Kestirimci bakım nedir? Teknikleri nelerdir? | Otonom Fabrika | Endüstri 4.0 | Dijital Dönüşüm

Kestirimci bakım nedir? Teknikleri nelerdir?

Tahmini Okuma Süresi:3 Dakika, 50 Saniye

1. Giriş

Kestirimci bakım, makinadan bazı fiziksel verilerin (titreşim, sıcaklık vb.) alınıp bir yazılım ile anlamlandırılmasından sonra arızanın ne zaman gerçekleşebileceğini, yüksek bir doğrulukla, yeteri kadar zaman önce bilebilmektedir.

Üretim sektöründe makinaların, ekipmanların arıza yapması çoğunlukla kabuslara neden olur ve hemen arızi bakımı gerektirir. Arızanın giderilmesi, üretimin tekrar aynı şekilde devam etmesi için zamanla yarışa girilir. Onarım/bakım maliyetleri bir yana çalışanların güvenliğini etkileyecek durumlar meydana gelebilir, üretim, lojistik/tedarik planlamaları riske girebilir, teslimat süreleri gecikebilir ve işçilik maliyetleri artabilir. Onarım tamamlanıp gerekli dersler not edildikten sonra da ayrı bir “geç kalan üretimi yetiştirme” koşuşturmacası başlar. Çok kısa süreli, küçük boyuttaki arızaları saymazsak, bu durum, üretim/bakım personeli ve işletme için tam bir kabustur ve ilgili ekipler bu olasılıkları sıfırlamak için büyük çaba sarf ederler. Peki nasıl?

2. Bakım Stratejileri

İşletmeler sıfır arıza için çoğunlukla üç tip bakım stratejisi kullanırlar. Bunlar periyodik bakım, önleyici bakım ve kestirimci bakımdır.

Periyodik bakım, isminden de anlaşılacağı üzere, belirli zaman aralıklarında yapılan bakımdır. Bir makina işletmeye aldınız ve tedarikçi size makinanın X parçasını 6 aya bir değiştirmeniz gerektiğini söyledi. 6 aya bir ilgili parçayı değiştirirsiniz. Yahut, makinanın arıza geçmişinden hangi parçanın ne kadar sürede bir arızaya neden olabileceğini biliyorsunuzdur ve buna göre değişim yaparak arızaların önüne geçmeye çalışırsınız. Ancak burada sorun şu; belki de parçalar aslında daha uzun süre kullanabilecektir. Dolayısıyla parçayı daha kullanabilecekken erken değiştirmek israflara neden olacaktır.

Önleyici bakım ise, arızaya neden olabilecek etkenlerin ortadan kaldırılmasına yönelik yapılan çalışmalardır. Örneğin, bir makinayı nemli bir ortamda çalıştıracaksınız. Nem, korozyona neden olup makina arızalarına neden olabilir. Burada ya tasarımda nemin etkisini azaltacak prensipler kullanarak ya da çalışacağı ortamdaki nemi ortamdan uzaklaştırarak arızaları önleyebilirsiniz. En ideal yöntem bu olsa da, tüm arıza kaynaklarını önlemek mümkün değildir.

3. Kestirimci Bakım

Kestirimci bakım, tam zamanında bakımdır. Tam zamanında bakım yapılarak, malzeme israfı ve gereksiz bakım duruşlarına yol açmadan arızaların önüne geçilmiş olur. Aşağıdaki video kestirimci bakım uygulamasını basitçe çok güzel anlatmaktadır.

Kaynak: Pepperl+Fuchs Youtube

3.1. Kestirimci Bakım Teknikleri

Kestirimci bakım için nasıl bir metodoloji izlenmelidir? Her bir makina/ekipman özelinde bir metodoloji oluşturulmalıdır:

