Kestirimci Bakımda Foundation Modeller: Zaman Serisi ve Saha Fiziği

Bir yapay zeka modelinin sensör verisindeki eğriyi matematiksel olarak tahmin edebilmesi, makinenin içindeki arıza fiziğini anladığı anlamına gelmez.

Teknoloji dünyasında büyük dil modellerinin metin tarafında yarattığı sıçrama, benzer mimarilerin zaman serisi verilerine uyarlanması fikrini hızla tetikledi. Google TimesFM gibi önceden eğitilmiş temel modeller, karmaşık veri setlerine ihtiyaç duymadan zaman serisi eğrilerini geleceğe doğru uzatabilme yeteneğiyle dikkat çekiyor. Bu yaklaşım, kestirimci bakım projelerinde aylarca süren model geliştirme döngülerini kısaltma vaadi sunduğu için endüstriyel tarafta da karşılık buluyor. Ancak bir e-ticaret sitesinin ziyaretçi trafiğini tahmin etmekle, dakikada binlerce devirle dönen kritik bir rulmanın hasar mekanizmasını öngörmek aynı mühendislik düzleminde yer almaz. Bu analiz; rulman frekanslarından rezonans davranışına, çok değişkenli proses bağlamından emniyet kritik toleranslara kadar saha fiziğinin sınırlarını ve temel modellerin kestirimci bakımdaki gerçek yerini inceler.

İstatistiksel Eğri Uydurma ile Arıza Fiziği Arasındaki Uçurum

Büyük dil modelleri dildeki kelime dizilimlerini, sözcük ilişkilerini ve semantik örüntüleri başarıyla çözümler. Benzer bir transformer mimarisi zaman serisi verisine uygulandığında, model geçmiş veri noktalarını birer sayısal token dizisi gibi algılar ve sonraki adımlarda eğrinin nereye doğru yöneleceğini istatistiksel olasılıklarla tahmin eder. Bir hisse senedi fiyatı, elektrik tüketim profili veya hava sıcaklığı gibi makro trendlerde bu yöntem son derece etkili sonuçlar verebilir.

Endüstriyel sahada ise arıza, zaman serisi üzerinde kendiliğinden beliren soyut bir sapma değildir. Sahadaki arıza doğrudan mekanik, elektriksel veya termodinamik bir sürecin fiziksel sonucudur:

Bir rulmanın iç bileziğindeki mikron seviyesindeki bir çatlak, şaftın her dönüşünde yuvarlanma elemanının çatlağa çarpmasıyla çok net bir darbe frekansı üretir.
Dengesizlik, mil eksenindeki kaçıklık veya rezonans hali, doğrudan dönme hızının tam katlarında harmonik titreşim tepkileri doğurur.
Pompada kavitasyon başladığında sıvı buharlaşır, baloncuklar patlar ve yüksek frekanslı rastgele bir akustik gürültü ortaya çıkar.

Bütün bu olaylar birer istatistiksel trend değil, doğrudan arıza mekaniğinin fizik kanunlarıdır. Genel amaçlı bir zaman serisi modeli ham titreşim genliğindeki artışı bir anomalik değişim olarak tespit edebilir; ancak bu artışın bir rezonans geçişi mi, dış yük artışı mı yoksa iç bilezik yıpranması mı olduğunu ayırt edecek fiziksel bağlama sahip değildir.

Sahadaki Kritik Bariyerler: Neden Genel Amaçlı Model Yetmez?

Bir temel modelin endüstriyel kestirimci bakım sürecini tek başına sırtlayamayacağını gösteren üç somut saha gerçekliği bulunur:

