Hangi parça yarın bozulacak? Makine öğrenmesi uygulamaları

Geçtiğimiz yıl Bursa merkezli bir otomotiv yan sanayi fabrikasında gece yarısı operasyonun aniden durması, sadece üç saatlik bir kesintiyle şirkete 45.000 dolarlık bir iş kaybına mal oldu. Sorun, üretim hattındaki kritik bir konveyör motorunun rulmanında meydana gelen aşınmaydı. Teknik ekip arızayı fark ettiğinde iş işten geçmişti. Bu senaryo, sadece bir fabrika için değil, ölçeklenebilir üretim yapan tüm tesisler için her an gerçekleşmesi beklenen bir risk faktörüdür. Webizmo olarak bu projeyi devraldığımızda, sorunun sadece tamir değil, geleceği tahmin edememek olduğunu saptadık. IoT sensörlerinden akan veriler vardı ancak bu veriler sessizce bir veritabanında birikiyordu. İşte makine öğrenmesi uygulamaları tam da bu noktada devreye girerek, sessiz verileri birer erken uyarı sistemine dönüştürdü.

Plansız Duruşların Gizli Maliyeti ve Veri Eksikliği

Endüstriyel tesislerde plansız duruşlar, sadece üretim kaybı değil, aynı zamanda acil servis maliyetleri, yedek parça lojistik giderleri ve iş güvenliği riskleri anlamına gelir. Geleneksel bakım yöntemleri ya arıza sonrası müdahaleyi (reaktif) ya da belirli periyotlarla yapılan kontrolleri (önleyici) temel alır. Ancak bu yöntemler, parçaların gerçek sağlık durumunu yansıtmaz.

Projelerimizde karşılaştığımız temel darboğaz, verinin varlığı değil, anlamlandırılmasıdır. Bir üretim hattındaki sıcaklık, titreşim ve enerji tüketimi verileri saniyeler içinde binlerce satır oluşturur. İnsan gözüyle bu verilerdeki anomalileri yakalamak imkansızdır. Müşterilerimizin deneyimlediği en büyük sorun, periyodik bakım yapılmasına rağmen makinelerin beklenmedik anlarda devre dışı kalmasıydı. 2026 itibarıyla üretim tesislerinin %80'inden fazlasının bu tür riskleri minimize etmek için yapay zeka destekli izleme sistemlerine geçmesi bekleniyor. Veri odaklı bir strateji belirlemeden yapılan yatırımlar, sadece donanım kalabalığından ibaret kalmaktadır.

Makine Öğrenmesi Uygulamaları ile Arıza Tahmini

Makine öğrenmesi uygulamaları, geçmiş arıza verilerini ve anlık sensör akışlarını analiz ederek, bir makinenin ne zaman hata vereceğini henüz belirti göstermeden tespit eden matematiksel modellerdir. Bu uygulamalar, verilerdeki mikro değişimleri takip ederek 'sağlık skoru' oluşturur ve operasyonel riskleri %40 oranında azaltabilir.

Bu vaka çalışmasında, fabrikadaki 40 farklı noktaya yerleştirilen IoT sensörlerinden gelen verileri kullandık. Titreşim sensörleri, motor devir sayıları ve ortam sıcaklığı gibi parametreleri makine öğrenmesi ile veri analizi süreçlerine dahil ettik. Uyguladığımız çözüm, ham veriyi temizleyip özellik mühendisliği (feature engineering) aşamasından geçirdikten sonra, anomali tespiti algoritmalarıyla işledi. Özel Model mi Hazır API mi? Makine öğrenmesi uygulamaları ve ROI dengesini gözeterek, tesisin spesifik makinelerine uygun özel bir regresyon modeli geliştirdik.

Kullanılan ML Uygulamaları Örnekleri ve Algoritmalar

Proje kapsamında statik eşik değerleri yerine dinamik öğrenme modelleri tercih edildi. Kullanılan temel yaklaşımlar şunlardır:

• Isolation Forest: Normal çalışma düzeninden sapan verileri (outliers) anında yakalamak için kullanıldı.
• XGBoost Regresyonu: Parçanın kalan faydalı ömrünü (Remaining Useful Life - RUL) hesaplamak için eğitildi.
• Zaman Serisi Analizi: Mevsimsel etkileri ve üretim yoğunluğuna bağlı ısınma farklarını normalize etmek için uygulandı.

Bu ML uygulamaları örnekleri, sistemin sadece 'bozuldu' demesini değil, 'önümüzdeki 48 saat içinde %85 ihtimalle aşırı ısınma kaynaklı duruş yaşanacak' uyarısını vermesini sağladı. Bu öngörülebilirlik, bakım ekibinin üretimi durdurmadan, planlı bir vardiya değişiminde müdahale etmesine olanak tanıdı.

Teknik Uygulama Süreci: Veriden Değere

Bir makine öğrenmesi projesinin başarısı, kodun kalitesinden ziyade verinin nasıl işlendiğine bağlıdır. Webizmo olarak uyguladığımız süreç, verinin ham halden alınarak karar destek mekanizmasına dönüştürülmesini kapsayan beş temel adımdan oluşur.

İlk adımda, sensörlerden gelen gürültülü veriler temizlendi. Örneğin, bir pres makinesinin doğal sarsıntısı ile bir rulman arızasının yarattığı titreşimi birbirinden ayırmak için Fourier dönüşümü gibi sinyal işleme teknikleri kullanıldı. Ardından, makine öğrenmesi iş dünyası kullanım alanları içerisinde en verimli sonuç veren denetimli öğrenme (supervised learning) yöntemiyle model eğitildi. 2026'da Yapay Zeka ile Otomasyon: Operasyonel Yükü Bitiren Vaka örneğinde olduğu gibi, burada da otomasyonun gücü insan hatasını devre dışı bırakmakta saklıydı.

1. Veri Toplama: MQTT protokolü üzerinden sensör verilerinin merkezi bir sunucuya aktarılması.
2. Ön İşleme: Eksik verilerin tamamlanması ve outlier temizliği.
3. Model Eğitimi: Geçmiş 2 yıllık arıza logları ile sensör verilerinin eşleştirilmesi.
4. Canlı Entegrasyon: Modelin gerçek zamanlı veri akışına (streaming data) bağlanması.
5. Görselleştirme: Bakım ekibi için anlaşılır bir dashboard ve alarm sistemi oluşturulması.

Operasyonel Sonuçlar ve %30 Tasarruf

Uygulanan sistemin devreye alınmasından sonraki 6 aylık süreçte elde edilen metrikler, yatırımın geri dönüşünü (ROI) net bir şekilde ortaya koydu. Makine öğrenmesi uygulamaları sayesinde işletme, sadece teknolojik bir yenilik değil, doğrudan finansal bir kazanç elde etti.

"Daha önce arıza olduğunda haberdar oluyorduk, şimdi ise arıza daha fikir aşamasındayken müdahale ediyoruz. Bu, bakım bütçemizi yönetme şeklimizi tamamen değiştirdi."

Sonuçlar şu şekilde gerçekleşti:

• Bakım Giderlerinde Tasarruf: Gereksiz parça değişimlerinin önüne geçilerek maliyetler %30 düşürüldü.
• Tahmin Doğruluğu: Kritik arızaların %92'si en az 48 saat önceden tahmin edildi.
• Duruş Süreleri: Plansız duruş süresi yıllık bazda %55 oranında azaldı.
• İş Gücü Verimliliği: Bakım ekibi, 'yangın söndürmek' yerine planlı iyileştirmelere odaklanabildi.

Çıkarılan Dersler ve Gelecek Projeksiyonu

Bu projeden çıkardığımız en önemli ders, modelin başarısının sahadaki operatörlerin geri bildirimiyle doğrudan ilişkili olduğudur. Yazılım ne kadar gelişmiş olursa olsun, sahadaki fiziksel gerçeklikle (yağlanma durumu, tozlanma vb.) beslenmediğinde eksik kalır. 2026 sonuna kadar, bu tür sistemlerin sadece uyarı veren değil, iş süreçleri otomasyonu ile entegre olarak yedek parçayı otomatik sipariş eden otonom yapılara dönüşeceğini öngörüyoruz.

Sıkça Sorulan Sorular

Makine öğrenmesi uygulamaları için ne kadar veriye ihtiyaç var?

Anlamlı bir tahminleme yapabilmek için genellikle en az 3-6 aylık geçmiş veri seti ve bu süreçteki arıza kayıtları gereklidir. Veri miktarı arttıkça modelin doğruluk payı yükselir.

Sistem mevcut ERP yazılımlarımızla entegre olabilir mi?

Evet, Webizmo olarak geliştirdiğimiz çözümler SAP, Logo gibi popüler ERP sistemleriyle veya özel veritabanlarıyla API üzerinden tam entegre çalışabilmektedir.

Küçük ölçekli fabrikalar için bu yatırım mantıklı mı?

Maliyet-fayda analizi yapıldığında, kritik bir makinenin bir günlük duruş maliyeti sistemin kurulum maliyetinden yüksekse, makine öğrenmesi uygulamaları her ölçekteki işletme için yüksek ROI sağlar.

Üretim hattınızdaki belirsizlikleri ortadan kaldırmak ve verilerinizden finansal değer üretmek için Webizmo'nun uzman kadrosu yanınızda. Makine öğrenmesi uygulamaları ve size özel yazılım çözümlerimizle operasyonel mükemmelliğe ulaşmanızı sağlıyoruz. İşletmenizin ihtiyaçlarını analiz etmemiz ve size en uygun yol haritasını çıkarmamız için bizimle iletişime geçin. Projenizi değerlendirelim ve yarın bozulacak parçayı bugünden tespit edelim.