Endüstriyel IoT

Dijital Dönüşüm Dr. Lütfi Apilioğulları

DR.LUTFI APILIOĞULLARI WWW.LEANOFIS.COM 2019 | ARALIK OF 1 8

Giriş Üretim endüstrisinde Endüstriyel IoT (IIoT) projelerinde gözle görülür bir artış göze çarpıyor. Ancak, işletmelerin birçoğu izledikleri yanlış stratejiler ve uygulamalar sonucunda dijital dönüşüm anlamında istenilen sonuçları elde edememekte; rekabetçi olamamaktadırlar. Bu sonuç, dijital dönüşüm sürecine başlamak için gerekli olan metotların bilinmemesi ya da uygulanmaması, hangi teknolojinin ne zaman ve nasıl kullanılacağının anlaşılamaması ya da stratejik bakış açısındaki eksikliklerden kaynaklanabilmektedir.

Büyük işletmeler için bu denli sorun olmayan bu süreç kısıtlı imkana sahip Kobiler açısından uygulanabilir, net bir ‘referans dijital dönüşüm modelinin’ gerekliliğini ortaya çıkarmaktadır.

Bu makalede, literatür üzerinden dijital dönüşüm ve akıllı fabrika bileşenleri irdelenmiş, pratik uygulama örnekleri ile bir referans model geliştirilmiştir.

1. Operasyon Teknolojileri Entegrasyonu Günümüz işlemelerinin çoğunda iş süreçlerinin yönetiminde iş yazılımları kullanılmaktadır. Kurumsal kaynak planlaması (ERP), Müşteri İlişkileri Yönetimi (CRM), Depo Yönetim Sistemleri (WMS) ya da Bilgisayar Destekli Tasarım (CAD), Ürün Veri Yönetimi (PDM) gibi yazılımlar bazen birbirlerine entegre bazen de ayrışık olarak iş süreçlerinde kullanılmaktadır. Öte yandan saha ekipmanlarından veri alınması konusu ise oldukça yetersiz durumdadır. SCADA, DCS gibi sistemler ile yönetilen ayrık üretim hücrelerinden kısmi veriler lokal olarak alınsa da birçok ekipman ya da süreç üzerinden hiç veri alınmamaktadır.

Endüstriyel IoT projelerinde öncelikli olarak üretim ekipmanlarının, süreçlerin birbirlerine entegre edilmesi gereklidir. Ancak, OT entegrasyonu olarak da adlandırılan bu süreçte birçok kısıt mevcuttur. Sahada veri üreten nesnelerin (ekipman, sensör, vs.) kullandıkları iletişim teknolojisi ya da protokollerin birbirlerinden farklı olması, mesafe sorunları nedeni ile bağlantının mümkün olamaması ya da nesnenin iletişime geçebilir özellikte olmaması bu kısıtlara örnek olarak gösterilebilir.

1.1 Bağlantı (Connectivity)a. Inter-operability | Connectivity Layerİşletme süreçlerinde veri üreten farklı model makineler, sensörler ya da sistemler bulunur. Her model kendine has, belirlenmiş bir iletişim protokolü kullanır. Örneğin bir CNC makinesindeki Mitsubishi PLC’nin veri iletim formatı (frame) ile bir başka makinedeki Siemens PLC’nin veri iletim formatı aynı olmayabilir. Bu durum aynı firmaya ait, farklı modeller için bile söz konusu olabilir. Klasik yöntemle (3.0 zamanında) sahadan veri toplamak için, veri toplayacak sistem ile veri alınacak ekipmanın kullandığı protokole uygun bir ara yüz yazılımı yapılır ve buradan ilgili

DR.LUTFI APILIOĞULLARI WWW.LEANOFIS.COM 2019 | ARALIK OF 2 8

veriler çekilirdi. Bu durun sahadaki tüm farklı protokole sahip ekipmanlar için yapılır, saha ekipmanlarının kendi aralarında da veri iletişimi olacak ise bir de bu gereksinimler için ayrıca ara yüz yazılımları kullanılırdı. Oldukça karmaşık bir durum oluşturan, yoğun efor ve dışa bağımlılık gerektiren bu süreç artık günümüzde farklı bir katman üzerinden yönetilmektedir: Endüstriyel Bağlantı Katmanı (Industrial Connectivity Layer).

