Endüstriyel Yapay Zeka ve Öngörücü Bakım Eğitimi

Eğitim Hakkında

Bu eğitim, üretim ve bakım organizasyonlarında öngörücü bakım projeleri geliştirecek mühendislik ve veri ekipleri için tasarlanmış dört günlük ileri düzey programdır. Katılımcılar endüstriyel veri toplama, titreşim sinyali işleme, arıza sınıflandırma, kalan faydalı ömür tahmini, uç cihazda model çalıştırma ve bakım yönetim sistemi entegrasyonunu Python laboratuvarları ve proje üzerinde uygular.

Neden Bu Eğitim?

Bakım Bilgisiyle Uyum. Modelleri güvenilirlik mühendisliği, arıza modları ve P-F eğrisi gibi bakım disiplininin temelleriyle birlikte kurun.

Sinyalden Özelliğe. Titreşim, akım ve sıcaklık sinyallerinden FFT ve zarf analiziyle arızayı ayırt eden güçlü özellikler çıkarın.

Sahaya Hazır Çözüm. Uç cihazda çalışan, bakım yönetim sistemine iş emri açan ve OT güvenliğini gözeten bir mimari tasarlayın.

“Her makine arızadan önce bir sinyal verir; öngörücü bakım, o sinyali zamanında duyup doğru aksiyona dönüştürme disiplinidir.”

Ön Koşullar

Python ve Veri Analizi — pandas, NumPy ve Matplotlib ile veri işleme ve görselleştirme deneyimine sahip olmak.
Makine Öğrenmesi — scikit-learn ile sınıflandırma ve regresyon modeli kurup değerlendirebilmek.
Bakım veya OT Bilgisi — Bakım stratejileri, döner ekipmanlar veya PLC ve SCADA sistemlerine genel aşinalık.
Çalışma Ortamı — Python 3, Jupyter ve paket kurulum yetkisi olan bilgisayar veya bulut not defteri erişimi.

Eğitim İçeriği

Programın gün gün akışı aşağıdadır. Bir güne tıklayarak o günün modüllerini ve içeriklerini görebilirsiniz.

Günün hedefiBakım stratejilerini ve güvenilirlik kavramlarını veri bakışıyla ele almak, endüstriyel veri kaynaklarını ve iletişim protokollerini tanımak ve veriyi analize hazırlamak.

Modül 1

Bakım Stratejileri ve Güvenilirlik

Reaktif, önleyici, durum bazlı ve öngörücü bakım
P-F eğrisi ve arızanın erken tespit penceresi
Güvenilirlik merkezli bakım (RCM) ve FMECA temelleri
MTBF, MTTR ve toplam ekipman etkinliği (OEE)
Kritik ekipman seçimi ve öngörücü bakım iş gerekçesi
Vaka: Pompa istasyonunda planlanmamış duruş analizi

Modül 2

Durum İzleme Teknikleri ve Standartlar

Titreşim, sıcaklık, akım, akustik ve yağ analizi
Döner ekipman arıza modları: dengesizlik, kaçıklık, yatak
ISO 17359 durum izleme genel ilkeleri
ISO 13374 durum izleme veri işleme mimarisi
Sensör seçimi, montaj noktası ve örnekleme frekansı
Uygulama: Kritik ekipman için sensör planı taslağı

Modül 3

Endüstriyel Veri Altyapısı ve Protokoller

OT veri katmanları: PLC, SCADA, historian ve MES
ISA-95 modeli ve BT-OT entegrasyonu
OPC UA ve MQTT ile veri toplama mimarisi
Uç (edge) ağ geçitleri ve veri ön işleme
Zaman damgası senkronizasyonu ve veri hacmi yönetimi
Demo: MQTT ile sensör verisinin toplanması

Modül 4

Endüstriyel Verinin Analize Hazırlanması

Bakım iş emirleri ile sensör verisinin eşleştirilmesi
Çalışma rejimleri: yük, hız ve duruş durumlarının ayrılması
Eksik veri, sensör sapması ve gürültü temizliği
Arıza etiketleme zorlukları ve etiket kalitesi
Laboratuvar: Çok sensörlü veri setinin keşifsel analizi
Günün değerlendirmesi ve sinyal işleme gününe köprü

Günün hedefiZaman ve frekans alanında sinyal işleme teknikleriyle arıza belirtilerini ortaya çıkarmak, otomatik özellik çıkarımı yapmak ve anomali tabanlı sağlık göstergeleri oluşturmak.

