Makine Öğrenimi ile Anomali Tespiti: Endüstriyel Tanılama

Makine Öğrenimi ile Anomali Tespiti: Tanılama, Mimari ve Çözüm Yaklaşımı

Giriş

Endüstriyel otomasyon tesislerinde makine öğrenimi tabanlı anomali tespiti, üretim sürekliliğini korurken operasyonel riski azaltmak için giderek kritik hale geliyor. Sensörlerden PLC loglarına, SCADA verisine kadar yayılan heterojen verilerde doğru anormalliği yakalamak; maliyetli duruşların, kaliteli üretim kayıplarının ve ekipman arızalarının önlenmesinde belirleyicidir.

Operasyon açısından bakıldığında, anomali tespiti yanlış pozitiflerin azaltılması, gerçek vakaların erken tespiti ve müdahale süresinin kısaltılmasıyla doğrudan ilişkilidir. Bir tesis örneğinde, yanlış alarmlar nedeniyle müdahale süresi ortalama %25 artarken, doğru tespitlerle arıza süresi %40'a kadar azaltılabiliyor.

Bu yazıda teknik kapsamı: sinyal doğruluğu, gecikme ve throughput sınırlandırmaları, model doğrulama metrikleri ve sahada uygulanabilir ölçüm yöntemleri üzerinden ele alacağız. Örnekler ve öneriler, geliştirici ve saha mühendisi perspektifine göre şekillendirildi.

Unutmayın: Bir çözümün değerini ancak sahada, gerçek operasyon koşullarında kanıtlanan ve ölçülen metriklerle belirleyebilirsiniz.

Kavramın Net Çerçevesi

Anomali tespiti, sistemin normal davranış modelinden önemli sapmaları otomatik olarak saptama problemidir. Ölçülebilir sınırlar, örneğin zaman serisi sinyallerinde 3σ (sigma) eşiklerini veya model bazlı eşiklerde %95 güven aralıklarını kullanarak tanımlanır. Sistem bileşenleri sensör, iletişim hattı, veri toplama ve model servis katılımcılarıdır ve bunlar arasındaki gecikme, kayıp ve veri bütünlüğü doğrudan tespit başarısını etkiler.

Örneğin, bir vibrasyon sensörü hattında 1 kHz örnekleme ile 5 ms'lik bir örnek gecikmesi ve paket kaybı %0.1 olarak ölçülmüşse, modelin gerçek zamanlı tepki süresi tasarlanırken 10–20 ms işlem penceresi ve %95 tespit doğruluğu hedefine göre boyutlandırılmalıdır. Bu tür nicel sınırlar, hem tasarım hem de kabul testlerinde referans görevi görür.

Anomali tespiti, normal davranış sınırını niceliksel olarak tanımlayarak sapmayı anlamlandırır. Doğru eşik ve veri sağlama akışı olmadan modelin güvenirliği hızla düşer.

Sistem performansı, izleme gecikmesi (ms), tespit oranı (%) ve yanlış pozitif oranı (%) gibi metriklerle ölçülmelidir; bu metrikler operasyonel kabul kriterlerini doğrudan belirler.

Kritik Teknik Davranışlar ve Risk Noktaları

1) Sporadik Sensör Sapmaları ve Tekil Outlier'lar

Sahada sensör kaynaklı kısa süreli sapmalar (spikes) sık görülür ve bunlar modelin öğrenme sürecini bozabilir. Sapmalar genellikle 1–50 ms aralığında kısa süreli amplitüd değişimleri olarak gözlemlenir; örneğin vibrasyon piklerinin 20–50 g arasında ani artış göstermesi. Tespit başarısı için tipik hedef: yakalama süresi <100 ms ve yanlış pozitif <5%.

Ölçülebilir parametreler: örnekleme frekansı (Hz), tepki gecikmesi (ms), spike amplitude (g), false positive rate (%).

Analiz yöntemi: waveform histogram + outlier isolation ve packet capture ile senkron doğrulama.

Saha davranışı örneği: İzmir'de bir paketleme hattında 0.5% paket kaybı ve sensör jitter'ı 3–5 ms aralığında ölçülmüş, outlier kaynaklı duruşların çoğu tekil sensör spike'ından geliyordu.

• Örnekleme frekansını 1 kHz veya üstüne çıkarın (Hz olarak ölçün).
• Sliding window median filtre uygulayarak 50 ms içinde tekrar eden spike'ları maskelen.
• Sistemi, her sensör için ayrı SNR eşiklerine göre kalibre et (örnek: SNR > 20 dB).
• Packet capture ile 2 ms çözünürlükte senkronizasyon kontrolü yap.
• Algoritmayı offline olarak 24 saatlik veri ile A/B testine sok; detection rate ve FPR ölç.

