Kazanimlar:
- Titreşim/sıcaklık verisinden arıza belirtilerini AI ile öznitelik çıkararak analiz edebilme
- Eşik tabanlı ve basit makine öğrenmesi anomali tespiti yaklaşımlarını AI yardımıyla kurgulayabilme
- Yanlış alarm (false positive) ve kaçırılan arıza (false negative) dengesini ve bakım kararını doğrulayabilme
Bir üretim hattında bir rulmanın beklenmedik arızası, saatlerce duruşa, kaçırılan siparişlere ve bazen ikincil hasara yol açar. Geleneksel bakım iki uçta durur: arıza bakımı (bozulunca tamir et—en pahalı sürpriz) ve periyodik bakım (takvimle değiştir—çoğu zaman erken ve israf). Kestirimci bakım (predictive maintenance) üçüncü yolu açar: makinenin gerçek durumunu sürekli ölçüp arızayı önceden tahmin ederek tam zamanında müdahale etmek. Titreşim, sıcaklık, akım ve ses gibi sinyallerdeki değişimler, bir arızanın haftalar öncesinden haber vericisidir. Yapay zeka burada güçlüdür: sinyallerden öznitelik çıkarır, anomalileri tespit eder, kalan ömrü kestirir. Ancak bir yanlış alarm gereksiz duruş, bir kaçırılan arıza felaket demektir; eşik ve karar dengesi mühendisin sorumluluğundadır. Bu ünitede kestirimci bakımı AI ile nasıl kuracağınızı ve kararlarını nasıl doğrulayacağınızı işliyoruz.
Neden Titreşim ve Sıcaklık?
Dönen makinelerde arızalar karakteristik imzalar bırakır. Bir rulman aşındığında, bir dişli çatladığında, bir mil dengesizleştiğinde titreşim spektrumunda belirli frekanslarda enerji artar. Sıcaklık, sürtünme ve yük artışının yavaş ama güvenilir bir göstergesidir. Bu sinyallerden anlamlı öznitelikler çıkarırız:
Öznitelik
Ne söyler
Hangi arıza
RMS (efektif değer)
Genel titreşim enerjisi
Genel bozulma, dengesizlik
Tepe (peak)
Ani darbeler
Rulman kusuru, çentik
Crest faktörü (peak/RMS)
Darbe içeriği
Erken rulman arızası
Kurtosis
Dağılımın "sivriliği"
Darbeli arıza belirtisi
Baskın frekans (FFT)
Enerjinin toplandığı frekans
Belirli bileşen arızası
Kilit fikir: ham sinyale bakmak yerine, arızaya duyarlı öznitelikleri izleriz. AI bu öznitelikleri hesaplayan kodu hızla yazar.
import numpy as npdef titresim_oznitelikleri(sinyal, fs): """sinyal: ivme dizisi, fs: ornekleme frekansi (Hz).""" rms = np.sqrt(np.mean(sinyal**2)) tepe = np.max(np.abs(sinyal)) crest = tepe / rms if rms > 0 else 0 # kurtosis (dorduncu moment / varyans^2) ortalama = np.mean(sinyal) kurtosis = np.mean((sinyal - ortalama)**4) / (np.var(sinyal)**2 + 1e-12) # baskin frekans (FFT) spektrum = np.abs(np.fft.rfft(sinyal)) frekanslar = np.fft.rfftfreq(len(sinyal), 1/fs) baskin_f = frekanslar[np.argmax(spektrum)] return {"rms": rms, "tepe": tepe, "crest": crest, "kurtosis": kurtosis, "baskin_frekans": baskin_f}
İpucu: AI'a öznitelik çıkardırırken örnekleme frekansını (fs) ve sinyalin süresini mutlaka belirtin. FFT çözünürlüğü ve Nyquist sınırı bunlara bağlıdır; fs verilmezse baskın frekans yanlış yorumlanır. Ayrıca sağlıklı makineden bir "temel çizgi" (baseline) toplamadan hiçbir eşik anlamlı değildir.