Modül 1

Zaman Alanı Sinyal Analizi

Örnekleme teoremi, örtüşme (aliasing) ve filtreleme
RMS, tepe değeri, tepe faktörü ve basıklık (kurtosis)
Pencereleme ve kayan pencere özellikleri
SciPy ile sinyal filtreleme ve yeniden örnekleme
Çalışma koşuluna göre özellik normalizasyonu
Laboratuvar: Yatak titreşiminde zaman alanı özellikleri

Modül 2

Frekans Alanı ve Zarf Analizi

Hızlı Fourier dönüşümü (FFT) ve güç spektrumu
Yatak arıza frekansları: BPFO, BPFI, BSF ve FTF
Zarf (envelope) analizi ile erken yatak hasarı tespiti
Spektrogram ve kısa zamanlı Fourier dönüşümü
Dalgacık (wavelet) dönüşümüne giriş
Laboratuvar: CWRU veri setinde yatak arıza frekansları

Modül 3

Otomatik Özellik Çıkarımı ve Seçimi

tsfresh ile otomatik zaman serisi özellik çıkarımı
Özellik seçimi: korelasyon, önem skorları ve kararlılık
Çok sensörlü özellik birleştirme stratejileri
Veri sızıntısı: ekipman ve zaman bazlı ayrım
Özellik hattının yeniden kullanılabilir kodlanması
Laboratuvar: Pompa verisinde özellik seti oluşturma

Modül 4

Anomali Tespiti ve Sağlık Göstergeleri

Normal çalışma profilinin öğrenilmesi
Isolation Forest ve otokodlayıcı ile anomali skoru
Sağlık indeksi (health indicator) tasarımı ve eğilim
Alarm eşikleri: uyarı ve kritik seviye belirleme
Laboratuvar: NASA IMS yatak verisinde bozulma eğrisi
Günün değerlendirmesi ve tahmin modelleri gününe köprü

Günün hedefiArıza tiplerini sınıflandırmak, kalan faydalı ömrü regresyon, sağkalım analizi ve derin öğrenmeyle tahmin etmek ve modelleri bakım maliyetiyle değerlendirmek.

Modül 1

Arıza Teşhisi ve Sınıflandırma Modelleri

Çok sınıflı arıza teşhisi problem kurgusu
Random Forest ve LightGBM ile arıza sınıflandırma
Dengesiz arıza verisi ve sınıf ağırlıklandırma
Karmaşıklık matrisi ile arıza tipi karışıklıkları
Farklı ekipmanlara genelleme ve alan kayması
Laboratuvar: Yatak arıza tipini sınıflandıran model

Modül 2

Kalan Faydalı Ömür (RUL) Tahmini

RUL problem kurguları: regresyon, sınıflandırma, benzerlik
NASA C-MAPSS turbofan veri setinin yapısı
Parçalı doğrusal RUL etiketi ve çalışma rejimi ayrımı
Gradyan artırma ile RUL regresyon modeli
Değerlendirme: RMSE ve erken-geç tahmin asimetrisi
Laboratuvar: C-MAPSS ile motor ömrü tahmini

Modül 3

Sağkalım Analizi ve Güvenilirlik Modelleri

Sansürlü veri ve bakım kayıtlarında sağkalım yaklaşımı
Weibull dağılımı ile arıza zamanı modelleme
Kaplan-Meier eğrisi ve Cox orantılı tehlike modeli
lifelines kütüphanesi ile Python uygulaması
Güven aralığıyla bakım planlama kararları
Laboratuvar: Ekipman filosu için arıza olasılık eğrisi