Çok Değişkenli Proses Bağlamı: Laboratuvarda test edilen zaman serisi algoritmaları çoğunlukla tek bir sensörün zaman eksenindeki seyrine odaklanır. Oysa gerçek bir proseste hiçbir sensör tek başına gerçeği söylemez. Bir elektrik motorunun titreşim genliği yükseldiğinde; motor akımı, şebeke frekansı, ortam sıcaklığı ve hattın anlık yük miktarı incelenmeden doğru teşhis koyulamaz. Titreşimdeki ani yükseliş mekanik bir rulman arızasından kaynaklanabileceği gibi, prosesteki ürün yoğunluğunun değişmesinden veya anlık bir hızlanma rampasından da doğabilir. Proses bağlamından yalıtılmış bir model, operasyonel hız değişimini arıza sanarak yanlış alarm üretir veya tersine, yük düşüklüğü nedeniyle bastırılan kritik bir titreşimi gözden kaçırır.
Nadir Olaylar ve Aşırı Veri Dengesizliği: Büyük modeller internet üzerindeki devasa metin ve kod havuzlarıyla eğitilir; çünkü bu veriler bol ve erişilebilirdir. Endüstriyel sahada ise durum tam tersidir. Tesislerdeki makineler zamanın büyük çoğunluğunda nominal çalışma koşullarındadır. Yıkıcı bir şaft kırılması, türbin kanadı çatlaması veya kompresör kilitlenmesi gibi arıza modlarına dair etiketli veri son derece kısıtlıdır. Gerçek arıza verisi görmeden yalnızca genel eğriler üzerinden eğitilmiş bir model omurgası, nadir görülen ve hızla gelişen mekanik arıza modlarını güvenilir bir kök neden tespitiyle önceden kestirmekte tek başına yetersiz kalır.
Emniyet Kritik Eşikler ve Yanlış Alarm Maliyeti: Tüketiciye yönelik bir tavsiye sisteminde yüzde seksen beşlik doğruluk oranı başarılı sayılabilir. Bir arayüzün yanlış bir öneri sunması yalnızca küçük bir kullanıcı memnuniyetsizliği yaratır. Endüstriyel sahada ise hata toleransı son derece katıdır:
- Yanlış Pozitif: Modelin sağlam bir ekipman için arıza alarmı üretmesi; çalışan bir üretim hattının durdurulmasına, bakım ekiplerinin gereksiz yere sahaya sevk edilmesine ve yüksek üretim kaybına yol açar. Birkaç asılsız alarmdan sonra bakım ekipleri sisteme olan güvenini tamamen kaybeder ve uyarıları kapatır.
- Yanlış Negatif: Modelin gerçek bir mekanik bozulmayı kaçırması; ekipmanın sahada plansız dağılmasına, yüksek donanım hasarına ve en önemlisi iş güvenliği risklerine neden olur.

Foundation Modellerin Sahadaki Gerçek Değeri: Operasyonel Hız

Bütün bu kısıtlar, temel zaman serisi modellerinin endüstriyel dünyada tamamen işlevsiz olduğu anlamına gelmez. Tam aksine, doğru konumlandırıldığında bu modeller kestirimci bakım projelerinin en büyük darboğazını ortadan kaldırır: Geliştirme süresi ve ilk aşama maliyeti.

Klasik bir kestirimci bakım projesinde özel bir model inşa etmek aylar süren bir çaba gerektirir:

Tarihsel verilerin toplanması, aykırı değerlerin temizlenmesi ve zaman damgalarının senkronizasyonu
Sinyal işleme yöntemleriyle öznitelik çıkarımı (zaman ve frekans bölgesi istatistikleri)
Algoritma seçimi (ARIMA, LSTM, Random Forest gibi mimariler)
Model eğitimi, parametre optimizasyonu ve haftalar süren saha doğrulama testleri

Bu yüksek efor, bünyesinde geniş veri bilimi ve sinyal işleme uzmanları barındırmayan küçük ve orta ölçekli üretim tesisleri için aşılmaz bir teknik bariyer yaratır.

Önceden eğitilmiş bir zaman serisi modeli tam bu noktada bir kaldıraç işlevi görür. Sıfırdan eğitim yapmadan genel eğilimleri ve bariz sapmaları anında tespit edebilir. Bir kavram ispatı çalışmasını aylar yerine birkaç güne indirir. Veri hattının sağlıklı çalışıp çalışmadığını, sensör sinyalinde anlamlı bir değişim olup olmadığını hızlıca gösteren güçlü bir ön filtreleme motoru sunar.