2) Zamanlama Sapmaları ve İletim Gecikmeleri

Zaman damgalarının kayması, verinin korelasyonunu bozar; bu durum çapraz sensör ilişkilendirmesini (% cross-correlation) düşürür. Örneğin PLC ters senkronizasyonunda zaman sapması 50–200 ms aralığında ölçüldüğünde, olay korelasyonu %30–50 azalabilir. Hedef: zaman sapmasını <10 ms tutmak ve olay korelasyon kaybını <10% seviyesine çekmek.

Ölçülebilir parametre: timestamp jitter (ms), olay korelasyonu (%), paket gecikmesi (ms).

Analiz yöntemi: log korelasyonu ve packet capture ile uçtan uca gecikme profili çıkarma.

Saha davranışı örneği: Ankara'da bir su arıtma tesisinde SCADA-PLC senkronizasyonu problemi nedeniyle pompaların aynı anda devreye girme oranı %15 düştü; time-sync düzeltmesi sonrası üretkenlik %8 arttı.

• NTP/PTP senkronizasyonu uygulayıp jitter'i 1–5 ms aralığına indirin.
• Tüm cihazlarda timestamp doğruluğunu periyodik 24 saatlik ölçümle denetle.
• Veri hattı üzerinde paket gecikmesini (p95, p99) raporlayın; hedef p99 <200 ms.
• Olay korelasyonu için 2silik zaman penceresi yerine dinamik pencere (100–500 ms) kullanın.
• Gerçek zamanlı uyarılar için gecikme eşiklerini (ör. >250 ms) otomatik alarm üretimine bağlayın.

3) Model Aşırı Duyarlılığı (False Positives) ve Alarm Yorgunluğu

Aşırı duyarlı modeller, operasyonel maliyeti yükselten alarm trafiği üretir. Tipik hedefler: detection rate ≥ 90%, false positive rate ≤ 5%. Gerçek saha koşulunda tasarımda imbalanced veri ve sınıf ağırlıklandırması göz önünde bulundurulmalıdır.

Ölçülebilir parametre: Precision (%), Recall (%), FPR (%), alarm oranı (alarms/hour).

Analiz yöntemi: confusion matrix analizi ve log korelasyonu ile olay-zaman eşleştirme.

Saha davranışı örneği: Marmara bölgesindeki bir montaj hattında, ilk model dağıtımında alarm sayısı 120/gün iken, model iyileştirmesi sonrasında alarm sayısı 18/gün'e düştü (%85 azalma) ve gerçek arıza yakalama oranı %92'ye çıktı.

• Model eşiklerini ROC eğrisi ve F1 optimizasyonuna göre ayarla.
• Alarmları sınıflandırıp üç seviye (bilgilendirme, inceleme, acil) oluştur.
• Yanlış pozitifleri azaltmak için ensemble veya stacked modeller kullan.
• Gerçek zamanlı e-posta/SMS limitleri ile alarm fırtınası koruması koy.
• Modelin günlük FPR ve alarm sayısını izleyip % değişimi raporla (pörtföy bazında p7 değişim hedefi).

4) Veri Sürüklenmesi (Data Drift) ve Model Bozulması

Zamanla üretim koşulları değişir; bu veri dağılımında kaymaya neden olur ve model performansı düşer. Ölçülebilir göstergeler: model accuracy düşüşü (%), KL divergence veya population stability index (PSI) değerleri. Örneğin PSI > 0.25 genellikle önemli drift işaretidir.

Ölçülebilir parametre: accuracy değişimi (%), PSI, inference latency (ms).

Analiz yöntemi: histogram karşılaştırması, KL divergence ve rolling-window validation.

Saha davranışı örneği: Bir konveyör hattında hammadde değişikliği sonrası model doğruluğu 6 hafta içinde %88'den %70'e düştü; adaptif yeniden eğitim sonrası doğruluk tekrar %90 üzerine çıktı (%20 iyileşme).

• Her gece 24 saatlik veri ile PSI hesaplayın; PSI > 0.1 için uyarı üretin.
• Rolling retraining penceresi (7–14 gün) belirleyin ve otomatik baseline testi yapın.
• Shadow mode çalıştırma ile yeni modeli canlı trafik üzerinde A/B test et.
• Veri etiketleme sürecini hızlandırmak için yarı otomatik etiketleme akışları kullanın.
• Model sürümlerini ve performans metriklerini (accuracy, precision, recall) günlük olarak saklayın ve % değişim izleyin.

5) Entegre Sistem Gecikmeleri ve İşlem Kaybı

Model servislerinin konteynerizasyonu ve ağ katmanı gecikmeleri, gerçek zamanlı tespiti engelleyebilir. Hedef: inference latency p95 < 50 ms ve sistem throughput ≥ 200 TPS (transactions per second) olduğu durumlarda kesintisiz hizmet.

