Bulut Tabanlı Kestirimci Bakım

Neden kestirimci bakıma ihtiyaç duyuluyor? Kestirimci bakımın getirileri nelerdir? Kestirimci bakım uygulama sürecinde nelerden yararlanılabilir?

Makine Arızalarının Tanımlanması

Makine arızası, bir makine parçasında veya bileşeninde, işlevini yerine getiremeyen herhangi bir değişiklik olarak tanımlanmaktadır. Kırılma başlangıcı, fiziksel bozulma ve hasar en son hatadan önceki adımlar olup sonunda parçayı veya bileşeni devamlı kullanım için güvenilmez kılmaktadır.

Makine arızalarının tanımlanması, gelecekteki bozulmaların önlenmesi ve makinelerin emniyet, güvenilirlik ve bakımı için güvence hedefleri ile acil bakım ve üretim kaybı maliyetlerini en aza indirip şirketlere fayda sağlamaktadır.

Ekipmanların bozulma öngörüleri geçmiş veriler kullanılarak tahmin edilmeye çalışılmaktadır. Birçok durumda uygulamaya özgün geliştirilen yazılımlarla uygun bir çözüme ulaşılamamaktadır. Endüstriyel ekipmanların arızalarını anlayabilmek için konu uzmanından yardım almak elzemdir, bir zorunluluktur. Bu sebep ile bakım ve destek personelinin düşünce yaklaşımı bir modele oturtulması gerekmektedir.

Kestirimci bakım 90'lardan itibaren süregelen bir konu olmakla beraber, yerel seviyede büyük ilerlemeler kat edilmiştir. IBM, Schneider Electric ve General Electric gibi sanayinin önde gelen firmaları, kendi makinelerinden veriler toplayarak modeller geliştirmekte ve bu modelleri kendi makinelerine adapte edip gözlem ve bakım öngörüleri yapmaya çalışmaktadırlar. Fakat bu durum sadece pazar lideri firmalar ve onların yerel makinelerinde kullanılabilmektedir. Fakat bu problemleri yerel olarak çözmek yerine bağlantılı sistemlerle çözmek yıkıcı etki yaratmakta; sınırsız işlem gücü ve farklı veri setlerinin bir araya gelmesini sağlayarak daha gürbüz sistemler gerçeklenmesine imkan tanımaktadır.

Makine Sağlık Yönetimi

Bir makinenin sağlık yönetimi, uygun bakım işlemlerinin yapılması, teşhis ve prognostik, mevcut kaynaklar ve operasyonel talebin çıktılarına dayalı zamanında doğru lojistik kararlar alma sürecidir. Bu yönetim ile arızaların etkisini değerlendirmeye ve bakım yönetimi ile etki ve kayıpları en aza indirmeye odaklanmaktadır. Bu süreçte, prognostik ve sağlık yönetimi, kullanıcılara bir makinenin veya genel bir sistemin sağlık durumunun bütünleşik bir görünümünü sağlamayı amaçlamaktadır.

Etkili bir prognostik ve sağlık yönetim sisteminden, bileşenlerin veya alt elementlerin arızasının erken tespiti ve tanılamayı sağlaması beklenmektedir. Bu sistem, arızanın ilerlemesini takip ve tahmin etmek için araçlara sahip olmalıdır. Bahsigeçen bu sistem kullanıldığında, bir makinenin, bileşenin veya sistemin sağlığı herhangi bir zaman diliminde tahmin edilebilir ve nihai bir arıza meydana gelmeden öngörülebilir ve engellenebilir. Bu sayede sıfıra yakın performans kesintisi elde edilebilir. Masraflı önleyici bakım ortadan kaldırılıp, bakım çizelgesi eniyilenebilir ve yedek parçalar için teslim süresi azaltılabilir. Bunlar da önemli ölçüde bakım ve destek maliyetlerinin düşmesini sağlar.

Kestirimci Bakım Akış Şeması

Bir arıza teşhis sistemi; veri toplama sistemi, sinyal işleme, öznitelik çıkarma ve arıza bilgi tabanından (uzman bilgi, fiziksel modeller ve geçmiş verilerden türetilebilecek) oluşmaktadır. Klasik bir zaman serisi analizi, istatistiksel yöntemler ya da yapay zeka teknolojileriyle oluşturulan tahmin algoritmaları, makine performansının kabul edilemez seviyeye ne zaman düşeceğini tahmin edebilmektedir.