İki Yaklaşımın Karşılaştırmalı Mimarisi

Kestirimci bakım stratejilerinde saf istatistiksel temel modeller ile fizik tabanlı saha analitiği arasındaki mühendislik farkları şu şekilde özetlenebilir:

Parametre	İstatistiksel Temel Modeller	Fizik Tabanlı Saha Analitiği
Temel Yaklaşım	Sayısal eğri tahmini ve örüntü tanıma	Titreşim spektrumu, frekans analizi ve termodinamik
Veri İhtiyacı	Ham zaman serisi verisi (etiketsiz genel eğilim)	Ekipman teknik özellikleri, devir sayısı, rulman geometrisi
Kurulum Süresi	Saatler veya günler (önceden eğitilmiş hazır mimari)	Haftalar veya aylar (özel sensör montajı ve yapılandırma)
Arıza Teşhis Yeteneği	Eğilim sapmasını işaret eder, kök nedeni açıklayamaz	Hasarlı bileşeni (iç bilezik, dış bilezik, dişli) doğrudan söyler
Çok Değişkenli Bağlam	Yük ve proses değişimlerinde yanıltıcı alarm riski	Devir ve proses yükünü referans alarak eşik ayarlar
Mühendislik Rolü	Hızlı ön izleme ve anomali tarama motoru	Emniyet kritik karar verme ve kesin bakım planlama

Mühendislik Çözümü: Hibrit ve Katmanlı Mimari

Kestirimci bakımda yapay zekayı bir mucize veya her sorunu çözen otonom bir akıl olarak sunmak ne kadar yanıltıcıysa; sahadan tamamen dışlamak da o kadar tutucu bir yaklaşımdır. Doğru mühendislik yaklaşımı, temel modelleri karar verici bir bakım yöneticisi olarak değil, hızlı bir hesaplama motoru olarak konumlandırmaktır.

Başarılı bir endüstriyel kestirimci bakım mimarisi hibrit bir iş bölümü kurar:

Uç Katman ve Sinyal İşleme: Yüksek frekanslı ivmeölçer verileri doğrudan makine başındaki donanımda işlenir; FFT ile spektrum çıkarılır ve rulman geometrisine özgü karakteristik frekanslar filtrelenir.
Hızlı Trend Motoru: Hazır zaman serisi modeli, yüzlerce varlıktan gelen eğrileri tarar, mevsimsellik ve operasyonel gürültü dışındaki belirgin kaymaları anında tespit ederek dikkat çekilmesi gereken varlıkları listeler.
Fiziksel Doğrulama ve Karar Motoru: Belirlenen sapma, SCADA’dan gelen motor devri, hat yükü ve mekanik eşiklerle çapraz sorgulanır. Sapmanın gerçek bir fiziksel hasar mı yoksa işletme koşullarındaki normal bir dalgalanma mı olduğu kural tabanlı sistemler ve bakım mühendisinin onayıyla doğrulanır.

Bu yapı kurulduğunda, temel modeller veri bilimi ekiplerinin yükünü hafifletir; ancak tesisi plansız duruşlardan ve yüksek maliyetli felaketlerden koruyan son savunma hattı daima sahanın fizik kuralları ve mühendislik tecrübesi olur.

Sonuç

Yapay zeka modellerinin mimari zarafeti, sahanın sert mekanik ve termal gerçekliğini tek başına ortadan kaldırmaz. Kestirimci bakımda değer üreten şey, en büyük transformer modelini çalıştırmak değil; sahadaki arıza mekanizmasını doğru anlayıp ona uygun en yalın analitik hattı kurmaktır.

Google TimesFM gibi zaman serisi modelleri, endüstriyel dünyada modelleme bariyerlerini düşürmek ve hızlı kavram ispatı üretmek için son derece kıymetli birer hızlandırıcıdır. Ancak karar anı geldiğinde, dönen bir şaftın yarattığı titreşimi bir dil tokeni gibi değil; çeliğin yorulması, yağın viskozite kaybı ve rulmanın mikronluk aşınması olarak okumak gerekir.

Saha fiziğine saygı duymayan hiçbir algoritma, fabrikanın kapısından içeri uzun süre kabul görmez.

📚 Kaynaklar

Das, A., Kong, W., Leach, A., Mathur, S., Sen, R. ve Yu, R. (2023). A decoder-only foundation model for time-series forecasting. Google Research, arXiv:2310.10688.
Randall, R. B. (2011). Vibration-based Condition Monitoring: Industrial, Aerospace and Automotive Applications. John Wiley & Sons.
Mobley, R. K. (2002). An Introduction to Predictive Maintenance. Butterworth-Heinemann.

📋 İlgili Bağlantılar

🔗 Mühendislik Egosu ve Saha Gerçekliği: Mükemmel Mimari Neden Müşteri Darboğazına Çarpar?
🔗 Deterministik Davranış: Gerçek Zaman, Gerçek Sonuç