Elektrik Elektronik Mühendisliği Ödev Yaptırma: Güç Sistemlerinde Kestirimci Bakım Modelleme

Güç sistemlerinde bakım stratejileri, geleneksel “arıza olunca müdahale et (reaktif)” anlayışından koşul bazlı (condition-based) ve kestirimci (predictive) yaklaşımlara evrildi. Şebeke elemanlarının (transformatör, kesici, ayırıcı, kablo, OG hücre, hat izolatörü, jeneratör, inverter, rüzgâr türbini vb.) durum verisi akarken; sahadan toplanan SCADA/PMU/IoT ölçümleri, yağ analizleri (DGA), kısmi deşarj (PD), termal görüntüler, titreşim ve akustik sensörler, olay ve iş emri kayıtlarıyla birleşerek arızayı olmadan önce haber veren modeller üretmemizi mümkün kılıyor. Bir dönem projesi ya da bitirme ödevi için “kestirimci bakım” sadece bir makine öğrenmesi (ML) algoritması seçmek değil; veri hattı, özellik mühendisliği, modelleme, güven ve yorumlanabilirlik, planlama entegrasyonu (CMMS), risk–maliyet optimizasyonu ve saha doğrulaması içeren sistematik bir metodoloji kurmak demektir.

Bu rehber; güçlü bir ödev/proje için veri kaynaklarından model seçimine, RUL (Remaining Useful Life) tahmininden risk tabanlı planlamaya, sahaya uygulanabilir kontrol listelerinden vaka çalışmalarına kadar uçtan uca bir yol haritası sunar. Amaç, yalnız tahmin isabeti yüksek bir model değil, bakım kararına dönüşen, kesinti süresini ve maliyeti azaltan bir çözüm ortaya koymaktır.

1) Problemi Doğru Formüle Et: Sınıflandırma mı, Regresyon mu, Hayatta Kalım Analizi mi?

Kestirimci bakımda üç ana problem sınıfı vardır:

Arıza sınıflandırması (binary/multi-class): “Önümüzdeki 90 gün içinde bu ekipmanda arıza olur mu?” (evet/hayır).
Regresyon: “İzolasyon direnci ne kadar düşer?”, “İzlenen sıcaklık trendi 80 °C’yi ne zaman aşar?” gibi sayısal tahminler.
Hayatta kalım / RUL tahmini: “Bu trafoya RUL kaç gün/ay kaldı?”, “Arıza olasılığının zamanla değişim karakteri (hazard) nedir?”

Ödev notu: Problemi açık yazın. Hedef değişkeni, zaman ufkunu (7–30–90 gün), sınıf dengesini, değerlendirme metriklerini (AUC/PR-AUC/F1, MAE/RMSE, Concordance/C-Index) tabloya dökün.

2) Veri Ekosistemi: Ölçü, Olay, Ortam, Operasyon

Kaynaklar:

SCADA: Akım, gerilim, güç, frekans, kesici durumları, alarmlar.
PMU: Senkron fazörler (yüksek frekanslı, dinamik olaylar).
IoT sensörleri: Sıcaklık, nem, titreşim (IVHM), akustik, kısmi deşarj (UHF/akustik), gaz sensörleri.
DGA (Dissolved Gas Analysis): Hidrojen, metan, etan/eten, asetilen, CO/CO₂… trafo yağında arıza imzaları.
Termal görüntüler: Sıcak noktalar, gevşek bağlantılar.
Bakım/iş emri (CMMS): Parça değişimleri, arıza kodları, duruş süreleri, maliyetler.
Çevresel/işletme: Ortam sıcaklığı, nem, toz, rüzgâr, güneşlenme (PV), yük profilleri, devre dışı kalma geçmişi.

Veri kalitesi kontrolü (DQ): Zaman damgası birliği (UTC/yerel), boşluklar, sensör kalibrasyonları, outlier/anomali ayırımı (gerçek transient mi sensör hatası mı?), cihaz kimliklerinin (asset ID) tekilleştirilmesi.

Ödev kontrol listesi: Kaynak–örnekleme hızı–ölçüm birimi–kayıp oranı–etiket/doğrulama kaynağı tek tabloda.

