ENDÜSTRİYEL OTOMASYONDA DİJİTAL DÖNÜŞÜM, NESNELERİN İNTERNETİ VE YAPAY ZEKA UYGULAMALARI
Alindair Soğutma Sistemleri
Bilgi Teknolojileri Müdürü
Endüstriyel tesislerde dijital dönüşüm, klasik otomasyon yöntemlerini derinden etkilemekte ve işletmeleri daha akıllı, birbirine entegre yapılar oluşturmaya yönlendirmektedir [1][2]. Nesnelerin İnterneti (IoT) tabanlı sensörlerden elde edilen anlık verilerin yapay zekâ teknikleriyle analiz edilmesi; öngörücü bakım, kalite izleme ve operasyonel verimlilik gibi üretim süreçlerinde çığır açıcı gelişmelere imkân tanımaktadır [3][4].
Yapılan piyasa araştırmalarına göre, yapay zekâ destekli endüstriyel otomasyon sektörünün 2024 yılı itibarıyla yaklaşık 20,2 milyar dolara ulaştığı, 2034’e gelindiğinde ise %18,8’lik yıllık bileşik büyüme oranıyla 111,8 milyar doları aşmasının beklendiği belirtilmektedir [5]. Bu gelişimin özellikle HVAC (Isıtma, Havalandırma, İklimlendirme) uygulamaları, pompa sistemleri ve enerji yönetimi gibi alanlarda yoğunlaştığı öngörülmektedir [6].
Nesnelerin İnterneti Tabanlı Veri Toplama ve Gerçek Zamanlı İzleme Sensör Ağları ve Veri Akış Yönetimi
Günümüz endüstriyel tesislerinde kullanılan IoT sensörleri, kesintisiz biçimde veri üreterek süreçlerin dijitalleşmesine katkı sağlamaktadır [7][8].
HVAC Sistemlerinde Kritik Parametreler
Sıcaklık ve Nem Sensörleri: Milisaniye gecikme ile 1-10 Hz örnekleme
Basınç Sensörleri: Sistem performansı için sürekli izlenebilirlik
Titreşim Sensörleri: Pompa ve fan sistemlerinde 10-50 kHz örnekleme
Enerji Analizörleri: Elektriksel parametrelerin gerçek zamanlı takibi
Veri İletim Protokolleri: IoT verilerinin iletiminde yaygın olarak Mesaj Kuyruklama Telemetri Taşıma Protokolü (Minimum Message Queuing Telemetry Transport MQTT) ve WebSocket protokolleri kullanılmaktadır. Bu verilerin yönetimi ve ön işlenmesi için Node-Red gibi görsel akış tabanlı araçlar tercih edilmektedir [9][10]. Node-Red, sensörlerden gelen verileri edge computing seviyesinde işleyerek filtreleme, dönüştürme ve yönlendirme işlemlerini kolayca gerçekleştirmektedir [11][12]. Bu yaklaşım sayesinde, MQTT protokolü ile iletilen veriler ağ üzerinde yaklaşık %70 oranında daha az yük oluşturarak optimize edilir ve olası anomaliler 10 milisaniye veya daha kısa bir sürede tespit edilebilir [7]. WebSocket ise düşük gecikmeli ve çift yönlü iletişim imkânı sağlayarak, özellikle yüksek frekanslı sensör verilerinin anlık olarak izlenmesinde kritik bir avantaj sunmaktadır [13].
Yapay Zeka Destekli Veri Analizi: Anomali Tespiti ve Öngörücü Bakım
Endüstriyel tesislerde büyük hacimli ve çok boyutlu verilerin işlenmesi, geleneksel istatistiksel yöntemlerin ötesine geçen yapay zekâ algoritmalarını gerekli kılmaktadır [8][14]. Özellikle HVAC, pompa ve enerji yönetimi sistemlerinde kullanılan gelişmiş algoritmalar, anomalilerin erken tespiti ve öngörücü bakım stratejilerinin geliştirilmesi açısından kritik rol oynamaktadır [4][15].
