Makine verisi, dönen makinelerin işletme döngüleri sırasında ürettiği ve makinenin davranışının kapsamlı bir dijital temsilini oluşturan ölçülebilir parametreler, performans metrikleri ve işletme özelliklerinin bütünüdür. Nesnelerin İnterneti (IoT) ve büyük veri yönetiminin etkin olduğu ortamlarda bu veri; bilgiye dayalı karar verme, kestirimci bakımın kolaylaştırılması, işletme verimliliğinin optimize edilmesi ve genel sistem iyileştirmeleri açısından yaşamsal bir rol oynar. Bu yazıda makine verisinin türlerini, sinyal kategorizasyonunu, güvenilirlik mühendisinin rolünü ve veri analiz araçlarını ele alıyoruz.
Sensörlerin, Yazılımların ve Makine Üreticilerinin Katkısına Genel Bakış
Makine verisinin elde edilmesi ve kullanılması, gelişmiş sensörlerin, sofistike yazılımların ve makine üreticilerinin proaktif katkısının birlikteliği aracılığıyla mümkün hale gelir. Titreşim sensörlerinden sıcaklık ölçerlere kadar çeşitli sensörler, veri toplayıcıları olarak hareket eder. Yazılım uygulamaları, bu ham veriyi anlamlı içgörüler çıkarmak için işler. Ayrıca, makine üreticileri, makinelerine son teknoloji sensörler ve veri arabirimleri entegre ederek, sorunsuz veri akışını teşvik eder ve genel sistem zekasını artırır. Bu işbirliği çabası, makine verisinin performans ve bakım stratejilerini iyileştirmek için bütünsel bir yaklaşımı sağlar.
Makine Verisi Türleri
Nicel Veri
Dönen makinelerin alanında nicel veriler, makinenin performansının nicel bir değerlendirmesini sağlayan ölçülebilir parametreler ve sayısal değerlerle ilgilidir. Bu, sıcaklık, basınç, hız ve titreşim seviyeleri gibi metrikleri içerebilir.
Kestirimci Bakım Uygulamalarındaki Rolü
Nicel veriler, kestirimci bakım stratejilerinde önemli bir rol oynar. Nicel metrikleri sürekli olarak izleyerek ve analiz ederek, anormallikler ve potansiyel sorunlar erken tespit edilebilir, bu da proaktif bakım önlemlerini mümkün kılar ve iş durma süresini minimize eder.
Sinyal İşleme Teknikleri
Durağan ve Durağan Olmayan Sinyaller
Sinyal işlemede, makine verisi durağan ve durağan olmayan sinyallere kategorize edilir. Durağan sinyaller zaman içinde sabit istatistiksel özelliklere sahiptir, durağan olmayan sinyaller ise istatistiksel özelliklerinde değişiklikler gösterir.
Belirgin vs. Rasgele Sinyaller
Sinyaller belirgin olabilir, öngörülebilir bir deseni takip eder, veya rasgele olabilir, ayırt edilebilir bir desene sahip olmaz. Bu sinyal özelliklerini anlamak, doğru veri yorumu için önemlidir.
Titreşim Sinyallerinin Kategorizasyonu
Titreşim sinyalleri durağan/durağan olmayan ve belirgin/rasgele olmak üzere kategorize edilir; aşağıdaki sinyal kategorizasyonu şeması da bunu gösterir. RMS, crest ve kurtosis gibi genel değerler makine sağlığı hakkında yalnızca kaba bir ilk fikir verir: erken evredeki rulman ve dişli arızaları geniş bantlı genel değerde görünmez, spektrum ve zarf analizi gerektirir.
İstatistiksel Veri Çıkarma
İstatistiksel yöntemler, titreşim sinyallerinden değerli bilgiler çıkarmaya yardımcı olarak potansiyel hataları işaret eden desenlerin tanımlanmasına katkıda bulunur.
Kestirimci Bakım için Sinyal Türleri
Frekans ve zaman-domain sinyalleri gibi çeşitli sinyal türleri, makine sorunlarını önceden tespit etmek ve teşhis etmek için kestirimci bakımda kullanılır.
