MES Sistemlerinde Yapay Zekâ & Makine Öğrenmesi Uygulamaları: Gerçek Zamanlı Performans Analizi ve Tahmine Dayalı Bakım

MES Sistemlerinde Yapay Zekâ & Makine Öğrenmesi Uygulamaları: Gerçek Zamanlı Performans Analizi ve Tahmine Dayalı Bakım

Anıl YILMAZ

Giriş

Günümüzde üretim yönetimi, sadece makinelerin çalışır durumda olmasıyla sınırlı olmayıp; “ne zaman duracak?”, “nerede verim düşecek?”, “hangi ekipmana ne zaman müdahale edilmeli?” gibi soruların yanıtlarını da bulabilmek üzerine evrilmiştir. Bu bağlamda, MES (Manufacturing Execution System) sistemleri üretim sahasında “ara katman” işlevi görürken; artık bu sistemlerin yanına yapay zekâ (YZ) ve makine öğrenmesi (MÖ) teknolojileri eklenerek üretim süreçleri daha akıllı hâle geliyor. Özellikle gerçek zamanlı performans analizi ve tahmine dayalı bakım (predictive maintenance, PdM) başlıkları, üretim yönetimi ve satınalma-tedarik zinciri profesyonellerinin gündeminde giderek daha fazla yer alıyor.

Bu makalede, Türkiye bağlamında, MES sistemlerine YZ/MÖ uygulamalarının nasıl hayata geçirilebileceği, nelere dikkat edilmesi gerektiği, pratik ipuçları ve örneklerle ele alınacak. Ayrıca, satınalma/tedarik zinciri yöneticilerinin de bu dönüşümdeki rolü ve elde edilebilecek yararlar üzerinde durulacak.

1. Neden? Yapay Zekâ & Makine Öğrenmesi ile MES’nin Anlamı Nedir?

1.1 MES’in klasik işlevleri ve güncel ihtiyaçlar

MES sistemleri, üretim hattı ile üst sevideki planlama (ERP) sistemleri arasında köprü görevi görür: siparişin üretime alınması, iş emirlerinin yönetimi, üretim hattı performansının takibi, kalite kontrol, işçi/makine durumu gibi bilgiler. Örneğin bir Türk MES sağlayıcısı, “gerçek zamanlı üretim takibi”, “makine duruş ölçümü”, “izlenebilirlik” gibi modülleri sunduğunu belirtiyor. Ancak günümüzde şu beklentiler öne çıkıyor: duruş süresi minimizasyonu, verimlilik artışı, kalite sapmalarının erken yakalanması, bakım maliyetlerinin düşürülmesi. Bu beklentiler klasik MES işlevleriyle tek başına tam olarak karşılanamaz.

1.2 YZ & MÖ ne getiriyor?

Makine öğrenmesi ve yapay zekâ teknolojileri sayesinde, üretim sahasından gelen büyük veri (sensör değerleri, üretim miktarı, hata oranı, enerji tüketimi vb.) analiz edilerek şu imkanlar doğabiliyor:

• Belirli bir ekipmanın arıza yapma ihtimali tahmin edilebilir. Örneğin, bir döküm fabrikasında yapılan çalışmada makine öğrenmesi kullanılarak bakım zamanı tahmini yapılmış ~%85 doğrulukla tespit edilebilir.
• Verimlilik göstergelerinde düşüşe sebep olacak erken uyarılar verilebilir.
• Operatörlerin performansı, hattın verimliliği, kalite sapmaları gerçek zamanda izlenip algoritmalarla yorumlanabilir.
• Bu sayede satınalma, bakım, üretim yönetimi gibi iş birimleri daha proaktif kararlar alabilir.

1.3 Türkiye’de neden önemli?

Türkiye’de orta-ölçekli ve büyük ölçekli imalatçıların sayısı oldukça fazla. Ancak bakım maliyetleri yüksek ve plansız duruşlar ciddi üretim kayıplarına yol açabiliyor. Bu durumda, YZ/MÖ destekli MES uygulamaları, satınalma, tedarik zinciri ve üretim yönetimi profesyonelleri için bir rekabet avantajı oluşturabilir. Bu yüzden “neden” kısmı hem teknolojik hem stratejik olarak değerlendirilmeli.