Modül 4

Derin Öğrenme ve Açıklanabilirlik

PyTorch ile 1B evrişimli ağ (1D-CNN) sinyal modeli
LSTM ile sıralı sensör verisinden RUL tahmini
Laboratuvar: 1D-CNN ile özellik tabanlı modelin kıyası
SHAP ile bakım ekiplerine yorumlanabilir açıklamalar
Maliyet odaklı karar: yanlış alarm ve kaçırılan arıza
Günün değerlendirmesi ve sahaya alma gününe köprü

Günün hedefiModelleri uç cihazda ve bulutta çalıştırmak, bakım yönetim sistemine entegre etmek, izleme ve OT güvenliğini sağlamak ve uçtan uca öngörücü bakım projesini sunmak.

Modül 1

Uç Bilişim ve Endüstriyel Mimari

Uç, sis ve bulut katmanlarında iş yükü dağılımı
ONNX formatı ve ONNX Runtime ile model taşınabilirliği
NVIDIA Jetson ve endüstriyel bilgisayarlarda çıkarım
AWS IoT SiteWise ve Azure IoT platformlarına bakış
Dijital ikiz (digital twin) kavramı ve kullanım senaryoları
Demo: Uç cihazda gerçek zamanlı titreşim skorlama

Modül 2

Bakım Süreçlerine Entegrasyon

Model çıktısından bakım kararına: öneri ve iş emri
SAP PM ve IBM Maximo gibi CMMS/EAM entegrasyonu
Yedek parça ve bakım planlaması ile bağlantı
Teknisyen için RAG tabanlı bakım el kitabı asistanı
Saha geri bildiriminin etiket olarak toplanması
Vaka: Kompresör filosunda iş emri otomasyonu

Modül 3

MLOps, İzleme ve OT Güvenliği

Laboratuvar: MLflow ile model sürümleme ve kayma izleme
Sensör değişimi ve proses değişikliğinde model kayması
Performans izleme ve periyodik yeniden eğitim
IEC 62443 ile endüstriyel siber güvenlik ilkeleri
OT ağında segmentasyon ve güvenli veri aktarımı
Başarı ölçümü: duruş süresi, bakım maliyeti, OEE

Modül 4

Öngörücü Bakım Projesi ve Kapanış

Grup projesi: veri, özellik, model, eşik ve mimari
Proje sunumları ve teknik inceleme geri bildirimi
Pilot ekipmandan tesis geneline ölçekleme yol haritası
Eğitim değerlendirmesi ve interaktif Soru-Cevap
Sertifika takdimi ve laboratuvar not defterlerinin teslimi
İleri öğrenme kaynakları ve kapanış oturumu

Eğitim Kazanımları

Bakım Stratejisi — Kritik ekipmanlar için arıza modlarını ve P-F eğrisini dikkate alan veriye dayalı bir bakım stratejisi kurgulayabileceksiniz.
Endüstriyel Veri — OPC UA, MQTT ve historian kaynaklarından gelen sensör verisini bakım kayıtlarıyla eşleştirip hazırlayabileceksiniz.
Sinyal İşleme — FFT, zarf analizi ve zaman alanı özellikleriyle titreşim sinyallerinden arıza belirtilerini çıkarabileceksiniz.
Sağlık Göstergesi — Normal çalışma profilini öğrenen anomali modelleriyle ekipman sağlık indeksi ve alarm eşikleri oluşturabileceksiniz.
Arıza Teşhisi — LightGBM ve derin öğrenme modelleriyle arıza tiplerini sınıflandırıp sonuçları bakım ekiplerine açıklayabileceksiniz.
Ömür Tahmini — C-MAPSS gibi veri setlerinde regresyon, sağkalım analizi ve LSTM ile kalan faydalı ömrü tahmin edebileceksiniz.
Uç ve Entegrasyon — Modelleri ONNX ile uç cihazlarda çalıştırıp CMMS sistemine iş emri üreten bir mimari tasarlayabileceksiniz.
Sürdürülebilirlik — Model kaymasını izleyen, IEC 62443 ilkelerini gözeten ve tesis geneline ölçeklenen bir bakım çözümü planlayacaksınız.

