IoT ile tahmine dayalı bakımın potansiyelini hayata geçirin

Hedeflenen sonucu belirleme

İyileştirmeyi hedeflediğiniz iş süreçlerini ve ulaşmayı istediğiniz sonuçları belirleyin.

Yaptığınız tahminler eyleme dönüştürülebilmelidir. Aksi takdirde, tahminin bir değeri yoktur. Örneğin, bir ısıtma/soğutma ünitesinin ertesi gün arızalanacağının tahmin edilmesi, bu arızayı önlemek için yapabileceğiniz bir şey yoksa faydasızdır.

İlk olarak, hangi sonucu elde etmeyi hedeflediğinize karar verin. Bu sonuç, yanıtlanması gereken tahmine dayalı soruyu belirler ve çabalarınızın başarısını ölçmenize yardımcı olur.

Yaygın olarak sorulan tahmine dayalı sorular şunlardır:

  • Zamanlama: Ekipmanın arızalanmasına ne kadar zaman var?
  • Olasılık: (x) gün veya hafta içinde arıza yaşanması olasılığı nedir?
  • Neden: Belirli bir arızanın olası nedeni nedir?
  • Risk düzeyi derecesi: Arıza riski en yüksek olan ekipman hangisidir?
  • Bakım önerisi: Belirli bir hata koduna ve diğer koşullara bağlı olarak sorunu çözme olasılığı en yüksek olan bakım etkinliği hangisidir?

Veri kaynaklarının listesini çıkarma

Olası tüm ilgili veri kaynakları ve türlerini belirleyin. Elde etmek istediğiniz sonuç, edinilmesi şart olan ve olmayan verilerin hangileri olduğunu etkiler.

Çeşitli kaynaklardan veri kullanın. Önemli bilgiler elde edeceğiniz kaynaklar sizi şaşırtabilir.

İlk olarak, farklı veri kaynaklarından hangi verilerin edinilebileceğini anlayın. Bunlar, yapılandırılmış veya yapılandırılmamış veriler olabilir ve iç sistemlerden ya da kuruluş dışı taraflardan gelebilir.

İlgili veri örnekleri şunlardır:

  • Konum, sıcaklık, ekipman operatörü gibi çalışma koşulları
  • Zaman, hava şartları, neden gibi arıza detayları
  • Onarım geçmişi

Veriler kısmi olsa da, sıra dışı trend ve kalıpları tespit etmek üzere gerçek zamanlı izleme gerçekleştirilen anomali algılama gibi ara çözümlerden yararlanabilirsiniz. Böylece, sorununuza yönelik sağlam bir tahmine dayalı model oluşturmak için gereken verileri toplarken bir yandan da anomalileri tespit edebilirsiniz.

Verileri yakalayıp birleştirme

Tüm verilerinizi tek bir noktaya bağlayın ve analiz için hazırlayın.

Hem beklenen davranış hem de hata günlüğü verilerini alarak sağlam bir tahmine dayalı modelin temellerini hazırlayın.

Artık tahmine dayalı analizin temellerini hazırlayabilirsiniz. Bunun için şunlar gereklidir:

  • Farklı kaynaklardan gelen verileri tutarlı tek bir sisteme bağlama.
    Veriler birçok farklı konumda bulunabileceğinden bunların tutarlı tek bir sisteme bağlanması çok önemli bir adımdır. Verilerin taşınması gereken durumlar olabilir, ancak çoğu zaman tek ihtiyacınız olan şey veri kaynağını bir analiz sistemine bağlamaktır. Büyük bir olasılıkla çok miktarda veriyle çalışacağınız için büyük veriyi işleyebilen bir analiz aracı kullanılması önemlidir.
  • Verileri normalleştirme.
    Verilerin normalleştirilmesi biraz zaman alabilir; ancak, özellikle onarım ekiplerinizin ölçümlerle değil anlatım şeklinde sunduğu bilgilerden de yararlandığınız durumlarda kritik önem taşır. Verilerin normalleştirilmesi, analizlerinizin doğruluğu ve geçerliliğini artırmaya da yardımcı olur.

Modelleyin, test edin ve yineleyin

Makine öğrenimi teknikleriyle tahmine dayalı modeller geliştirerek beklenmedik kalıpları tespit edin. Modelleri yığın sırasına dizerek hangi modelin ünite arızalarının zamanını tahmin etmede en iyisi olduğunu belirleyin.

Bir tahmine yanıt verebilmeleri için bakım ekibinin ne kadar önceden bilgilendirilmesi gerektiğini öğrenerek modelinizi eyleme dönüştürülebilir hale getirin.

İşe veri analiziyle anlamlı kalıpları tespit ederek başlayın. Bunun için verilerin bir alt kümesi kullanılarak bir dizi model geliştirilir. Verileri analiz edip modellerken, test etmekte olduğunuz bir varsayımınızın olması faydalı olacaktır. Böyle bir varsayım, ne gibi işaretlere önem vermeniz gerektiği konusunda size yol gösterir ve analiz sonuçlarını değerlendirirken karşılaştırma yapabileceğiniz temel ölçütler sağlar.