Endüstri 3.0 zamanında yaşanan farklı model/protokol cihazların birbirlerine bağlanabilmesi sorunu (inter-operability) bağlantı katmanı ile artık tarih oluyor. Bağlantı katmanı sayesinde saha ekipmanlarının hepsini tek bir platforma bağlayarak gerek birbirleri ile gerekse harici (ERP/MES) birimler ile iletişime geçebilmesine olanak sağlanabiliyor. Bu platformlar içinde yüzlerce protokol tanımlanmış durumda olduğu için bağlantı için yapılması gereken tek şey TCP/IP Ethernet üzerinden iletişim kurulacak cihazın model ve protokolünün tanımlanmasından ibarettir. Hiçbir ara yüz yazılımı yapmadan, bağlantı platformu üzerinden, küçük tanımlamalar ile farklı iletişim protokollerine sahip tüm cihazları Open Protocol Communication | Unified Architecture (OPC|UA) standardına dönüştürülebilmekte ve bağlantıda yaşanılan inter-operability sorununu ortadan kaldırılabilmektedir.

b. IoT Ready | IoT CompatibleOT bağlantı katmanının oluşturulması sürecinde akıllara şu soru gelebilir. Bağlantı özelliği olmayan ya da TCP/IP Ethernet’i desteklemeyen yerlerden nasıl veri alınacaktır? Cevap aslında çok basittir. Bu noktaların bağlanabilir (bilgisayarlaşma: computerization) duruma getirilmesi şarttır. Yani nesnenin akıllı (Intelligence) ve iletişime geçebilir (Connected) olması gereklidir. Günümüzde artık hemen her nesne akıllı ve iletişime geçebilir olarak üretilmekte ve bu konsept IoT Ready ya da IoT Competable olarak tanımlanmaktadır.

c. Long Range Communication | LoRaNesneleri akıllı yapsak dahi bazı durumlarda mesafeden dolayı iletişime geçebilmesi ya da iletişime geçebilse dahi sensörlerin enerji sorunları nedeni ile uzun süre çalışır durumda olamaması gibi etkenler nedeniyle her nesne bağlantılı duruma gelemeyebilir. Örneğin, sensör PLC bağlantısında 75 metre mesafeler üzerinde kablo bağlantısı sorun çıkarmakta, WiFi protokolleri işletme içindeki kapalı ortamlar, metal aksam, su gibi etkenlerden dolayı etkin olarak kullanılamamakta; kullanılsa dahi 80-100 metre gibi mesafe sınırlamaları getirmekte, GSM gibi hücresel iletişim teknolojileri ise maliyetleri nedeni ile her zaman tercih edilememektedir. Kısaca, orta mesafelerde (<5km) iletişimin, düşük maliyet ve düşük güç tüketimi ile yapılabilmesine olanak sağlayan yeni bir teknolojiye gereksinim bulunmaktaydı. LPWAN (Low Power Wide Area Network) teknolojileri bu boşluğu doldurmak üzere geliştirilen kablosuz iletişim protokolüdür. Bugün LPWAN ile 4 /5 km mesafeden, lisans gerektirmeyen frekanslar üzerinden (ISM Band) sanki modem ile WiFi iletişim kurar gibi PLC’ye gerek kalmaksızın doğrudan bağlantı katmanı üzerinden iletişim tesis edebilmektedir. Bu sayede uzak mesafedeki nesneler de OT omurgasına alınabilmektedir.

DR.LUTFI APILIOĞULLARI WWW.LEANOFIS.COM 2019 | ARALIK OF 3 8

Bağlantı sürecindeki gelişmelerin etkisiyle endüstriyel çağın klasik ‘Sensör—> PLC—> SCADA—> MES—> ERP’ otomasyon hiyerarşik yapısı artık yerini ‘Sensor—> PLC —> Connectivity Layer—> ERP/MES—> Cloud’ yapısına bırakmaktadır.

1.2 Veritabanı (Database)Connectivity Layer bize birçok yerden veri akmasına olanak sağlıyor. Bu veriler zamana karşı hassas olmayan üretim verileri olabileceği gibi mili saniyeler mertebesinde okunması, analiz edilmesi yorumlanması ve karar alınası gereken zaman kritik (time critical) veriler de olabilir. Özellikle proses endüstrilerinde makineler üzerinden sıcaklık, basınç, hız gibi ilgili noktalardan birçok verinin, bazen saniyeler mertebesinde alınması (her bir veri alınan noktaya ‘tag’ denilir) gereklidir. Birçok yerden, oldukça sık miktarda alınan bu veriler giderek büyür ve büyük veri dediğimiz ana kütleyi oluşturur (big data lake). IIoT konseptinde daha önce de belirtiğimiz gibi ana tema büyük veriden anlamlı bilgi çıkarabilmektir. Bunun için önce büyük verilerin depolanmasına ve akabinde analiz edilmesine gereksinim vardır.