3) Özellik (Feature) Mühendisliği: Fizik + İstatistik Evliliği

Model başarısının yarısı doğru özelliklerden gelir:

Zaman alanı: Kaydırmalı pencerelerde ortalama/medyan, p95–p99, RMS, tepe–tepe, eğilim (slope), mevsimsellik.
Frekans alanı: FFT/PSD bant enerjileri (titreşim, akustik, PD).
DGA ilişkileri: Gaz oranları, toplam gaz, oluşum hızları (dC/dt), okunmuş teşhis indeksleri.
Termal imzalar: Sıcaklık–yük birlikte analizi (per-unit; yük normalizasyonu).
Sağlık endeksleri (HI): Çoklu parametreyi 0–1 arası endekse sıkıştırma (normalize + ağırlıklandırma).
İşletme bağlamı: Anahtarlama sayısı, kısa devre akım geçmişi, nem seviyeleri, kaba “stres” göstergeleri.
Kohort/varlık meta bilgisi: Yaş, üretici, model, kurulum yılı, bölge, bakım geçmişi.

İpucu: Fizik tabanlı tutarlılık. Örneğin, transformatör yağ sıcaklığındaki artış yük artışı olmadan gerçekleşiyorsa termal yol problemi veya iç kayıplar sinyali olabilir; bu “kuralı” bir özellik olarak kodlayabilirsiniz.

4) Etiketleme ve Veri Dengeleme: “Arıza Az, Sağlam Çok” Gerçeği

Gerçek dünyada arıza nadirdir (class imbalance).

Zaman penceresi etiketleme: Arıza tarihinden önce $T$ gün (örn. 30) içinde olan pencereleri “1”, aksi “0”.
Dengeleme taktikleri: SMOTE/ADASYN gibi oversampling, cost-sensitive öğrenme (sınıfa göre ağırlık), focal loss.
Negatif örnek doğruluğu: Bakım sonrası “sağlıklı” dönemleri yanlış etiketlememek.

Ödev tüyosu: ROC-AUC’a ek PR-AUC raporlayın (seyrek olumlu sınıfta daha anlamlıdır).

5) Model Ailesi Seçimi: Basitten Karmaşığa Mantıklı Sıralama

Kıyas için basit: Lojistik regresyon (L1/L2), karar ağaçları. Yorumlanabilir.
Gelişmiş gözetimli: Random Forest, Gradient Boosting (XGBoost/LightGBM), SVM; genelde güçlü başlangıç.
Zaman serisi/derin: LSTM/GRU, Temporal Convolutional Networks (TCN), Transformers; uzun bağımlılıkları yakalar.
Anomali tespiti (etiketsiz/az etiketli): Isolation Forest, LOF, One-Class SVM, Autoencoder; “sağlıklı” imzayı öğrenip sapmaları yakalar.
Hayatta kalım/RUL: Cox Proportional Hazards, Weibull/Exponencial parametre tahmini, Random Survival Forest; regresyon + sansürlü veri (censoring) desteği.

İpucu: Önce güçlü bir ağaç temelli (XGBoost/LightGBM) ile taban performans oluşturun; sonra RUL gerekiyorsa survival’a, ardışıklık kuvvetliyse LSTM/TCN’ye geçin.

6) Değerlendirme: Doğru Metrik, Doğru Kesit

Sınıflandırma: AUC, PR-AUC, F1, özgüllük/duyarlılık, erken uyarı penceresinde isabet (ör. arızadan ≥7 gün önce yakalama oranı).
Regresyon: MAE, RMSE, MAPE; operasyonel eşikler (örn. tahmin hatası ≤ ±5 °C iken önlem alın).
RUL/Survival: C-Index, Brier-score, kalibrasyon eğrileri.
İş etkisi: Kaçak yakalanan arıza (miss) başına maliyet, yanlış alarm başına maliyet, net fayda (Cost per saved outage, NPV).

Ödev puanı için: “Teknik metrik” + “iş etkisi” çift raporu sunun; karar vericiyi ikna eder.

7) Model Güveni ve Yorumlanabilirlik: SHAP, LIME, Kural Tabanı

Bakım mühendisi, “neden bu ekipman yüksek riskte?” sorusuna cevap ister.