Ardından, kalan verileri kullanıp tahmine dayalı sorunuzu en iyi hangi modelin yanıtladığını belirleyerek modelleri yığın sırasına göre dizin. Bir modelin faydalı olabilmesi için eyleme dönüştürülebilir olması gerektiğini unutmayın. Bu nedenle, analiz çalışmalarında kesinlikle iş bağlamının içinde kalın. Örneğin, onarım ekibinizin bakım isteklerini yerine getirmek için 48 saat önceden bilgilendirilmesi gerekiyorsa eyleme dönüştürülebilir bir model, arızaları gerçekleşmeden en az 48 saat önce tahmin edebilen bir modeldir.

Tahmine dayalı modelleme, gelecekte ekipman sorunları yaşanacağına işaret eden koşulları tespit etmenize yardımcı olur. Bu bilgilerden yararlanarak, süreç ve sistemleri söz konusu koşullar gerçekleştiğinde önleyici eylemleri tetikleyecek şekilde ayarlayabilirsiniz. Başka bir deyişle, modelin sunduğu içgörüleri operasyonel değişikliklere dönüştürebilirsiniz. Yüksek iş değeri bu sayede elde edilir.

Modeli canlı bir operasyonel ortamda doğrulama

Modelinizi canlı veri akışlarına uygulayarak gerçek dünya koşullarında nasıl çalıştığını gözlemleyin. Makine öğrenimi sayesinde modelinizi iyileştirerek tam uygulamaya hazırlayın.

Gerçek dünyadaki pilot proje sırasında toplanan verilere dayalı olarak yaklaşımınızı geliştirmekten çekinmeyin.

Bağlı ekipmanları izleme

IoT özellikli bir tahmine dayalı bakım pilot projesi yürütmek için ekipmanlarınızın bağlı olması ve en son operasyonel verileri uygun sistemlere göndermesi gerekir. Modeliniz, bu canlı veri akışını analiz ederek sorun işaretlerini tespit eder ve bir uyarı ya da önleyici eylem tetikler. Örneğin, yeni bir parçanın siparişi verilir veya bir teknisyenin ziyareti planlanır.

Pilot proje planlama

İlk olarak pilot projenin kapsamını belirleyin. Buna kullanılacak ekipman, sistem ve konumlar, test edilecek senaryolar, bir uyarı veya eylemin (örneğin, parça değişimi için yeni bir parçanın otomatik sipariş edilmesi) tetikleneceği koşullar, başarı ölçüleri ve zamanlama dahildir.

Modelinizi uygulama ve sonuçlarınızı geliştirme

Pilot proje boyunca sürekli yeni veriler toplarsınız. Bu veriler, kabul edilebilir aralıklarda ayarlamalar yapmanıza yardımcı olur ve yeni arıza sinyallerini öne çıkarabilir. En son operasyonel verilerden ve analizden edindiğiniz bilgilere dayalı olarak yaklaşımınızda değişiklikler yapmaktan çekinmeyin.

Operasyonlarla tümleştirme

Yeni içgörüleri eyleme dönüştürecek şekilde bakım süreçleri, sistemler ve kaynakları ayarlayarak modeli operasyonel hale getirin. Makine öğrenimi ve ileri düzey analizden elde edilen içgörülerle sürekli iyileştirmeler sağlayın.

Süreç prosedürlerinizi güçlendirerek öğrendiklerinizden fayda sağlayın.

Pilot projenin hedeflerine ulaşıp modeli geliştirdiğinizde çözümü daha geniş kapsamlı olarak uygulamak için hazır hale gelirsiniz.

Bu sırada büyük olasılıkla çeşitli operasyonel değişiklikleri uygulamaya geçirmeniz gerekecektir. Örneğin, revize edilmiş ve/veya dinamik bir bakım çizelgesine geçiş yapabilir ya da bazı veriler belirli bir aralığın dışına çıktığına anında onarım yapılmasına öncelik verecek ilke değişiklikleri yapabilirsiniz. Operasyonel değişikliklerin etkileri büyük olabileceği için aşamalı bir yaklaşım kullanılması önerilir. Böylece, avantajlar düzenli bir artışla hayata geçirilebilir.

Tahmine dayalı bir bakım yaklaşımını kullanıma sokarken elde edilebilecek çok sayıda operasyonel iyileştirme vardır. Örneğin, şunları yapabilirsiniz:

  • Arıza sayısını azaltıp fazladan yapılan servis ziyaretlerini ortadan kaldırmak için onarım çizelgeleri ve rotalarını ayarlayarak onarım ekibinizin neyi ne zaman yaptığını iyileştirebilirsiniz.
  • Elinizde fazlalık envanter tutmanıza gerek bırakmayacak şekilde yedek parça satın alma yaklaşımınızı değiştirebilirsiniz. Yedek parça siparişleri tam zamanında tetiklenebilir.
  • Hizmet şeklinde tahmine dayalı bakım sunarak yıllık bir gelir kaynağı elde edebilir ve müşterilerinizle sürekli olarak ilişkide kalabilirsiniz.

Tüm bunlar, tahmine dayalı bakımın verimliliği artırmanızı, maliyetleri düşürmenizi ve işlerinizi geliştirmenizi sağlamasının sadece birkaç örneğidir.

Tahmine dayalı bakım çözümünüzü oluşturun

Kullanmaya başlayın