2. Nasıl? Uygulama Süreci ve Pratik İpuçları

2.1 Hazırlık aşaması: Hangi veriler, hangi sistemler?

• Öncelikle MES sisteminizin veri toplama yapısı hazır olmalı: sensörler, PLC’ler, üretim hattı verileri (üretim hızı, duruş süresi, kalite oranı, enerji tüketimi) gibi bilgiler.
• Bu verilerin MES sistemine entegre edilmesi veya MES üzerinden toplanıp analiz ortamına aktarılması gereklidir. Bu adımda ERP–MES entegrasyonu, veri arşivleme, gerçek zamanlı veri akışı gibi konular kritik.
• Makine öğrenmesi modelleri için geçmiş veri gerekir: geçmiş arızalar, duruş süreleri, sensör sapmaları vs.
• Ayrıca “gerçek zamanlı” analiz için bulut veya edge (uç) bilişim altyapısı düşünülmelidir.

2.2 Modelleme ve uygulama adımları

• Modelleme aşamasında hedef (örneğin arıza zamanı, duruş süresi, kalite sapması) belirlenmelidir. Ardından veri hazırlama yapılır (öznitelik mühendisliği, eksik veri temizliği, normalizasyon vs). Bu aşama makine öğrenmesi projesinin başarısı için önemli.
• Denetimli veya denetimsiz öğrenme modelleri seçilebilir. Örneğin “Rastgele Orman (Random Forest)”.
• Modelin canlı şekilde entegre edilmesi: MES üzerinden veri akışı, modelin çalışması, uyarılar üretmesi, karar destek arayüzü üzerinden operatöre/üretim yönetimine bilgi sunulması.
• Süreç sonunda performans ölçümü: model doğruluğu, duruş süresi azaltımı, bakım maliyeti düşüşü, üretim verimliliği artışı gibi KPI’lar izlenmeli.

2.3 Uygulama Sırasında Dikkat Edilmesi Gerekenler

• Veri kalitesi: sensörler çalışıyor mu? Veriler eksiksiz mi? Zaman damgaları doğru mu? Hatalı/verisiz bölümler modelin doğruluğunu düşürür.
• Organizasyonel değişim: operatörler ve bakım personeli yeni sisteme adaptasyon göstermelidir. YZ destekli sistemler “kara kutu” şeklinde algılanmamalı, şeffaf olmalıdır.
• Kültür ve süreç değişimi: Model çıktılarına göre bakım-üretim planlaması değişebilir; bu durumda süreçlerin yeniden düzenlenmesi gerekebilir.
• Güvenlik ve entegrasyon: MES sistemleri üretim katmanına yakın olduğu için YZ/MÖ çözümleri entegrasyon sırasında OT/IT güvenliği göz önünde tutulmalıdır.
• Ölçeklendirme: İlk pilot bölge başarılı olsa bile sistemi tüm tesise yaymak ayrı planlama gerektirir.

3. Gerçek Zamanlı Performans Analizi – MES + YZ Kombinasyonu

3.1 Ne demek?

Gerçek zamanlı performans analizi ile üretim hattındaki makine ve işçi performansı, kalite oranları, duruş süreleri, enerji tüketimi gibi göstergeler anlık olarak izlenir. Bu verilere YZ algoritmaları eklenince, sadece “şu anda duruş var” değil, “bu makine birkaç saat içinde verim düşüşüne girebilir/lüzumsuz bakım gerektirebilir” gibi öngörüler ortaya çıkar.

3.2 Satınalma ve tedarik zinciri yöneticileri için anlamı

• Satınalma için: kritik ekipmanların bakım ihtiyaçlarının tahmin edilmesi, yedek parça siparişlerinin zamanında yapılması anlamına gelir. Böylece tampon stoklar azaltılabilir, maliyet kontrolü artar.
• Tedarik zinciri açısından: üretim hattındaki verim düşüşleri önceden tahmin edilirse, tedarik planlaması da daha gerçekçi yapılabilir, hammaddeden sevkiyata kadar zincir boyunca reaksiyon süresi kısalır.
• Üretim için: üretim planı daha güvenilir hâle gelir; “beklenmedik duruş” riski azalır, üretim süreçleri daha şeffaf izlenebilir.