  1. Öncelikle makina/ekipmanın kimlik bilgisi çıkarılmalı; Bu kimlik bilgisinde makinanın üretim için kritikliği, çalışma prensibi, sürekli/aralıklı çalışma durumları, problem yaşama sıklığı, çalışma/çevre şartları, temasta olduğu iş parçaları/malzemeleri ve onların özellikleri yer almalıdır [1].
  2. Arıza vermiş/vermesi muhtemel bileşenler tespit edilmelidir. Yani hedef bileşenler belirlenmelidir.
  3. Makinanın kimlik bilgisini dikkate alarak arıza verme mekanizmasının fiziksel modelinin ortaya konması. Burada akademik kaynaklardan, işletme tecrübesinden ve makina tedarikçilerinin sağladığı bilgilerden faydalanılabilir.
  4. Fiziksel model ortaya konulduktan sonra, hangi veri(ler) ile bu arızanın öngörülebileceği belirlenmelidir. Talep edilebilecek veriler; ortam sıcaklığı, kullanılan makina yağlarının sıcaklığı, yağın içine biriken aşınmış metal yoğunluğu, bileşenlerin mekanik titreşim seviyeleri, mekanik yüzey gerilimleri, akım/voltaj değerleri, bileşen çevresindeki manyetik alan yoğunluğu, aşınma miktarları, bileşen çevresindeki ses şiddeti vb. olabilir.
  5. Bu aşamada talep edilen verilerin nasıl toplanacağı belirlenmelidir. Veri toplama cihazları (sıcaklık için termal kamera, titreşim verisi için 2-3 eksenli ivmeölçerler vb.) , cihaz konfigürasyonu belirleme (kablolu/kablosuz veri transferi, IT stratejisine uygunluk, enerji kaynağı, IP koruma sınıfları, ideal boyutlar vb. dikkate alınarak), cihazın yerleştirileceği bölge, örnekleme frekansı, örnekleme bant genişliği gibi verinin/sistemin kalitesini belirleyecek etmenler ortaya konarak mimari belirlenir.
  6. Mimari belirlendikten sonra sistem çalışır duruma alınır ve veri izlenmeye başlanır. Veriden kestirim yapmanın 2 yolu vardır;
    • Akademik bilgi kullanılarak fiziksel sistemler matematiksel modellere indirgenir ve hata olasılıkları/zamanları belirli bir doğrulukta tespit edilmeye çalışılır.
    • Makine öğrenmesi algoritmaları (regresyonlar, sinir ağları vb.) kullanılarak tahminlerde bulunulur ki arızanın fiziksel modelini algılayamadan bunları kullanmak zaman kayıplarına neden olabilir. Alınan her veri, hele ki arıza yaşanana kadar toplanmış veriler, makine öğrenmesi algoritmalarının daha doğru sonuçlar vermesini sağlayacaktır. Makine öğrenmesine örnek olarak şunu verelim; bugün bazı web sitelerine girdiğimizde robot muyuz kontrolü yapılıyor. 9-16 arası resim gösterilip yaya geçidi, trafik lambası, dağ tepe seçmemiz isteniyor. Doğru olanları seçtiğimiz takdirde insan olduğumuz onaylanıyor. Halbuki bir makine algoritması kullanılarak bu kontrolü aşmak mümkündür. Algoritmayı çalıştırdıktan sonra binlerce resim arasından, trafik lambası olanları seçtiğimizde algoritma sonraki resimlerin hangisinde trafik lambası olduğunu kendisi bulabiliyor. Bunu da bizim trafik lambası var diye seçtiğimiz resimlerin, renklerinin, obje boyutlarının ve oranlarının ortak noktalarını belirleyip sınıflayarak (öğrenerek) yapıyor. O yüzden, arıza yapmış makinalardan toplanmış veriler, makine öğrenmesi algoritmaları için çok değerli örnekler teşkil ediyor. (Web siteleri bahsettiğim kontrolleri yaparken bulmamızı istedikleri objeyi sürekli değiştiriyorlar, belki makine öğrenme algoritmalarını elimine edebilmek için)
    • En verimli yol, arızaların fiziksel arka planını anlayabilecek veri bilimciler ile çalışmak olacaktır.
  7. Son olarak, makina/ekipmanlardan alınacak her bir verinin kestirimci bakım çalışmalarının başarı olasılığını artıracağını belirletelim. Kestirim sonucu, arıza tahmini çok yüksek doğrulukla tespit edilebilmeli ki enerji/malzeme/işçilik kayıpları yaşanmasın. Bugün, geleceğin fabrikası olmak bunu gerektirmektedir.

Bunları da sevebilirsiniz

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir