Makine Verisini Anlamak

Makine verisi, dönen makinelerin işletme döngüleri sırasında oluşturduğu geniş bilgi setini kapsar. Bu veri, çeşitli ölçülebilir parametreleri, performans metriklerini ve işletme özelliklerini içerir, makinenin davranışının kapsamlı dijital bir temsilini sağlar.

İnternet of Things (IoT) ve Big Data yönetiminin erkin olduğu ortamlarda, makine verisi önem taşır. Bilgiye dayalı karar verme, kestirimci bakımı kolaylaştırma, işletme verimliliğini optimize etme ve genel sistem geliştirmelere katkıda bulunma konularında yaşamsal bir rol oynar.

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.

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, makine sağlığının kapsamlı bir görünümünü sağlayan genel değerlere göre kategorize edilir.

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.

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 ağı frekansı olabilir ve iki dişli dişlisi arasındaki 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.

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.

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.

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.

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.