Eşik Tabanlı ve Öğrenme Tabanlı Tespit
İki temel yaklaşım vardır:
Eşik tabanlı: Bir özniteliğin (örneğin RMS) belirli bir sınırı aşması alarm üretir. Basit, şeffaf ve açıklanabilir; ama eşiği doğru koymak zordur ve tek boyutludur.
Öğrenme tabanlı (anomali tespiti): Sağlıklı çalışma verisinden "normal"i öğrenip ondan sapmaları işaretler. Çok boyutlu örüntüleri yakalar ama daha çok veri ister ve "kara kutu" olma riski taşır.
import numpy as npdef z_skoru_anomali(deger, baseline_ort, baseline_std, esik=3.0): """Basit istatistiksel anomali: baseline'dan kac std uzakta?""" z = (deger - baseline_ort) / (baseline_std + 1e-12) return abs(z) > esik, z# Ornek: saglikli makinede RMS ortalama 0.8, std 0.1 olsunalarm, z = z_skoru_anomali(deger=1.25, baseline_ort=0.8, baseline_std=0.1)print(f"z-skoru: {z:.1f}, alarm: {alarm}") # z=4.5 -> alarm True
Bu basit z-skoru yaklaşımı bile bir prensip gösterir: eşik, sağlıklı makinenin istatistiğinden türetilir, keyfi seçilmez. AI daha gelişmiş yöntemler (Isolation Forest, autoencoder) önerebilir, ama hepsinin temeli aynıdır: önce "normal"i tanımla, sonra sapmayı ölç.
Yanlış Alarm ve Kaçırılan Arıza Dengesi
Kestirimci bakımın kalbindeki mühendislik kararı budur. İki hata türü vardır ve maliyetleri asimetriktir:
Hata türü
Anlamı
Maliyeti
Yanlış alarm (false positive)
Arıza yokken alarm
Gereksiz duruş, güven kaybı
Kaçırılan arıza (false negative)
Arıza varken alarm yok
Beklenmedik arıza, hasar, tehlike
Eşiği düşürürseniz (çok hassas) kaçırılan arıza azalır ama yanlış alarm artar; operatörler alarmlara güvenmeyi bırakır ("alarm yorgunluğu"). Eşiği yükseltirseniz yanlış alarm azalır ama gerçek bir arızayı kaçırma riski büyür. Doğru denge, arızanın sonucuna bağlıdır: güvenlik kritik bir bileşende (örneğin bir vinç freni) kaçırılan arıza kabul edilemez, orada hassasiyeti yüksek tutar ve yanlış alarmlara katlanırsınız.
Dikkat: AI'ın önerdiği bir eşik veya model doğruluğu (örneğin "%95 doğruluk"), sınıf dengesizliği yüzünden yanıltıcı olabilir. Arızalar nadirdir; her zaman "arıza yok" diyen bir model bile yüksek doğruluk gösterir ama hiçbir işe yaramaz. Modeli doğruluk yerine yanlış alarm oranı ve kaçırılan arıza oranı ile değerlendirin; bu dengeyi sizin süreç riskiniz belirler.
Karardan Bakıma: İnsan Onayı
Bir anomali tespiti, doğrudan "makineyi durdur" komutu değildir; bir karar destek sinyalidir. Tipik akış: anomali tespit edilir → şiddet ve trend değerlendirilir → bakım ekibi doğrular (fiziksel kontrol, ek ölçüm) → planlı müdahale. AI trendi ve olası nedeni önerebilir, ama "bu rulman değişmeli" kararı ve zamanlaması insanda kalır; çünkü üretim planı, yedek parça ve güvenlik bağlamını insan görür.