Kimler İçin Uygundur?

Bakım ve güvenilirlik mühendisleri
endüstriyel veri bilimciler
otomasyon ve OT mühendisleri
üretim sistemleri analistleri ile Endüstri 4.0 proje ekipleri.

Sıkça Sorulan Sorular

Endüstriyel Yapay Zeka ve Öngörücü Bakım Eğitimi kimler için uygundur?

Program; bakım ve güvenilirlik mühendisleri, endüstriyel veri bilimciler, otomasyon ve OT mühendisleri, üretim sistemleri analistleri ile Endüstri 4.0 proje ekipleri için tasarlanmıştır.

Eğitim ne kadar sürer ve nasıl yapılandırılmıştır?

Eğitim 4 tam gün ve 16 modülden oluşur. Sırasıyla bakım stratejileri ve veri altyapısı, sinyal işleme, arıza sınıflandırma ve ömür tahmini ile sahaya alma ve entegrasyon günleri işlenir; son gün grup projesi sunulur.

Katılım için hangi teknik bilgiler gerekli?

Python, pandas ve scikit-learn ile veri analizi ve model kurma deneyimi beklenir. Bakım stratejileri, döner ekipmanlar veya PLC ve SCADA sistemlerine genel aşinalık laboratuvarlardan alınan verimi artırır.

Eğitimde hangi veri setleri ve araçlar kullanılıyor?

CWRU yatak, NASA IMS ve NASA C-MAPSS gibi açık veri setleri kullanılır. Araçlar arasında SciPy, tsfresh, scikit-learn, LightGBM, lifelines, PyTorch, SHAP, MLflow, ONNX Runtime ve MQTT bulunur.

Kendi tesisimizin verisiyle çalışılabilir mi, sertifika veriliyor mu?

Kapalı kurum gruplarında, gizlilik kuralları gözetilerek kurumun anonimleştirilmiş sensör ve bakım verisiyle proje yürütülebilir. Programı tamamlayan katılımcılar Digital Vizyon Akademi sertifikası alır.

Sertifikalandırma

Bu eğitim Katılım Sertifikası ile tamamlanır.

Eğitim başında “Ön Test”, bitiminde “Son Test” uygulanarak gelişim ölçümlenir. Değerlendirme formunu dolduran katılımcılar sertifikalarını alır. Sertifikanızın geçerliliğini Sertifika Sorgulama sayfasından doğrulayabilirsiniz.

Örnek Sertifika

ENDÜSTRİYEL YAPAY ZEKA VE ÖNGÖRÜCÜ BAKIM EĞİTİMİ

Eğitim Hakkında

Neden Bu Eğitim?

Ön Koşullar

Eğitim İçeriği

Bakım Stratejileri ve Güvenilirlik

Durum İzleme Teknikleri ve Standartlar

Endüstriyel Veri Altyapısı ve Protokoller

Endüstriyel Verinin Analize Hazırlanması

Zaman Alanı Sinyal Analizi

Frekans Alanı ve Zarf Analizi

Otomatik Özellik Çıkarımı ve Seçimi

Anomali Tespiti ve Sağlık Göstergeleri

Arıza Teşhisi ve Sınıflandırma Modelleri

Kalan Faydalı Ömür (RUL) Tahmini

Sağkalım Analizi ve Güvenilirlik Modelleri

Derin Öğrenme ve Açıklanabilirlik

Uç Bilişim ve Endüstriyel Mimari

Bakım Süreçlerine Entegrasyon

MLOps, İzleme ve OT Güvenliği

Öngörücü Bakım Projesi ve Kapanış

Eğitim Kazanımları

Kimler İçin Uygundur?

Sıkça Sorulan Sorular

Sertifikalandırma

Eğitim Bilgileri

Benzer Programlar

Yapay Zeka Güvenliğine Giriş Eğitimi

Yapay Zeka Kurumsal Strateji Yönetimi Eğitimi

Yapay Zeka Küresel Yönetişim Çerçeveleri Eğitimi