İzolasyon Ormanı (Isolation Forest) Algoritması: Yüksek boyutlu veri setlerinde gözetimsiz öğrenme yaklaşımıyla çalışan bu yöntem, sistem içerisindeki olağandışı örüntüleri ayırt etmede oldukça etkilidir [3]. HVAC altyapılarında sıcaklık, basınç ve titreşim ölçümlerine uygulandığında %92–96 aralığında doğruluk oranına ulaşılmaktadır. Özellikle titreşim verilerinde sapmaların hızlı belirlenmesi, pompa sistemlerinde olası mekanik arızaların erken sinyallerini ortaya koymaktadır [16].
Gradyan Artırma (Gradient Boosting) Yöntemi: Ensemble (topluluk) öğrenme yöntemleri arasında öne çıkan bu yaklaşım, karmaşık enerji altyapılarında %91,3 doğruluk oranı ile güçlü bir performans sergilemektedir [7]. Özellikle döner ekipmanlardan elde edilen titreşim verilerinin modelde %34,2 katkı oranı ile öne çıkması, vibrasyon analizinin öngörücü bakımda merkezi bir rol üstlendiğini göstermektedir [4]. Bu bulgu motor, fan ve pompa gibi yüksek dinamik yüke maruz kalan ekipmanların sürekli izlenmesinin önemini vurgulamaktadır [15].
Çok Modlu Sensör Entegrasyonu ve Katkı Analizi
Tek bir sensör türüne dayalı veriler çoğu zaman sistemin genel performansını yansıtmakta yetersiz kalabilmektedir [3]. Bu nedenle, çok modlu sensör ağlarının entegrasyonu öngörücü bakım ve anomali tespitinde daha güvenilir sonuçlar ortaya koymaktadır[16].
Vibrasyon Sensörleri: Döner makineler için en kritik veri kaynağı olup pompa ve fan sistemlerinde %85 doğruluk oranıyla öne çıkmaktadır [7]. Yüksek frekanslı titreşim ölçümleri, rulman arızaları, balans sorunları ve erken aşınma belirtilerini ortaya koymaktadır [4].
Termal Görüntüleme: Kızılötesi kameralar aracılığıyla elde edilen veriler, özellikle ısı kayıplarının ve aşırı sıcaklık birikimlerinin tespitinde kullanılmaktadır [14]. Bu yöntem, sistem genelinde %78 doğruluk sağlamaktadır.
Elektriksel Ölçümler: Gerilim, akım ve güç faktörü gibi elektriksel parametrelerin sürekli analizi, enerji verimliliği değerlendirmesinde %72 doğruluk oranı ile katkı sunmaktadır [6]. Ayrıca, güç dalgalanmaları erken fazda tespit edilerek beklenmeyen duruşların önüne geçilebilmektedir [2].
Basınç İzleme: Hidrolik ve pnömatik hatların güvenilirliğini ölçmekte kullanılan basınç sensörleri, sızdırmazlık kontrolünde %69 doğruluk oranı ile sistemin bütünlüğüne yönelik önemli göstergeler sunmaktadır [3].
Yapay Görme Sistemleri ve Kalite Kontrol: Görsel Muayene Otomasyonu
Endüstriyel üretim süreçlerinde kalite kontrol, insan gözlemine dayalı yöntemlerden yapay zekâ destekli otomatik denetim sistemlerine doğru hızla evrilmektedir [17][18]. Yapay görme teknolojileri, üretim hatlarında hem doğruluk hem de hız açısından önemli iyileştirmeler sağlamaktadır [14][19].
Çatlak ve Aşınma Tespiti: Evrişimli Sinir Ağları (CNN) tabanlı derin öğrenme modelleri, yüzey kusurlarının belirlenmesinde %92-96 aralığında başarı oranına ulaşmaktadır [8]. Bu yöntemler, manuel kontrollerle karşılaştırıldığında hata oranını yaklaşık %65 azaltmakta ve denetim süresini %70’e varan oranda kısaltmaktadır [20]. Böylece bakım ve kalite güvence süreçleri daha güvenilir ve verimli hale gelmektedir.