3.3 Pratik ipucu – “Üretim hattı performansını gerçek zamanda izlemek için 5 adım”

1. Kritik ekipmanları ve hattı seçin: en çok duruş veren veya en yüksek maliyetli makinelerle başlayın.
2. Verileri toplama altyapısını kurun: sensörler, PLC bağlantısı, MES veri akışı, zaman damgası.
3. Basit KPI izleme panosu oluşturun: üretim hızı, kalite oranı, duruş süresi. Bu panoyu gerçek zamanlı olarak MES üzerinden izleyin.
4. Makine öğrenmesi modeli kurun: örneğin son 6-12 aylık verilerle model oluşturun; arızayı veya duruşu tahmin edecek model oluşturun.
5. Uyarı mekanizması kurun: model “yaklaşan risk” uyarısı verdiğinde bakım/üretim yöneticisine SMS/e-posta bildirimi ya da MES ekranı üzerinden uyarı gelsin. Ve yapılan aksiyonların etkinliği izlenmelidir.

4. Tahmine Dayalı Bakım (Predictive Maintenance) – MES + YZ ile Bakım Yönetiminin Evrimi

4.1 Tanımı ve neden gerekli?

Tahmine dayalı bakım, klasik bakım yaklaşımlarının ötesine geçerek “belirli zamanlarda planlı bakım” ya da “arıza sonrası bakım” yerine, ekipmanın gerçek durumu ve gelecekteki durumu üzerinden en uygun zamanda bakım yapılmasını sağlayan yaklaşımıdır. Bu sayede bakım maliyeti düşer, duruş süreleri azalır.

4.2 Uygulama süreci

• Bakım verilerinin dijitalleştirilmesi: Kağıt üzerinde kayıtlı bakım geçmişi varsa dijital ortama taşınmalı.
• Kritik parametrelerin belirlenmesi: Makinelerin çalışma şartlarını denetleyen tüm ölçüm aletlerinin verileri derlenip analiz edilmelidir.
• Modelin seçilmesi ve iterasyonu: Başlangıçta basit modellerle (örneğin logistic regression, random forest) başlamak, sonra uzun vadede daha karmaşık modeller (örneğin LSTM, deep learning) düşünülebilir.
• Bakım ve satınalma entegrasyonu: Bakım yöneticileri ile satınalma yöneticileri birlikte çalışmalı, yedek parça stokları, bakım ekipmanları, bakım takvimi bu analizle entegre olmalı.
• ROI izleme: Bakım maliyetinde düşüş, duruş süresinde azalma, üretim artışı gibi ölçütlerle projenin finansal faydası izlenmeli.

4.3 Yatırım-getiri örnekleri

• YZ destekli bakım uygulamalarında maliyetlerin %30-60 oranında, duruş sürelerinin ise %10-20 azaltılabilmesi mümkündür.

5. Kimlerle? Proje Ekibi ve Paydaşlar

• Üretim yönetimi: MES sistemlerini kullanan, hattı yöneten ekip önemli.
• Bakım departmanı: Arızalar, duruşlar, yedek parça yönetimi bakım biriminin alanı. Onların ihtiyaçları ve verileri çok önemli.
• Satınalma – tedarik zinciri: Yedek parça stokları, bakım malzemeleri, hizmet alımı gibi konular doğrudan bu projeden etkilenir. Bu birimlerin erken dahil edilmesi fayda sağlar.
• IT/OT ekipleri: Verilerin toplanması, sistem entegrasyonları, siber güvenlik bu ekiplerin sorumluluğundadır.
• Yönetim / finans departmanı: Yatırım kararları, bütçeler, ROI izleme bu katmanda gerçekleşir.

Bu paydaşların ortak bir dilde konuşması, proje başarısı için kilit önemdedir.

6. Yerel Pazar ve İmalatçı için Pratik Senaryo

Bir örnek senaryo düşünelim: İstanbul’daki bir imalat firması, kunduracılık sektöründe faaliyet gösteriyor. Bu firma 10 üretim hattı işletiyor ve sık sık beklenmedik duruşlarla karşılaşıyor. Satınalma yöneticisi, “yedek parça stoğu yüksek”, bakım yöneticisi “makine arızaları fazla”, üretim yöneticisi “hattın verimi düşük” şikâyet ediyor.