Sinyal Kategorizasyonu Vaka Çalışması
Titreşim, dönen makinelerin durum analizinde kullanılan en önemli verilerden biridir ve genellikle 2 farklı türde toplanabilir. PLC-SCADA sistemlerinde kullanılan titreşim sensörleri genellikle genel değer titreşim sensörleridir. Bu sensörler, belirli özellikleri (RMS, Crest, Kurtosis gibi) kullanır ve bu özellikleri belirli bir zamanda sabit örnekleme frekanslarında topladığı titreşim sinyalinden çıkarır. Bu özellikler aslında ölçülen veriden çıkarılan başka bir veridir. Öte yandan, örneğin spektrum ve cepstrum gibi farklı uzaylarda işlenmiş sinyaller gibi belirli arayüzlerde örnekleme sinyalleri zaman dalgası formunda analiz edilebilir. Toplanan sinyal verilerinden farklı istatistiksel veriler elde edilebilir; aynı zamanda iki farklı veriden hesaplanan “veri hakkında veri” olarak da adlandırılan veriler de bulunabilir. Bu veriler, akım ve gerilim değerlerinden güç verisinin çıkarılması, iki farklı titreşim verisinden faz farkı veya yapıdan kuvvet ve titreşim verilerinden sertlik/sönüm özelliklerinin çıkarılması gibi olabilir. Aynı zamanda, iki farklı verinin istatistiksel karşılaştırma sonuçlarını içeren uyum, korelasyon ve kovaryans verileri de nicel veriler altında incelenebilir. Toplanan sinyal verileri aynı zamanda kendi içinde farklı gruplara ayrılır. Çoğu makine bileşeni, diğerlerinden ayrılmalarını karakterize eden belirli titreşim sinyallerine neden olur, aynı zamanda sağlıklı durumu hastalıklı durumdan ayıran sinyallerdir. Belirgin özellikler farklı tekrarlama frekansları olabilir. Örneğin; belirli bir dişli çiftini karakterize eden bir dişli kavrama frekansı (diş sayısı × mil hızı) olabilir ve birbirine geçen iki dişlinin ortak kavrama frekansı üzerindeki modülasyon etkilerini karakterize eden farklı yan bant boşlukları olabilir. Kestirimci bakım için toplanan titreşim sinyalleri birkaç şekilde kategorize edilebilir. Elde edilen sinyal türü ayrıca uygulanması gereken sinyal işleme tekniğini de etkiler. Titreşim sinyallerini aşağıdaki gibi kategorize edebiliriz.
Fig. 1 Signal Categorization
Sinyallerde en temel ayrım, durağan ve durağan olmayan arasındadır. Durağanlık, istatistiksel özelliklerin zamanla değişmez olduğu anlamına gelir. Belirli frekanslardaki kendiliğinden oluşan sinüzoidlerin kesik frekanslarından tamamen oluştuğu anlamına gelen belirli sinyaller temelde “belirgin”dir. Bu bileşenlerin frekansını, genliğini ve başlangıç fazını (yani sıfır zamandaki durumu) bildiğimizde, sinyalin değeri gelecekte veya geçmişte herhangi bir zamanda tahmin edilebilir; bu nedenle “belirgin”dir. Rasgele sinyaller biraz daha karmaşıktır, çünkü değerleri herhangi bir zamanda tahmin edilemez, ancak durağan rasgele sinyaller için istatistiksel özellikleri zaman içinde değişmez. “Durağan olmayan” şey, durağan koşulları sağlamayan her şeydir ve genellikle “sürekli değişen” ve “geçici” olmak üzere iki ana sınıfa ayrılabilir. Bu iki türü ayırt etmek için kesin bir kural yoktur, ancak genel olarak geçici sinyallerin sınırlı bir süre için var olduğu ve genellikle yalnızca o süre içinde varlık olarak analiz edildiği söylenebilir. Bu açıklamak için; örneğin, bir azalan üstel fonksiyon teorik olarak sonsuza kadar azalır, ancak pratikte sınırlı bir süre boyunca ölçülebilir bir değere sahiptir. Tanımı gereği, durağan rasgele bir sinyalin sabit güce ve dolayısıyla sonsuz enerjiye sahiptir. Sislostationer sinyaller, tanım gereği, zaman içinde periyodik olarak değişen bir güce sahiptir ve bu nedenle toplam enerjileri sonsuzdur. Diğer durağan olmayan sinyaller, örneğin bir makinenin işlemesi sırasında veya yavaşlaması sırasında ölçülen titreşim sinyalleri, genellikle sınırlı bir uzunluğa sahiptir, ancak genellikle geçici olaylar yerine sürekli değişen durağan olmayan sinyaller olarak değerlendirilme olasılıkları daha yüksektir. Sürekli değişen durağan olmayan sinyaller genellikle zaman/frekans analizi teknikleri ile analiz edilir.
