Üretim Verisi Analitiği

Modern fabrika her saniye veri üretir — PLC'ler, sensörler, MES, SCADA, kalite sistemleri. Ama çoğu fabrikada bu veri toplanıyor, depolanıyor ve... hiç kullanılmıyor. Üretim verisi analitiği bu boşluğu kapatır: Ham veriden eyleme dönüştürülebilir içgörüye.

Analitik Olgunluk Seviyeleri

Seviye 1: Tanımsal Analitik (Ne oldu?)

Retrospektif raporlama: Günlük, haftalık, aylık üretim raporu. OEE, kalite, bakım metrikleri. Çoğu fabrikanın başlangıç noktası.

Araçlar: MES raporlama modülü, Excel, Power BI/Tableau dashboardları.

Değeri: Temel performans görünürlüğü, tarihsel karşılaştırma, KPI takibi.

Seviye 2: Tanısal Analitik (Neden oldu?)

Kök neden analizi: OEE düştüğünde hangisi: Availability mı, Performance mı, Quality mı? Hangi makine, hangi vardiya, hangi ürün?

Pareto analizi: Duruş kodları, hata kategorileri — sorunun yüzde 80'ini oluşturan yüzde 20 nerede?

Korelasyon analizi: Sıcaklık artışı hata oranını etkiliyor mu? Gece vardiyası OEE neden düşük?

Araçlar: MES analitik modülü, historian sorguları, Python/R veri analizi.

Değeri: Sorunun kaynağına hızlı ulaşım, hedefli iyileştirme.

Seviye 3: Tahminsel Analitik (Ne olacak?)

Arıza tahmini: Sensör verilerinden ekipman arızasını öngörme (prediktif bakım).

Kalite tahmini: Proses parametrelerinden üretilecek parça kalitesini öngörme — hurda olmadan önce müdahale.

Kapasite tahmini: Sipariş akışı ve mevcut OEE trendinden gelecek hafta kapasitesi.

Araçlar: Python (scikit-learn, TensorFlow), Azure ML, AWS SageMaker, özel endüstriyel AI platformları.

Değeri: Proaktif müdahale, verimlilik artışı, maliyet azalımı.

Seviye 4: Reçeteli Analitik (Ne yapmalıyız?)

Optimizasyon: "Enerji maliyetini minimize ederken kalite hedefini karşılamak için proses parametrelerini nasıl ayarlayalım?"

Çizelge optimizasyonu: "Siparişleri karşılamak için hangi ürünü hangi sırayla üretelim, changeover maliyetini minimize ederek?"

Araçlar: Operasyon araştırması algoritmaları (linear programming, genetic algorithm), dijital ikiz simülasyonu.

Değeri: Sistemin kendi kendini optimize etmesi — insan kararından ziyade algoritma önerisi veya doğrudan eylem.

OEE Veri Analizinde Pratik Teknikler

Waterfall Grafiği ile Kayıp Analizi

Teorik maksimum kapasiteden gerçek çıktıya giden kayıpları görselleştirin:

Teorik Kapasite:  100,000 birim
- Planlı Duruş:    -18,000 birim (hafta sonu, tatil)
= OEE Başlangıcı:   82,000 birim
- Arıza:            -8,200 birim (Availability kaybı)
- Setup:            -4,100 birim (Availability kaybı)
- Hız Kaybı:        -6,150 birim (Performance kaybı)
- Micro Duruş:      -2,460 birim (Performance kaybı)
- Hurda:            -1,845 birim (Quality kaybı)
- Rework:             -820 birim (Quality kaybı)
= Gerçek Çıktı:     58,425 birim  ← OEE: yüzde 71.2

Bu görsel, kaybın nerede ve ne kadar olduğunu anında gösterir — "nereye odaklanmalıyım?" sorusunu yanıtlar.

Isı Haritası: Zaman Bazlı Örüntüler

OEE'yi haftanın günü × saat matrisi olarak görselleştirin:

• Hangi gün, hangi saat en düşük OEE?
• Pazartesi sabahı düşüklüğü var mı? (Hafta sonu ekipman soğudu)
• Gece vardiyasında farklılık var mı?

Bu örüntüler kök nedene yönlendirir — takvime bağlı sorunlar görünür hale gelir.

Regression Analizi ile Proses Etkileri

"X parametresi kaliteyi etkiliyor mu?" sorusunu istatistiksel olarak yanıtlar.

Örnek: Kalıp sıcaklığı ile hurda oranı arasındaki ilişki. Regression, sıcaklık aralığı 180-190°C'de hurda en düşük derse, bu bilgi proses penceresini daraltmaya kullanılır.

Fabrika Veri Platformu

Mimarı Katmanlar

Veri Toplama:

• OPC-UA, MQTT, Modbus ile sensör ve PLC verisi
• MES veritabanı sorgulama
• ERP API'lerinden üretim emirleri ve malzeme

Veri Depolama:

• Zaman serisi veritabanı: InfluxDB, TimescaleDB, AVEVA PI — sensör verisi için optimize
• İlişkisel veritabanı: PostgreSQL, SQL Server — MES, ERP verileri
• Veri gölü (Data Lake): Tüm ham verilerin uzun vadeli saklanması

Veri İşleme:

• Gerçek zamanlı: Apache Kafka veya Azure Event Hubs ile stream processing
• Batch: Apache Spark veya dbt ile periyodik agregasyon

Analitik ve Görselleştirme:

• Grafana, Power BI, Tableau, özel dashboardlar
• Jupyter Notebook, Python — veri bilimi ve model geliştirme

Cloud vs On-Premise Analitik

On-Premise: Veri fabrikanın içinde kalır, latency düşük, veri güvenliği tam kontrol altında.

Cloud: Microsoft Azure, AWS, Google Cloud — büyük ölçekte ML, çok fabrika konsolidasyonu, yönetilen servisler.

Hibrit: Gerçek zamanlı analitik fabrikada (edge), tarihsel ve ML analitik bulutta.

Başlangıç İçin Pratik Öneriler

İlk 90 Günde Ne Yapılabilir?

Hafta 1-2: Veri envanteri. Hangi sistemde hangi veri var? MES'te mi, historian'da mı, Excel'de mi, kağıtta mı?

Hafta 3-4: Bir KPI seçin — OEE veya FPY. Mevcut veriyi toplayın, basit bir dashboard oluşturun.

Hafta 5-8: İlk Pareto analizi. Duruş nedenlerini kategorize edin. Top 3 kayıp nedenini tespit edin.

Hafta 9-12: Bir iyileştirme aksiyonu alın. Sonucu ölçün. Verinin karar sürecini nasıl etkilediğini raporlayın.

Bu ilk döngü hem değer üretir hem de organizasyonu veri bazlı düşünmeye alıştırır.

Yaygın Hatalar

"Önce her şeyi toplayalım, sonra ne yapacağız düşünürüz": Veri toplayıp depolamak değil, soruya yanıt vermek değer üretir. Önce soru, sonra veri.

Çok karmaşık başlangıç: ML ile başlamak yerine tanımsal analitikle başlayın. Dashboard görünür olmadan optimizasyon anlamsız.

IT-OT kopukluğu: Fabrika verisi IT departmanının ulaşamadığı yerde kalan veri. Ekipler arası işbirliği kritik.

Daha fazla bilgi: Endüstriyel AI | MES Nedir? | OEE Nedir? | Prediktif Bakım