Korozyon Analizi: Spektral görüntüleme teknikleri, özellikle metal yüzeylerdeki oksidasyon ve korozyon belirtilerini yüksek doğrulukla ortaya koymaktadır [7]. Yapılan uygulamalarda %88-94 aralığında doğru sınıflandırma elde edilmekte, su arıtma tesisleri gibi kritik altyapılarda uzman değerlendirmeleri ile %89 seviyesinde uyum sağlanmaktadır. Bu sayede, sistemin güvenilirliği ve ömrü önemli ölçüde artırılabilmektedir [4].
Montaj ve Kurulum Doğrulaması: Robotik sistemlerle bütünleştirilmiş yapay görme çözümleri, montaj hatalarının saptanmasında %91-97 arasında başarı göstermektedir [18]. Özellikle borulama, ekipman yerleşimi ve tesisat kurulumlarında bu yaklaşım, kalite güvencesini standartlaştırarak hem üretim sürekliliğine hem de iş güvenliğine katkı sunmaktadır [20].
Üretim Yönetim Sistemi Gerçek Zamanlı Üretim Takibi
Alindair Soğutma Sistemleri San. ve Tic. A.Ş. bünyesinde geliştirilen Üretim Yürütme Sistemi (ÜYS) (Manufacturing Execution System MES) yazılımı, enjeksiyon makinelerinden Programlanabilir Lojik Kontrolör (Programmable Logic Controller PLC) aracılığıyla milisaniyeler düzeyinde gecikme ile anlık veri akışı sağlayarak üretim süreçlerinin gerçek zamanlı izlenmesini mümkün kılmaktadır [21][22]. Geliştirilen sistemde; makine çevrim süreleri, kalıp baskı süreleri, sıcaklık-basınç parametreleri ve enerji tüketim verilerini sürekli olarak sunucu ortamına aktararak kapsamlı bir üretim yönetim paneli oluşturmaktadır [20]. Bu veri akışı sayesinde makine duruşlarının bakım ya da personel kaynaklı olduğunun otomatik tespiti yapılabilmekte, kalıpların ömür takipleri ve korozyon durumları sistematik olarak kayıt altına alınabilmektedir [16].
Mes projesine entegre edilen yapay zekâ modelleri, toplanan ham verileri tahminleme, sınıflandırma ve anomali tespiti algoritmaları ile işleyerek üretim süreçlerinde veri odaklı karar alma mekanizmalarını güçlendirmektedir [8][17][23]. Regresyon analizleri kullanılarak geçmiş veri kayıtlarından öngörücü bakım planlaması yapılırken, gerçek zamanlı anomali tespiti ile makine performansındaki değişimler daha erken sürede tespit edilmektedir [4][15]. Sistem ayrıca üretim kapasitesi optimizasyonu, kalite değerlendirmesi ve hata kategorilendirilmesi gibi kritik süreçlerde yapay zekâ destekli çözümler sunarak operasyonel verimliliği artırmaktadır [19][24].
Bu entegre yaklaşım sayesinde tüm bakım süreçlerinin dijital ortamda takibi kolaylaşmış, öngörücü bakım planlaması mümkün hale gelmiş ve bir sonraki bakım faaliyetlerinin önceden planlanması sağlanmıştır[16]. Otomasyon desteği ile tüm üretim hattının merkezi izlenmesi, esnek raporlama modülleri ile özelleştirilebilir analizler ve mevcut ERP sistemleri ile uyumlu entegrasyon kabiliyeti, sistemin operasyonel değerini artıran temel özellikler arasında yer almaktadır[21][25][26][27].
SONUÇ
Endüstriyel otomasyonda IoT ve yapay zekâ entegrasyonu, fabrikalarda operasyonel süreçlerin köklü bir şekilde dönüşmesine olanak sağlamaktadır [1][6]. Gerçek zamanlı veri toplama ve analizi sayesinde, üretim hattı verimliliği %30–50 oranında artırılabilirken, bakım ve arıza maliyetleri %25–35 oranında azaltılmaktadır [3][23][28]. Bu gelişmeler, fabrikaların yalnızca daha etkin çalışmasını sağlamakla kalmayıp, aynı zamanda rekabet avantajı elde etmeleri için kritik öneme sahiptir [2].