Fig. 2 Sample Signal Types
Nitel Veri (Meta Veri)
Nitel veri veya meta veri, nicel ölçümlere bağlam ekleyen sayısal olmayan bilgileri içerir. Makine işletimi etrafındaki durumları anlamamıza katkıda bulunur.
Kestirimci Bakımda Meta Veri Örnekleri
Kestirimci bakımdaki meta veri, işletme koşulları, çevresel faktörler ve bakım geçmişi gibi bilgileri içerebilir. Bu bağlamsal detaylar, nicel verilerin anlaşılmasını geliştirir.
Hata Kökeni Teşhisi İçin Nicel Verilerle Korelasyon
Nitel meta verinin nicel verilerle korelasyonu, hataların köken nedenlerini belirlemede kritiktir. Her iki veri türünün birleştirilmesiyle kapsamlı bir resim ortaya çıkar, doğru teşhis yapmaya ve etkili bakım kararları almaya yardımcı olur.
Güvenilirlik Mühendisinin Rolü
Makineden Üretilen Ham Verinin İşlenmesindeki Rol
Güvenilirlik mühendisleri, makineden üretilen ham verinin işlenmesinde kritik bir rol oynarlar ve bu veri akışı ile uygulanabilir içgörüler arasındaki köprü görevini üstlenirler. Ham veri akışlarını toplamak, düzenlemek ve yorumlamak, verinin daha fazla analiz ve karar verme sürecine hazır olmasını sağlarlar.
Kestirimci Bakım Platformlarının Kullanımı
Güvenilirlik mühendisleri, veri analiz çabalarını hızlandırmak ve geliştirmek için kestirimci bakım platformlarından yararlanırlar. Bu platformlar, makine verileri içindeki desenleri, anormallikleri ve potansiyel hata noktalarını belirlemek için gelişmiş algoritmalar ve makine öğrenimi modellerini entegre eder. Bu platformları kullanarak, güvenilirlik mühendisleri proaktif bakım stratejileri uygulayabilirler.
Veriyi Bilgiye Dönüştürme
Soruları Yanıtlama: Nerede, Ne, Ne Zaman
Güvenilirlik mühendisleri, veriyi makinenin işleyişi ile ilgili temel sorulara cevap vererek bağlamlandırır. Bu, anormalliklerin nerede meydana geldiğini, hangi belirli parametrelerin etkilendiğini ve bu sorunların ne zaman ortaya çıktığını belirlemeyi içerir. Bu tür bağlamlandırma, hedefe yönelik analiz için temel oluşturur.
Veriyi Bilgiye Dönüştürme
Ham veriyi bilgiye dönüştürme süreci çok yönlüdür. Güvenilirlik mühendisleri, veriden anlamlı içgörüler çıkarmak için istatistiksel yöntemler, makine öğrenimi algoritmaları ve uzmanlık alanlarına başvururlar. Bu dönüşüm, bakım ve sistem optimizasyonuna ilişkin bilinçli kararlar almada önemlidir.
Hedef: Sistem İyileştirmesi İçin Somut Tespitler ve Tahminler
Güvenilirlik mühendislerinin nihai hedefi, işlenmiş veriden somut tespitler ve tahminler çıkarmaktır. Potansiyel hata noktalarını belirleyerek, bakım ihtiyaçlarını öngörerek ve sistem zayıflıklarını anlayarak, güvenilirlik mühendisleri sürekli iyileştirme girişimlerine katkıda bulunurlar. Bu içgörüler, karar vericileri hedefe yönelik müdahaleler uygulamada rehberlik eder ve genel sistem güvenilirliği ve verimliliğini artırmaya yardımcı olur.
Dönen Makine Veri Analizi Araçları
DIKW Piramidi Uygulaması
Veri Toplama
DIKW (Data-Information-Knowledge-Wisdom) Piramidi’nin tabanında veri toplama yer alır. Makine veri analitik araçları, çeşitli sensörlerden ve kaynaklardan ham veriyi etkili bir şekilde toplamak için sağlam mekanizmalara sahiptir, böylece sonraki analiz için kapsamlı bir veri seti oluşturulur.
Trend Tanımlama İçin Yapay Zeka Algoritmaları
Piramidin yükselmesiyle birlikte, makine veri analitik araçları, toplanan veri içindeki trendleri tanımlamak için gelişmiş yapay zeka (AI) algoritmalarını kullanır. Bu algoritmalar, geniş veri setleri üzerinde eleme yaparak, manuel analizden kaçabilecek desenleri, anormallikleri ve olası ilişkileri tanır.
