Kestirimci bakım, ekipmanın durum verisini analiz ederek arızanın ne zaman oluşabileceğini öngören ve bakımı buna göre planlayan yaklaşımdır. Amaç, hem gereksiz periyodik bakımı hem de plansız duruşları azaltmaktır. Ancak birçok girişim, temel adımlar atlandığı için pilot aşamasında kalır.
Adım 1: Kritik ekipmanı belirleyin
Her ekipman kestirimci bakıma uygun değildir ve olması da gerekmez. İlk iş, arızası en yüksek etkiyi yaratan ekipmanı belirlemektir. Bunun için şu sorular yardımcı olur:
- Bu ekipman durduğunda üretim de duruyor mu?
- Arıza bir güvenlik veya çevre riski yaratıyor mu?
- Yedek parça temini uzun sürüyor mu?
- Arıza öncesinde ölçülebilir bir belirti (titreşim, sıcaklık, akım) oluşuyor mu?
Bu soruların çoğuna "evet" cevabı verilen ekipmanlarla başlamak, yatırımın değerini hızla görünür kılar.
Adım 2: Bakım kayıtlarını düzene sokun
Kestirimci modeller, geçmişte ne olduğunu bilmeden geleceği öngöremez. Arızaların ne zaman başladığı, ne zaman giderildiği, nedeni ve yapılan müdahale tutarlı biçimde kayıtlı olmalıdır. Kağıt formlar veya serbest metin notlar bu analizi neredeyse imkânsız kılar.
Bir bakım yönetim sistemi (CMMS) ile arıza kodları standartlaştırıldığında, MTBF ve MTTR gibi temel göstergeler de güvenilir hâle gelir. Bu göstergeler, kestirimci bakımın etkisini ölçmek için referans noktasıdır.
Adım 3: Doğru veriyi toplayın
Birçok tesiste kontrol sistemleri zaten değerli veriler üretir: motor akımı, sıcaklık, basınç, debi. Yeni sensör yatırımından önce mevcut verinin ne kadarının kullanılabileceğini incelemek gerekir. Eksik kalan noktalarda titreşim veya sıcaklık sensörleri eklenebilir.
Veri toplamada sıklık kadar bağlam da önemlidir: bir ölçümün hangi ekipmana, hangi çalışma moduna ve hangi ürüne ait olduğu bilinmelidir.
Adım 4: Basit kurallarla başlayın, sonra modele geçin
Kestirimci bakım denince akla hemen yapay zekâ gelir. Oysa ilk değer çoğu zaman basit eşik ve trend kurallarından gelir: sıcaklık belirli bir sınırı aştığında veya titreşim sürekli artış eğilimine girdiğinde uyarı üretmek.
Yeterli veri ve arıza örneği biriktiğinde, makine öğrenmesi modelleri normal davranışı öğrenerek sapmaları daha erken ve daha az yanlış alarmla tespit edebilir. Modellerin sahada izlenmesi ve gerektiğinde yeniden eğitilmesi için MLOps pratikleri devreye girer.
Adım 5: Uyarıyı iş emrine dönüştürün
En sık atlanan adım budur. Bir uyarı, bakım ekibinin iş akışına girmiyorsa yalnızca bir ekran bildirimi olarak kalır. Uyarıların otomatik olarak bakım iş emrine dönüşmesi, sorumluya atanması ve sonucun sisteme geri yazılması gerekir.
- Uyarı, ilgili ekipman ve önerilen kontrolle birlikte iş emrine dönüşür.
- Bakım penceresi, üretim planıyla uyumlu biçimde seçilir.
- Müdahale sonucu kaydedilir: gerçekten bir sorun var mıydı?
- Bu geri bildirim, kuralların ve modellerin iyileştirilmesinde kullanılır.
Sonuç
Kestirimci bakım bir ürün değil, bir yetkinliktir. Kritik ekipmanı seçmek, kayıtları düzene sokmak, doğru veriyi toplamak, basitten karmaşığa ilerlemek ve döngüyü iş emriyle kapatmak bu yetkinliğin temelidir. OREL IMS bakım yönetimini, OREL DM ise veri ve yapay zekâ katmanını bu yaklaşımla bir araya getirir.