Günümüzde Endüstri 4.0 vizyonunu yakalayabilen işletmeler, dijitalleşme yoluyla üretim süreçlerini daha şeffaf, esnek ve adaptif hâle getirmektedir [20][24][29]. Dijital ikiz teknolojileri ve üretken yapay zekâ uygulamaları, sistemlerin gerçek zamanlı simülasyonunu ve öngörücü karar mekanizmalarını mümkün kılarak fabrikaların tamamen otonom ve öğrenen bir yapıya kavuşmasını desteklemektedir [6][28]. Böylece üretim süreçleri hem sürdürülebilirlik hem de enerji ve kaynak verimliliği açısından optimize edilebilmektedir [14][25][28]. Ayrıca operasyonlar da daha izlenebilir ve yönetilebilir hâle gelmektedir [26][27].
Sonuç olarak, dijital dönüşüme geçmeyen fabrikalar Endüstri 4.0’ın getirdiği hız, esneklik ve verimlilik avantajlarını kaybetme riskiyle karşı karşıya kalmakta; bu nedenle, IoT ve yapay zekâ tabanlı çözümlere yatırım yapmak, modern üretim süreçlerinde rekabetin ve sürdürülebilirliğin temel şartı hâline gelmektedir [1][2].
KAYNAKLAR
[1] Rockwell Automation. (2025, February 25). 8 key industrial automation trends in 2025. Rockwell Automation.
https://www.rockwellautomation.com/en-us/company/news/the-journal/8-key-industrial-automation-trends-in-2025.html
[2] Industrial Automation India. (2025, January 4). Top industrial automation trends for 2025: AI, IoT, and smart manufacturing innovations. Industrial Automation India.
https://www.industrialautomationindia.in/articles/industrial-automation-trends-2025-ai-ml-smart-manufacturing
[3] Automation.com. (2025, July). Predictive maintenance with IoT and AI. Automation.com.
https://www.automation.com/en-us/articles/july-2025/predictive-maintenance-iot-ai-equipment
[4] L2L. (2025, January 20). 6 applications of AI in maintenance management. L2L.
https://www.l2l.com/blog/ai-in-maintenance
[5] Insight Ace Analytic. (n.d.). AI in industrial automation market demanding trends analysis 2025-2034. Insight Ace Analytic.
https://www.insightaceanalytic.com/report/ai-in-industrial-automation-market/2739
[6] IIoT World. (2025, May 19). The rise of industrial AI: Automation trends to watch in 2025. IIoT World. https://www.iiot-world.com/artificial-intelligence-ml/artificial-intelligence/industrial-ai-trends-2025/
[7] Automation.com. (2025, August). Solving industrial machine health challenges at the edge. Automation.com.
https://www.automation.com/en-us/articles/august-2025/solving-industrial-machine-health-challenges-edge
[8] Medium. (2025, April 11). AI in industrial automation: How AI is transforming industries. Medium.
https://medium.com/@eastgate/ai-in-industrial-automation-how-ai-is-transforming-industries-d908c6429884
[9] Activepieces. (n.d.). Top 10 open source workflow automation tools in 2025. Activepieces.
https://www.activepieces.com/blog/top-10-open-source-workflow-automation-tools-in-2024
[10] NocoBase. (n.d.). 5 best tools for building workflow automation. NocoBase.
https://www.nocobase.com/en/blog/workflow-automation-tools
[11] Windmill. (n.d.). Open-source developer platform and workflow engine. Windmill.
https://www.windmill.dev/
[12] n8n. (n.d.). AI workflow automation platform & tools. n8n. https://n8n.io/
[13] Wexflow. (n.d.). Open source workflow engine. Wexflow. https://wexflow.github.io/
[14] Fingent. (2024, October 28). AI applications in manufacturing: Use cases & examples. Fingent. https://www.fingent.com/blog/ai-applications-in-manufacturing-use-cases-examples/
[15] TRACTIAN. (n.d.). Artificial intelligence (AI) in the maintenance industry. TRACTIAN.