Dolayısıyla, prognostik sağlık sisteminin cevaplamaya çalıştığı sorular şunlardır:

  1. Makine şu anda nasıl çalışıyor? (Performans değerlendirme).
  2. Makine ne zaman bozulacak? (Kalan kullanım ömrü).
  3. Kesintiye neden olan birincil arızalar neler olacak? (Nedensel faktörlerin teşhisi)
  4. Neden arıza ortaya çıkıyor? (Kök neden analizi)

Bu soruları cevaplamak için geliştirilen Duruma Dayalı Bakım, bir öğenin durumunun rutin veya sürekli kontrolünden geçirilmesi sonucunda başlatılan bakım çalışmaları olarak tanımlanır. Kestirimci (Duruma Dayalı) bakımın amacı, ekipmanın çalışma durumunu sürekli izleyip değerlendirerek ve ekipman arızası oluşacağını tahmin ederek arıza meydana gelmeden önce bakım yapılmasını sağlar. Bu bilgilerin ışığında, bakım süreçleri, bakım maliyetini en aza indirgemek ve sıfır hataya ulaşmak için optimize edilmektedir. Kullanılan klasik bakım zamanı hesaplama yöntemlerinin aksine, bu tür bakım süreciyle endüstrilerde kesintisiz üretim süreci hedeflenmektedir.

Kestirimci Bakım Yöntemleri ve Sorunlar

Tipik Kestirimci Bakım Uygulamaları (NASA)

Durum raporları; insan gözlemlerinden, kontrollerden ve testlerden ya da durum izleme sistemi adı altında gruplanmış sabit kontrol aygıtları veya alarm sistemlerinden ortaya çıkartılmaktadır. Burada sinyal analizi adı verilen bir teknik kullanarak kestirimci bakımdan yararlanılmaktadır. Sinyal analizi tekniği, sistematik sinyaller veya mekanik titreşimler, gürültü sinyalleri, akustik ve termal emisyonlar, kimyasal bileşimlerdeki değişiklikler, koku, basınç gibi kaynaklardan türemiş bilgilerin kaydedilmesi yoluyla ekipmanın sağlığını sürekli olarak izlemek için tasarlanmıştır. Özellikle titreşim, sıcaklık, ısı, akım ve yağ analizi makine performansını tanımlamada mükemmel yeteneklerinden dolayı, makine bozulmaları hakkında ayrıntılı bilgiler verebilmektedirler. Bu tür durum izleme yöntemleriyle, bozulma öncesi belirtiler tespit edilebilmekte ve böylece ihtiyaç dışı bakım görevlerinden kaçınılması sağlanabilmektedir.

Kestirimci bakım yöntemleri, farklı arıza tespit alt problemlerine (teşhis, hata şiddeti, vb.) yeterli tepki verebilmek için büyük miktarda bilgiye ihtiyaç duyar. Bu bilgilerin yorumlanması ve işlenerek anlamlı çıktılar elde edebilmek için bakım/makina uzmanının değerlendirmelere katkısı gereklidir. Bu yüzden, karşılaşılan en büyük sorunlardan biri, büyük miktarda veri ele alınması ihtiyacı ve personel eğitimindeki maliyettir. Ayrıca, bir kaynaktan gelen bilgiyle birbirinden farklı birçok sorun tespit edilebilmekle birlikte, bu arıza kaynağının sebebinin tam olarak yakalanamadığı örnekler mevcuttur. Örneğin, titreşim analizi ile sadece yanlış hizalama ya da yanında bir de dengesizlik olup olmadığını belirlemek zordur. Titreşim analizi ile belirlenebilecek birçok arıza sebebi bulunmaktadır. Sadece titreşim analizlerine bakılarak herhangi bir arıza kaynağı tespiti yapıldığında, titreşim miktarını etkileyen başka bir arızanın olup olmadığı kesin olarak bilinememektedir. Bunların yanında, veri kaynakları genellikle farklı ortamlarda çalıştığı için veri paylaşımı ve yayını ile yapılacak sistemler arasındaki entegrasyon ve birlikte çalışma (interoperability) oldukça zordur.

Çözümler

Örnek Kestirimci Bakım Sistemi

Dördüncü Sanayi Devrimi yönünde atılan adımlarla birlikte varlıkları ve hizmetleri algılama ve yönetme tarzları değişmekte ve bu devrimin bir parçası olan akıllı fabrikalar için çalışmalar yapılmaktadır. Bu dönüşüm çağında, veri erişimi ve kullanımı ile ürünler ve hizmetler sürekli iyileşme halinde olacaktır. Veri ile iyileşen ürün ve süreçlerde, varlıkların anlık durumları hakkında sürekli bilgiler alınması ve sürekli iyileştirme çalışmaları yapılmasıyla birlikte varlıklardan en yüksek verimliliğin alınması sağlanacaktır. Tesla’nın araçları için uzaktan güncelleme göndermesinin ardından, General Motors ve Ford firmaları da araçları için uzaktan güncelleme yapacağını duyurmuştu. Bu gelişmeler ile ürünler yer değiştirmek zorunda kalmadan bağlanabilirlik sayesinde sürekli en iyi performans verecek şekilde güncellenebilecektir.