Ölçülebilir parametre: p50/p95/p99 latency (ms), TPS, memory usage (MB).

Analiz yöntemi: load test + histogram latency analizi ve heap/disk profiling.

Saha davranışı örneği: Bir hattın peak saatlerinde işlem yükü TPS 350'ye çıktığında p99 latency 420 ms'ye yükseliyor, sonuç olarak tespit doğruluğu %10 düşüyordu; yatay ölçekleme ve batching ile p99 45 ms'ye indi.

• Model servislerini CPU ve GPU bazlı profille; p95 hedefini belirle.
• Latency histogramlarını 1 dakika aralıklarla topla ve threshold uyarıları kur.
• Autoscaling politikalarıyla TPS artışını yönet; hedef p99 <100 ms.
• Batch inference ile throughput'u arttır, batch latency etkisini ölç.
• Memory leak testleri ve long-run stress testleri yap (72 saat kesintisiz).

Teknik Durum Tablosu

Sorunu Sahada Sistematik Daraltma

Bir anomali vakasını daraltırken fiziksel ekipman kontrolünden başlayarak uygulama ve model seviyesine doğru ilerlemek, yanlış yönlendirmeleri ortadan kaldırır. Aşağıdaki dört adımlık yaklaşım, saha mühendisleri ve geliştiriciler için uygulanabilir bir yol haritası sunar.

1. Donanım kontrolü: Sensör bağlantıları, güç, topraklama ve kablo bütünlüğü; kısa test: continuity ve SNR ölçümü.
2. İletişim katmanı: Packet capture ile paket kaybı ve gecikme analizi; p95/p99 latency raporu alın.
3. Veri toplama & ön işleme: Zaman damgası doğruluğu, missing value oranı (%), örnekleme frekansı (Hz) kontrolü.
4. Model & uygulama: Confusion matrix, precision/recall ölçümleri ve rolling validation; gerekirse shadow deploy ile A/B testi.

Gerçekçi Saha Senaryosu

Bir üretim hattında, haftalık olarak tekrar eden duruşlar gözlemleniyor; başlangıçta operatörler bunu mekanik hataya bağlıyor ve bileşenleri değiştiriyorlardı. İlk yanlış varsayım, montaj toleranslarının bozulduğu yönündeydi. Yapılan analiz, sensör hatalarında periyodik jitter ve zaman damgası kaymalarını ortaya çıkardı; root neden ise fabrika içi Wi‑Fi yayınları nedeniyle network jitter'ın p95 seviyesinin 280 ms'ye çıkmasıydı.

Kök neden düzeltildikten sonra: NTP/PTP senkronizasyonu uygulandı, sensör kablolaması düzenlendi ve model eşikleri yeniden kalibre edildi. Sonuç: beklenmeyen duruşlarda %72 azalma ve müdahale süresinde %45 kısalma ölçüldü. Kalıcı çözüm hem iletişim güvenilirliğini hem de model kararlılığını sağladı.

Uzun Vadeli Dayanıklılık ve Ölçüm Disiplini

Uzun vadede dayanıklılık; ölçülebilir, otomatikleştirilmiş geri bildirim döngüleri, düzenli retraining ve saha geri bildirim entegrasyonuyla sağlanır. Ölçüm disiplini olmadan model güveni sağlanamaz.

• Günlük metrik panosu: accuracy, precision, recall, FPR, PSI.
• Otomatik retraining tetikleyicileri: PSI > 0.1 veya accuracy düşüşü > %5.
• Saha geri bildirimi akışı: mühendis notları ve etiketli vaka verisi.
• Yüzde tabanlı hedefler: alarm sayısını %50 azaltma hedefi 6 ay için.
• Periyodik kırmızı-teknik denetimler: 3 aylık altyapı ve model incelemeleri.

Ölçülebilirlik, sürdürülebilir güvenilirliğin tek dayanağıdır: metrik yoksa iyileşme yoktur.

Sonuç

Anomali tespiti, tek bir model veya tek bir kontrol noktasıyla çözülemez; çok parçalı, ölçülebilir ve izlenebilir bir yaklaşım gerekir. Ölçüm ve izleme kültürü; alarm yönetimi, zaman senkronizasyonu, veri kalitesi ve model yaşam döngüsü boyunca entegre edilmelidir.

Bella Binary yaklaşımı, saha odaklı veri kalitesi kontrolleri, operasyonel eşik optimizasyonu ve lightweight üretim servisleriyle ayrışır; bu sayede model dağıtımları sahada daha hızlı kabul görür ve %30'a varan operasyonel iyileşme sağlanabilir. Bizimle çalışmak, saha içgörünüzü teknolojiyle eşleştirerek sürdürülebilir sonuçlar üretir.

İş birliği için teknik gereksinimlerinizi paylaşın; birlikte reproduktif, ölçülebilir çözümler tasarlayalım.