliği Değerlendirmesi (2-4 hafta)

Her ekipmanı RCM (Reliability-Centered Maintenance) ile değerlendirin:

• Arıza sonucu üretim kaybı (Yüksek/Orta/Düşük)
• Güvenlik ve çevre etkisi
• Yedekleme kapasitesi
• Arıza frekansı ve maliyeti

Kritik ekipmanlar (kategori A) — prediktif bakım önceliği Önemli ekipmanlar (kategori B) — önleyici bakım + temel izleme Genel ekipmanlar (kategori C) — reaktif bakım kabul edilebilir

Faz 2: Pilot Uygulama (3-6 ay)

5-10 kritik ekipmanla başlayın:

1. Mevcut arıza geçmişini analiz edin (CMMS verileri)
2. Sensör tipini ve yerleştirme noktasını belirleyin
3. 4-8 hafta veri toplayın (baseline oluşturma)
4. ML modeli eğitin veya kural tabanlı alarmlar kurun
5. İlk uyarıları elle doğrulayın

Faz 3: Ölçeklendirme (6-18 ay)

Pilot başarılı olunca:

• Kategori A tüm ekipmanları kapsama alın
• CMMS entegrasyonunu otomatikleştirin
• KPI takibi: MTBF artışı, planlanmamış duruş azalması, bakım maliyeti

ROI Hesaplama

Örnek: 200 çalışanlı otomotiv parça üreticisi

Mevcut durum:

• Aylık ortalama 4 planlanmamış duruş, ortalama 6 saat/duruş
• Saatlik üretim kaybı: 150.000 TL
• Reaktif bakım parça maliyeti: ortalama 80.000 TL/duruş

Yıllık mevcut maliyet:

• Üretim kaybı: 4 × 6 × 150.000 × 12 = 43.2M TL
• Acil bakım: 4 × 80.000 × 12 = 3.8M TL
• Toplam: 47M TL

Prediktif bakım ile:

• Planlanmamış duruşlarda %75 azalma (1 duruş/ay)
• Acil bakım maliyetinde %60 azalma
• Yedek parça optimizasyonu: %20 stok azalması

Yıllık tasarruf: ~34M TL Yatırım maliyeti (sensörler + yazılım + implementasyon): ~5-8M TL Geri dönüş süresi: 1.8-2.8 ay

Teknoloji Seçenekleri

Yerli Çözümler

• Mantis: Titreşim analizi + ML, Türkiye'de referanslar mevcut
• Proventix: Uzaktan izleme platformu

Uluslararası Çözümler

• Azure Machine Learning + IoT Hub: Microsoft ekosistemi, esnek
• AWS IoT SiteWise: Amazon'un endüstriyel IoT platformu
• Rockwell Plex: MES entegrasyonu güçlü
• Uptake, Aspentech Mtell: Özel prediktif bakım yazılımları

Open-Source + Özel Geliştirme

• InfluxDB + Grafana: Zaman serisi veri tabanı + görselleştirme
• Apache Kafka + Spark Streaming: Yüksek hacimli veri işleme
• Python/scikit-learn, TensorFlow ile ML modelleri

Yaygın Başarısızlık Nedenleri

1. Veri kalitesi sorunları: Gürültülü, eksik veya hatalı kalibreli sensör verisi
2. Uyarı yorgunluğu: Çok fazla yanlış alarm → bakım ekibi uyarıları görmezden geliyor
3. Süreç entegrasyonu eksikliği: Uyarı var ama iş emri oluşturma süreci tanımlı değil
4. Yeterli tarihsel veri yok: ML modeli eğitmek için en az 6-12 aylık arıza verisi gerekir
5. Beceri açığı: Makine öğrenimi anlayan mühendis sayısı yetersiz

Özet

Prediktif bakım doğru yapıldığında planlanmamış duruşları %50-80 azaltır. Başarı için:

• Kritik ekipmanlardan başlayın
• Veri kalitesine yatırım yapın
• CMMS entegrasyonunu ihmal etmeyin
• Bakım ekibini sürece dahil edin

Daha fazla bilgi: OEE Nedir ve Nasıl Artırılır? | Endüstriyel IoT Nedir?