a. Zaman Serisi ve İlişkisel Veritabanları (Time Series vs Relational Database)Veriler veri tabanlarında saklanırlar. Endüstri 3.0 döneminde kullanılan ve halende kullanılmakta olan ilişkisel veri tabanları (Relational Database: RDB) satır/sütün şeklinde ve olay bazlı (event base) veri saklama prensibi ile çalışırlar. Ancak, IIoT konseptinde sahadan alınan veri sürekli, zamana serisi bazında ve büyük miktarda

DR.LUTFI APILIOĞULLARI WWW.LEANOFIS.COM 2019 | ARALIK OF 4 8

Bağlantı Süreci (Kaynak: Lütfi Apilioğulları)

akmaktadır. Bu durum, bir görüşe göre IIoT verilerinin veri tabanlarını çok daha hızlı şişirmesine; dolayısı ile performans kayıplarının yaşanmasına sebep verebilmektedir. Bu görüşü destekleyen bazı IoT platform uygulamaları büyük verilerin saklanması sürecinde, ilişkisel veri tabanlı depolama yerine daha farklı bir modelde, zaman serisi (time series) konseptine göre veri depolayan veri tabanları kullanmaktadırlar. Historian denilen bu konsepte göre verilerin depolanması aşamasında, farklı sıkıştırma teknikleri ile kapasite kazanımı elde edilebildiği gibi veri sorgulama sürecinin daha hızlı yapılarak veri analitiğinin daha etkin olduğu savunulmaktadır.

Ancak bu durumun aksini savunanalar da mevcuttur. Bazı bağlantı katmanları halen verilerini ilişkisel veri tabanlarında tutmaktadır. Bu durumun kapasite / hız anlamında ne derece etki ettiği henüz net olmasa da ERP tarafında da ilişkisel veri tabanı kullanıldığı için sahadan alınan verilerin ERP tarafından okunması konusunda pek sıkıntı çıkmamaktadır. Oysa, Historian tarzı veri tabanlarında ERP tarafındaki ilişkisel veri tabanları ile iletişime geçebilmek için arada başka bir dönüştürücü katmanı (gateway ya da sorgu) katmanı gereklidir. Teknik olarak her ikisi de bu süreçte kullanılabilir diyerek, tercihi süreci kurgulayanlara bırakmak gerekiyor.

1.3 Veri AnalitiğiVeri; eğer bilgiye dönüşüyor ve dönüşen bilgi kullanılıyorsa fark oluşturur. Veriden anlamlı sonuç çıkarmak, karar almak ve aksiyona geçmek Endüstriyel IoT dönüşümün sürecindeki en büyük beklentidir. Zaten, dijital dönüşümün temek ekonomik potansiyeli algı – aksiyon sürecini kısaltarak, doğru kararların hızlı alınmasıdır. Bunun için veri analitiğinin oldukça önemi vardır.

Veri analitiğinde dört farklı katman vardır ve her bir farklı sorulara cevap verir.

1. Tanımlayıcı Analitik (Descriptive): Geçmiş verilerin kullanılmasıyla yine geçmişte neler olduğunun anlaşılmasına yarar. Hangi makine en çok arıza yapmış, en çok hangi ürün satılmış, makine OEE değerin dün kaçmış gibi bilgiler iş analitiği de denilen, klasik istatistik fonksiyonları üzerinden hesaplanır. Pareto analizleri, ortalama, standart sapma vs.

2. Tanısal Analitik (Diagnostic): Bu katmanda yine geçmiş zaman verileri kullanılarak sebep/sonuç ilişkileri irdelenmeye çalışılır. İlk durumda en çok arıza yapan makine olarak tespit edilen makinenin neden dolayı arıza yaptığı incelenir. AB testleri, korelasyon analizleri gibi istatistiksel araçlar üzerinden bu kez ne olduğu değil neden olduğu anlaşılmaya çalışılır.

