Bakım stratejileri: 4 nesil
SAE JA1011 (Reliability-Centered Maintenance) standardı bakım stratejilerini 4 olgunluk seviyesine ayırır: 1) Reaktif (arıza olunca tamir). 2) Önleyici (takvim bazlı — her 10.000 km). 3) Koşul bazlı (CBM — sensör verisi eşik aşınca müdahale). 4) Tahmine dayalı (PdM — makine öğrenmesi ile arızanın daha olmadan tahmin). NIST AMS 100-34 (2020) PdM'i 'sensör verisinden istatistiksel ve ML modelleriyle arıza zamanını öngörmek' olarak tanımlar.
Filoya uyarlanmış PdM bileşenleri
Ticari araç PdM dört veri akışından beslenir: (1) OBD-II / CAN bus hata kodları (DTC), motor sıcaklığı, yağ basıncı, batarya voltajı. (2) İvmeölçer + jiroskop titreşim profili — şanzıman ve aks problemlerinin erken sinyali. (3) Yakıt tüketim trendinde sapma — yanma odası veya enjektör erken işareti. (4) Sürücü davranış skoru — agresif kullanım = hızlı aşınma. Telematik bu dördünü birleştirir.
Pratik kazanç: gerçek sayılar
Deloitte 'Predictive Maintenance: Taking Pro-Active Measures' (2023): PdM uygulayan endüstri ortalamasında plansız duruş %35-45 düştü, bakım maliyeti %18-25 azaldı, ekipman ömrü %20-40 uzadı. McKinsey Industry 4.0 raporu (2024) ticari araç segmentinde benzer çapta kazançlar ölçtü — ancak ön koşul: minimum 12 aylık geçmiş veri ile model eğitimi.
Hata kodu (DTC) ve önem önceliği
SAE J2012 standardı OBD-II hata kodlarını 5 karakterli sistemle tanımlar (P0xxx motor, P1xxx üretici özel, B body, C chassis, U network). Tüm DTC eşit değil — bazıları emisyonla ilgili (MIL — Malfunction Indicator Lamp yanar), bazıları sürüş güvenliğini etkiler. Filo telematik DTC'yi 'critical, warning, info' diye sınıflandırıp doğru bakım önceliği vermelidir.
ML modeli: nereden başlamalı?
MIT-IBM Watson AI Lab 'Anomaly Detection for Time-Series' yaklaşımı PdM'de pratik standart: Isolation Forest veya LSTM autoencoder ile normal davranış profilini öğren; eşik aşımını anomali olarak işaretle. Pre-trained model yerine her aracın kendi 90 günlük baseline'ı en doğru sonucu verir. Hugging Face üzerinde Apache 2.0 lisanslı PdM modelleri 2024'ten itibaren açık.
PdM'in iki tuzağı
1) False positive yorgunluğu — fazla alarm dispatcher'ı duyarsızlaştırır. Hassasiyet ve özgüllük (precision/recall) dengesi araç tipine göre kalibre edilmeli. 2) Veri kalitesi — bozuk sensör veya eksik DTC bilgisi modeli kandırır. NIST tavsiyesi: sensör health check (kendinden tanı) PdM mimarisinin parçası olmalı.
Türkiye operasyon notu
Yetkili servis ağı dışında PdM uyarısı veriliyorsa sürücü/dispatcher karar zincirine fren-balata kalan kalınlık, akü voltajı trendi, motor yağı kullanım süresi gibi 3-5 somut metrik tanımlanmalı. AraçTakipJet bakım takvimine PdM uyarılarını entegre eder — periyodik bakım + tahmine dayalı arıza birleşik raporda görünür.
Özet çıkarımlar
- PdM = reaktif → önleyici → koşul → tahmine dayalı 4. nesil bakım.
- Deloitte: plansız duruş %35-45, bakım maliyeti %18-25 düşer.
- Anomaly detection için her aracın 90 günlük baseline'ı kullanılmalı.
- False positive yorgunluğu PdM'in başarısızlık ana sebebidir.
Kaynakça
Bu yazı aşağıdaki uluslararası kaynaklardan sentezlenip Türkiye mevzuat bağlamına uyarlanmıştır. Doğrudan çeviri yapılmamıştır.
- Advanced Manufacturing Series 100-34: A Guide for Implementing Predictive Maintenance. National Institute of Standards and Technology (NIST). https://nvlpubs.nist.gov/nistpubs/ams/NIST.AMS.100-34.pdf (erişim: 2026-05-13)
- Predictive Maintenance: Taking Pro-Active Measures. Deloitte Insights. https://www2.deloitte.com/global/en/insights/focus/industry-4-0/using-predictive-technologies-for-asset-maintenance.html (erişim: 2026-05-13)
- SAE JA1011 — Evaluation Criteria for Reliability-Centered Maintenance. SAE International. https://www.sae.org/standards/content/ja1011_200908/ (erişim: 2026-05-13)
- SAE J2012 — Diagnostic Trouble Code Definitions. SAE International. https://www.sae.org/standards/content/j2012_201612/ (erişim: 2026-05-13)
- Industry 4.0 — Capturing value at scale. McKinsey & Company. https://www.mckinsey.com/capabilities/operations/our-insights (erişim: 2026-05-13)