Kapsamlı Analiz ve İlişkilendirme
Bilgi katmanına doğru ilerlerken, bu araçlar tanımlanan trendlerin kapsamlı analizini ve ilişkilendirmesini gerçekleştirir. Yüzey düzeyindeki gözlemlerin ötesine geçer, farklı değişkenler arasındaki bağlantılara dalar. Bu derinlemesine analiz, makine verileri içindeki temel süreçleri ve ilişkileri anlama konusunda bilgiyi artırır.
Yeni Bilgi ve İçgörülerin Oluşturulması
Bilgi zirvesinde, makine veri analitik araçları yeni bilgi ve içgörüler oluşturur. Veri analizinin sonuçlarını sentezleyerek, bu araçlar, makinenin performansı, potansiyel riskler ve optimizasyon fırsatları konusunda bütünsel bir anlayış sunar. Bu bilgi, bilinçli kararlar almanın temelini oluşturur.
Raporlama ve Aksiyon
Kullanıcılara İçgörülerin İletilmesi
Makine veri analitik araçları, kapsamlı raporlama mekanizmaları aracılığıyla kullanıcılara içgörülerin iletilmesini kolaylaştırır. Türetilen bilgiyi ileten açık ve özlü raporlar, genellikle grafikler ve tablolar aracılığıyla görselleştirilir. Bu, güvenilirlik mühendisleri ve karar vericiler dahil paydaşların bulguları kolayca yorumlamasını ve üzerine harekete geçmesini sağlar.
Sistem Durumunu İyileştirmek İçin Aksiyon Alınması
Nihai amaç, içgörülerden aksiyon alınmasıdır. Makine veri analitik araçları, kullanıcıları sistem durumunu iyileştirmek için proaktif önlemler almaya yetkilendirir. Bakım planlama, işletme parametrelerini ayarlama veya sistem geliştirmeleri uygulama gibi durumlar içeren, bu araçlardan elde edilen etkileşimli bilgi, makine performansını ve güvenilirliğini optimize etmek için etkili müdahalelere rehberlik eder.
References:
- Randall, R. B. (2022). Vibration-based condition monitoring: Industrial, automotive and Aerospace Applications. Wiley.
Sık sorulan sorular
Makine verisi nedir?
Makine verisi, dönen makinelerin işletme döngüleri sırasında oluşturduğu geniş bilgi setidir. Ölçülebilir parametreleri, performans metriklerini ve işletme özelliklerini içerir ve makinenin davranışının kapsamlı bir dijital temsilini sağlar.
Nicel veri ile nitel veri (meta veri) arasındaki fark nedir?
Nicel veri sıcaklık, basınç, hız ve titreşim seviyeleri gibi ölçülebilir parametreleri ve sayısal değerleri kapsar. Nitel veri ya da meta veri ise işletme koşulları, çevresel faktörler ve bakım geçmişi gibi sayısal olmayan bilgilerdir ve nicel ölçümlere bağlam kazandırır.
Durağan ve durağan olmayan sinyal nedir?
Durağan sinyaller zaman içinde sabit istatistiksel özelliklere sahiptir. Durağan olmayan sinyaller ise istatistiksel özelliklerinde değişim gösterir ve genellikle sürekli değişen ile geçici olmak üzere iki ana sınıfa ayrılır; geçici sinyaller yalnızca sınırlı bir süre boyunca var olur.
Güvenilirlik mühendisinin makine verisindeki rolü nedir?
Güvenilirlik mühendisleri ham veri akışlarını toplar, düzenler ve yorumlar; kestirimci bakım platformlarından yararlanarak desenleri, anormallikleri ve olası hata noktalarını belirler. Nihai hedefleri, işlenmiş veriden sistem iyileştirmesine yönelik somut tespitler ve tahminler çıkarmaktır.
DIKW piramidi makine veri analizinde nasıl kullanılır?
Piramidin tabanında çeşitli sensörlerden ham veri toplama yer alır. Ardından yapay zeka algoritmaları trendleri tanımlar, kapsamlı analiz ve ilişkilendirme değişkenler arasındaki bağlantıları ortaya çıkarır ve en üstte makine performansı, riskler ve optimizasyon fırsatlarına dair yeni bilgi ve içgörüler oluşturulur.