https://tractian.com/en/blog/ai-maintenance-industry
[16] MaintainX. (2025, May 28). Guide to effective maintenance workflow automation. MaintainX.
https://www.getmaintainx.com/blog/guide-to-effective-maintenance-workflow-automation
[17] Cigniti Technologies. (2024, September 30). 5 use cases of intelligent automation transforming the manufacturing industry. Cigniti.
https://www.cigniti.com/blog/5-intelligent-automation-use-cases-manufacturing/
[18] Southwest MT Series. (n.d.). Four use cases for intelligent automation in manufacturing. Southwest MT Series.
https://southwest.mtseries.com/news/4-use-cases-intelligent-automation-in-manufacturing/
[19] Cloud4C. (n.d.). Intelligent automation in manufacturing: 10 use cases. Cloud4C.
https://www.cloud4c.com/blogs/intelligent-automation-powered-manufacturing-top-10-use-cases
[20] Capella Solutions. (n.d.). Manufacturing workflow automation: The future of smart factories. Capella Solutions.
https://www.capellasolutions.com/blog/manufacturing-workflow-automation-the-future-of-smart-factories
[21] Redwood. (2024, November 20). What is workflow automation? Benefits and examples. Redwood.
[22] Atlassian. (n.d.). 11 workflow examples & use cases [2024]. Atlassian.
https://www.atlassian.com/agile/project-management/workflow-examples
[23] Accelirate. (2024, August 14). Top 10 use cases & benefits of RPA in manufacturing. Accelirate.
https://www.accelirate.com/rpa-in-manufacturing-industry/
[24] Pyramid Solutions. (2021, July 6). 101 use cases for workflow automation. Pyramid Solutions. https://pyramidsolutions.com/enterprise-content-management/101-use-cases-for-workflow-automation/
[25] Airbyte. (2025, March 21). 10 best open-source workflow automation software in 2025. Airbyte. https://airbyte.com/top-etl-tools-for-sources/open-source-workflow-automation-software
[26] Pneumatic. (n.d.). Open-source workflow management. Pneumatic.
https://www.pneumatic.app/
[27] PIPEFORCE. (2024, March 7). Workflow automation: 4 open source alternatives. PIPEFORCE.
https://pipeforce.io/en/workflow-automation-4-open-source-alternatives/
[28] Siemens. (n.d.). Siemens introduces AI agents for industrial automation. Siemens.
https://press.siemens.com/global/en/pressrelease/siemens-introduces-ai-agents-industrial-automation
[29] Medium. (2024, November 27). Top 10 open-source workflows projects with the most GitHub stars. Medium.
https://medium.com/@nocobase/%EF%B8%8F-top-10-open-source-workflows-projects-with-the-most-github-stars-nocobase-28e216e09cc8
ÖZGEÇMİŞ
2014 yılında Mehmet Akif Ersoy Üniversitesi, Bilgisayar ve Öğretim Teknolojileri Eğitimi Bölümü’nden mezun olan İbrahim KARATAŞ, Microsoft Türkiye’de gerçekleştirilen staj sürecinde kurumsal yazılım ve bulut tabanlı sistemler üzerine önemli deneyimler edinmiştir.
2016 yılında Mehmet Akif Ersoy Üniversitesi Metalurji ve Malzeme Mühendisliği yüksek lisans programı kapsamında “Tekstil Kumaşlarında Yapay Görme Sistemleri ile Hata Tespit Uygulaması” başlıklı tez çalışmasını tamamladıktan sonra iş hayatında yazılım ve ERP alanlarında uzmanlaşma sağlanmış ve kariyer bu doğrultuda sürdürmüştür.
Halen Alindair Soğutma Sistemleri San. ve Tic. A.Ş.’de Bilgi Teknolojileri Müdürü olarak görev yapan İbrahim KARATAŞ, eğitimden mühendisliğe ve yazılım geliştirmeye uzanan kariyer yolculuğunda disiplinler arası birikimlerle ilerlemektedir.