Zayıf Prompt / Güçlü Prompt
ZAYIF:"Bu titreşim verisi arızalı mı?"(Baseline yok, fs yok, bağlam yok. Dayanaksız evet/hayır.)GÜÇLÜ:"Bir rulmanın 12 kHz'de örneklenmiş 1 saniyelik ivme verisi var. RMS, crestfaktörü, kurtosis ve baskın frekansı hesapla. Elimde 30 günlük sağlıklıçalışma baseline'ı var (RMS ort=0.8, std=0.1). Bu ölçümün baseline'danz-skorunu hesapla ve 3-sigma eşiğine göre yorumla. Alarm ver ama bunun birkarar destek sinyali olduğunu, kesin arıza kararı olmadığını belirt.Baskın frekansı rulmanın karakteristik arıza frekanslarıyla karşılaştır."
Mini Vaka
Bakım mühendisi Emre, bir fan motoru için titreşim tabanlı izleme kuruyor. AI'a öznitelik çıkarma ve z-skoru anomali kodunu yazdırıyor; sistem birkaç gün içinde alarm veriyor. Ama Emre kontrol edince makine sağlam çıkıyor—yanlış alarm. İnceleyince baseline'ı yalnızca 2 saatlik veriyle kurduğunu, oysa fanın yük değiştikçe titreşiminin normalde de dalgalandığını fark ediyor. Baseline'ı farklı yük koşullarını kapsayacak şekilde 1 haftaya çıkarıyor ve yanlış alarmlar kesiliyor. Sonra crest faktöründe yavaş bir yükseliş trendi görüyor; bu, RMS henüz eşiği aşmadan erken rulman kusurunu işaret ediyor. Fiziksel kontrol rulmanda erken aşınmayı doğruluyor. Emre planlı bir bakımda rulmanı değiştiriyor, beklenmedik duruş yaşanmıyor. AI özniteliği ve anomaliyi hızlı hesapladı; ama baseline kalitesi ve trend yorumu—yanlış alarmı elemek ve gerçek arızayı erken yakalamak—mühendisin işi oldu.
Yaygın Hatalar
- Sağlıklı makineden yeterli/temsili baseline toplamadan eşik koymak.
- Örnekleme frekansını belirtmeden FFT/baskın frekans yorumlamak.
- Modeli "doğruluk" ile değerlendirip nadir arızada yanıltıcı sonuç almak.
- Eşiği süreç riskinden bağımsız, keyfi seçmek.
- Anomali sinyalini doğrudan durdurma komutu sanıp insan doğrulamasını atlamak.
- Tek bir ölçüme bakıp trendi (yavaş yükseliş) görmezden gelmek.
Özetle
- Kestirimci bakım, makinenin gerçek durumunu ölçüp arızayı önceden tahmin eder.
- Titreşim/sıcaklıktan RMS, crest, kurtosis, baskın frekans gibi öznitelikler çıkarılır.
- Eşik ve anomali tespiti, sağlıklı makinenin baseline istatistiğinden türetilir.
- Yanlış alarm ile kaçırılan arıza dengesi süreç riskine göre ayarlanır.
- Nadir arızalarda "doğruluk" yanıltıcıdır; yanlış alarm/kaçırma oranları kullanılır.
- Anomali bir karar destek sinyalidir; bakım kararı ve zamanlaması insanda kalır.
Uygulama görevi
Bir titreşim veya sıcaklık zaman serisi bulun ya da simüle edin (sağlıklı bir taban + kademeli bozulan bir bölüm). AI'a öznitelik çıkarma (RMS, crest, kurtosis) ve baseline'dan z-skoru anomali tespiti kodunu yazdırın. Ardından: (1) baseline'ı yalnızca sağlıklı bölümden kurun ve örnekleme frekansını verin, (2) eşiği 2-sigma ve 4-sigma için deneyip yanlış alarm ile kaçırılan arıza sayısının nasıl değiştiğini karşılaştırın, (3) tek bir ölçüm yerine öznitelik trendini çizip erken uyarı verip vermediğine bakın. Hangi eşiğin sizin senaryonuzdaki risk için uygun olduğunu ve neden seçtiğinizi gerekçelendirin.