Bu durumda şu adımlar izlenebilir:

1. İlk olarak en çok duruşa sebep olan 3 makina seçilir.
2. Bu makineler için sensörler (örneğin sıcaklık, titreşim, enerji tüketimi) ve MES üzerinden çıkış verileri toplanır.
3. Geçmiş 6-12 ay verisiyle makine öğrenmesi modeli kurulur; “bu makine X saat çalıştıktan sonra duruşa girme eğiliminde” gibi bir tahmin üretilir.
4. Model canlı hale gelir, uyarı sistemi kurulup bakım/tedarik zinciri birimlerine bildirim gider.
5. Yedek parça siparişi, bakım zamanı, üretim planlaması bu tahmine göre güncellenir.
6. İzleme süreci: Duruş süresi ve maliyeti, yedek parça stok maliyeti ve üretim verimi önce-sonra karşılaştırılır.

Bu senaryoda hem yatırım maliyeti hem de kazanım somut olarak izlenebilir. Satınalma yöneticisi için “gereksiz yedek parça stokunu düşürme”, bakım yöneticisi için “planlı bakım sayesinde arıza riskini azaltma”, üretim yöneticisi için “duruş süresi azaltma” gibi kazanımlar ortaya çıkar.

7. Zorluklar & Riskler

• Veri eksikliği veya kalitesizliği: Sensör verisi yoksa ya da MES sistemi eskiyse başlangıçta sorun olabilir.
• Organizasyonel direnç: Yeni sistemlere adaptasyon, operatörlerin kabulü zaman alabilir.
• Yatırım maliyeti: Sensörler, altyapı, yazılım-lisans, eğitim gibi maliyetler göz önünde olmalıdır.
• Model başarısının garantisi yoktur: %100 doğruluk beklenmemelidir; deneysel aşama, iterasyon gerekir.
• Siber güvenlik ve OT/IT entegrasyonu: Üretim katmanına bağlı makinelerin verisinin dışa açılması risklidir; güvenlik politikaları olmalıdır.
• Ölçeklendirme zorluğu: Pilot başarılı olsa da tüm tesise yayılması zaman-kaynak gerektirebilir.

8. Gelecek Eğilimler & Tedarik Zinciri Bağlantısı

• Dijital ikiz (Digital Twin): Makinenin dijital kopyası oluşturulup gerçek zamanda simülasyon yapılabilir; MES + YZ için güçlü bir destek olur.
• Bulut & edge (uç) bilişim hibrit modelleri: Bazı analizler bulutta, bazıları sahada (edge) yapılabilir; gerçek zamanlılık açısından önem kazanıyor.
• Otonom bakım kararları: YZ algoritmaları bakım kararı verip otomatik iş emri oluşturabilir.
• Tedarik zinciri entegrasyonu: Üretim hattındaki verim düşüşü veya duruş tahmini, tedarik zinciri planlamasına gerçek zamanlı veri aktarabilir; örneğin malzeme sevkiyatı ve iş gücü planlaması bu verilerle optimize edilebilir.
• Yeşil üretim ve sürdürülebilirlik ile entegrasyon: Bakım sistemleri sadece üretim değil, enerji verimliliği, atık yönetimi gibi sürdürülebilirlik göstergeleriyle de ilişkilendirilecek.

9. Sonuç

Özetle, MES sistemlerine yapay zekâ ve makine öğrenmesi eklemek, üretim yönetimi, satınalma ve tedarik zinciri alanlarında ciddi avantajlar sunabilir. Türkiye’de imalat sektörünün dönüşüm ihtiyacı göz önünde alındığında, bu tür projeler hem rekabet avantajı hem maliyet kontrolü açısından önemlidir. Ancak başarının anahtarı sadece teknoloji değil veri altyapısı, organizasyonel hazırlık, süreç değişimi ve paydaş katılımıdır.

Anıl YILMAZ

Kaynakça:

1. Ceyhan, H., Kasapbaşı, M. C. (2022). “Üretim Sistemlerinde Makine Öğrenmesi ile Kestirimci Bakım Uygulaması ve Modellemesi.” Avrupa Bilim ve Teknoloji Dergisi, (33), 167-175.
2. “Machine Monitoring & Predictive Maintenance – Industry 4.0.” Advantech Türkiye web sitesi.
3. “AI-Powered Predictive Maintenance in Production.” Dataguess.
4. “Yapay Zekâ Destekli MES Çözümleri.” Retmes web sitesi.
5. “6 Top Predictive Maintenance Companies in Turkey.” F6S Community.