Algılayıcılar ve platformlar sayesinde, tüm ürünlerden analizler yapmak için gerekli veriler izlenip, hızlı ve verimli bir şekilde analiz yapılabilmektedir. Endüstriyel bir ürünün analizlerine bakılarak, normal çalışma şartları dışındaki herhangi bir durumun önceden tespit edilip, beklenmedik arıza sürelerinin önüne geçilip yatırım getirisi iyileştirilebilmektedir. Bu sayede, zamandan ve paradan tasarruf edilebilmektedir. Ayrıca, sürekli toplanan ölçüm verileri sonucunda ve yapılan analizler sayesinde ürün ya da hizmetlerin performans tahminleri yapılabilmekte ve ürünlerin gerçekte ne kadar süre kullanılabileceği tespit edilip ona göre fiyatlandırılabilmektedir.

Bulut sistemi, paylaşılan verileri birden fazla kaynaktan verimli ve esnek bir şekilde yönetebilmekte ve IoT uygulamaları için birleşik bir hizmet sunma platformu sağlayabilmektedir. Bulut tabanlı bir sistem, veri toplanması için teknolojik temeli sağlar ve sadece topluluk türü hizmetlerin yaratılmasına değil aynı zamanda etkileşimli, işbirlikçi ve isteğe bağlı olarak özelleştirilebilir özelliklere sahip olabilecek bir açık hizmet platform ortamı oluşturulmasına da olanak tanımaktadır. Kestirimci bakım bakış açısından, bulut ortamı etkin bir şekilde birçok akıllı hizmetleri destekleyebilir ve donanımın hafıza kapasitesi, işlemcinin güç hesaplama, veri güvenliği ve veri kaynaştırması gibi birden fazla kaynaktan gelen birçok sorunu çözebilmektedir. Ayrıca, prognostik bilgileri sunmak için Bozulma Grafiği, Performanslı Radar Grafiği, Problem Haritası ve Risk Radarı Grafiği gibi sıkça kullanılan görselleştirme araçları için altyapı oluşturabilmektedir.

Makine öğrenmesi alanından gelen çeşitli algoritmalar (Gözetimli Öğrenme, Gözetimsiz Öğrenme, Takviyeli Öğrenme ve Veri Madenciliği) farklı durum ve gerekliliklere, problem özelliklerine göre uygulanabilmektedir. Makine öğrenmesi Kestirimci bakımda birden fazla kaynaktan gelen verilerin birleşik bir şekilde yorumlanabilmesine olanak sağlamaktadır. Sinir ağlarının gelişimi, mevcut prognostik ve teşhis sorunlarının üstesinden gelmek için yeni boyutlar eklemiştir.

Referanslar

  1. ActiveCockpit — Interactive communication platform for the manufacturing industry. (n.d.). Retrieved March 21, 2018, from https://www.boschrexroth.com/en/xc/products/product-groups/assembly-technology/news/activecockpit/index
  2. Predictive Maintenance and Optimisation System/TÜV SÜD . (n.d.). Retrieved March 19, 2018, from https://iotahead.com/case-studies/predictive-maintenance-and-optimisation-system
  3. NASA. 2000. Reliability Centered Maintenance Guide for Facilities and Collateral Equipment. National Aeronautics and Space Administration, Washington, D.C.
  4. Jardine, A. K., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical systems and signal processing, 20(7), 1483–1510.
  5. Jayaswal, P., Wadhwani, A. K., & Mulchandani, K. B. (2008). Machine fault signature analysis. International Journal of Rotating Machinery, 2008.
  6. Van Horenbeek, A., & Pintelon, L. (2013). A dynamic predictive maintenance policy for complex multi-component systems. Reliability Engineering & System Safety, 120, 39–50.
  7. Liao, W., & Wang, Y. (2013). Data-driven Machinery Prognostics Approach using in a Predictive Maintenance Model. JCP, 8(1), 225–231.
  8. Lee, J., Wu, F., Zhao, W., Ghaffari, M., Liao, L., & Siegel, D. (2014). Prognostics and health management design for rotary machinery systems — Reviews, methodology and applications. Mechanical systems and signal processing, 42(1–2), 314–334.