3. Öngörücü Analitik (Predictive): Bu katman geçmiş verilerden yola çıkarak sürecin matematiksel modelini oluşturur ve gelecekte süreçte ne olabileceğinin anlaşılabilmesine olanak sağlar. Bu sayede oluşabilecek anormalliklerin önceden tespit edilebilmesine, daha doğru tahminleme yapılabilmesine olanak sağlar. Regresyon

DR.LUTFI APILIOĞULLARI WWW.LEANOFIS.COM 2019 | ARALIK OF 5 8

analizleri gibi istatistiksel araçlar bu katmanda sıkça kullanılan istatiksel fonksiyonlardır.4. Buyurucu Analitik (Predictive): Bu katman ön görücü analitiğin bir adım ötesidir. Gelecekte ne olabileceğini ve ne yapılması gerektiğini de bildirme özelliğine sahiptir. Makine öğrenmesi teknikleri ile süreç üzerinden alınan veriler üzerinden sürecin anormal durumlarının sistem tarafından öğrenilmesi; diğer veriler ile ilişkilerin analiz edilmesi gibi karmaşık istatistiksel fonksiyonlar kullanır. Teknik olarak çok iyi gibi gözükse de endüstrilerin şu an için odaklandığı temel katmanlar ilk üç katmandır.

Buradan görüldüğü üzere veri analitiği yapabilmek için öncelikle gerekli olan verilerin sahadan toplanması, uygun formatta saklanması ve ileri seviye istatistik/matematik fonksiyonları ile modellenmesi gereklidir. Bugün birçok IoT platformu bu özelliği sunmaktadır. Toplamış olduğunuz büyük verileri aynen connectivity layer ‘da yaptığınız gibi matematik/istatistik bilgisi çok fazla gerekmeden buluta göndermenizi ve buradan analitik sonuçları almanızı sağlıyor. Bu analitiği ya da bazı kararları bulut üzerinden alıyorsanız buna cloud computing (bulut bilişim); daha alt katmanlarda alıyorsanız (SCADA, gateway, PLC ya da sensor node) edge ya da fog computing (sis bilişim) olarak adlandırıyoruz.

1.4 ÖzetBuraya kadar ne yaptık?

DR.LUTFI APILIOĞULLARI WWW.LEANOFIS.COM 2019 | ARALIK OF 6 8

Veri Analitiği Süreci (Kaynak: Lütfi Apilioğulları)

•Veri alınacak yerleri bağlanabilir yaptık (IoT Ready: Intelligence and Connected)•Verileri tek bir platform üzerinde topladık (OPC Standard Connectivity Layer)•Endüstriyel verileri depoladık (Historian Database | Time Series)•Verileri bulut üzerinde analiz ettik (Data Analytics)

Aslında buraya kadar konuştuklarımızın bir kısmı endüstri 3.0 döneminde mevcuttu. Bugün özellikle proses endüstrilerinde (petro kimya, çimento, demir çelik, vs.) benzeri metotlar SCADA, DCS denilen sistemler üzerinden yönetilebiliyordu. Belki şu anki yapay zekâ / makine öğrenmesi seviyesinde beklentimiz olmasa da süreçler üzerinden veri alınıyor, yorumlanıyor ve işleniyordu. Ancak, süreç tek parça (stand alone) halinde çalışıyor, sadece süreç hakkında bilgi alınabiliyordu. Diğer fonksiyon ya da iş süreçleri ile aralarında iletişim/etkileşim yoktu.

Peki 4.0 ‘da ne değişti? Değişen şey bağlantının sadece üretim ya da operasyon ekipmanları ile sınırlı kalmaması; iş süreçlerinin de yine iş yazılımları üzerinden üretim ekipmanları ile iletişime geçebilir olmasıdır. Yani, buraya kadar konuştuklarımızın hepsi saha ya da operasyon ekipmanları üzerinden alınan veriler üzerine kurulu bir yapıydı. OT dediğimiz (Operations Technology) saha ekipmanları ile (fiziksel dünya) IT dediğimiz iş süreçlerinin yönetiminde kullanılan iş yazılımların (Information Technology) birbirleri ile iletişime geçebilmesi konsepti Endüstriyel Dijital Dönüşümün esasını teşkil etmektedir. Bu konsept literatürde daha önce de bahsedildiği üzere CPS. (Cyber Physical Systems) olarak adlandırılmaktadır. Veri kaynakları ile Veri kullanıcılarının entegrasyonu.

DR.LUTFI APILIOĞULLARI WWW.LEANOFIS.COM 2019 | ARALIK OF 7 8

Endüstriyel IoT Mimarisi (Kaynak: Lütfi Apilioğulları)

DR.LUTFI APILIOĞULLARI WWW.LEANOFIS.COM 2019 | ARALIK OF 8 8

www.leanofis.com