SHAP değerleri: Varlık bazında ilk 5 özelliği ve yönünü gösterin.
Kural çıkarımı: Ağaç tabanlı modellerden “insan okunur” kurallar (örn. “Yağ H₂ artış hızı > X ve yük normalize sıcaklık > Y → risk ↑”).
Kalibrasyon: Tahmin olasılıklarının gerçek sıklıkla uyumu (reliability plot).

8) RUL (Kalan Ömür) Tahmini: Bakım Penceresini Doğru Ayarla

Yöntemler:

Trend–eşik yaklaşımı: Sağlık endeksi/parametre belirli eşiğe kadar lineer/eksponansiyel kötüleşiyor → eşik zamanını extrapole et.
Degradasyon modelleri: Fizik tabanlı (Arrhenius, termal yaşlanma), istatistiksel (Brownian motion + drift), parçacık filtreleri.
Survival analizi: Cox/Weibull; sansürlü veriye dayanır; hazard fonksiyonundan RUL dağılımı çıkarılır.

Ödev notu: RUL’i tek sayı vermek yerine dağılım ve güven aralığı ile sunun (ör. median 120 gün, [p10=80, p90=170]).

9) Mimari: Edge–Fog–Cloud ve Veri Hattı

Edge: Trafo merkezinde kapı seviyesinde (gateway) önişleme, anomali skoru, olay çıkarımı; gecikmeyi ve bant genişliğini azaltır.
Fog/On-Prem: Trafo merkezi/OG şebeke işletme sahasında toplama/ara depolama; regulasyon ve siber güvenlik avantajları.
Cloud: Büyük ölçekli model eğitimi, varlık kıyaslamaları, filo analizi.

Veri hattı (pipeline): Ingest → Temizleme → Özellik çıkarımı → Model → Skor → Alarm/İş emri. Versiyonlama (model, veri, özellik), MLOps (model drift takibi).

10) CMMS/ERP Entegrasyonu: Tahminin Karara Dönüşmesi

Kestirim bakım planına bağlanmadıkça değer üretmez.

Risk puanı → iş emri: Eşik aşıldığında otomatik iş emri; SLA ve parça rezervasyonu.
Planlama: Kaynak (ekip), yedek parça, uygun duruş penceresi; risk tabanlı önceliklendirme (kritiklik × olasılık × etki).
Geri besleme: Bakım çıktıları (bulgu/arıza nedeni, parça ömürleri) modele geri beslenir; sürekli iyileştirme.

11) Güvenlik ve Siber Güvenlik

IEC 61850/OT ağları: Ayrı VLAN, rol tabanlı erişim, zaman senkron güvenliği.
Model bütünlüğü: Model/özellik dosyalarının imzalanması, sürüm kontrolü.
Veri gizliliği: Sahaya ait hassas verilerin maskelenmesi/anonimizasyonu; paylaşımda “federated learning” seçenekleri.

12) Varlık Bazında İmzalar: Transformatör, Kesici, Kablo, PV İnverter, Rüzgâr Türbini

Transformatör:

DGA (H₂, CH₄, C₂H₂ vb. oranlar), yağ–kâğıt yaşlanma göstergeleri, sargı sıcaklığı (hot-spot), yük normalizasyonu, PD.
Model: Gradient boosting + survival (arızaya kadar süre).
Alarm örneği: H₂ artış hızı + sıcaklık anomali → “gaz izleme 7 gün yoğunlaştırılsın, numune tekrarı”.

Kesici:

İşletme sayısı, bobin akımı imzası, SF₆/yağ basıncı, mekanik titreşim.
Model: Anomali (autoencoder) + sınıflandırma (kontak gecikmesi).
Aksiyon: “Kontak aşınması olası, bir sonraki planlı kesintide bakım”.

Kablo:

Tanecik: Kısmi deşarj, tan delta, sıcaklık profilleri, kablo başlık ısısı.
Model: Zaman serisi anomali + survival.
Aksiyon: Saha ısıl görüntüleme, PD yer tespiti.

PV İnverter:

DC/AC harmonikler, sıcaklık, MPPT davranışı, devreye gir–çık sayıları.
Model: Çoklu sınıflandırma (soğutma sorunu, DC arıza, grid fault etkisi).
Aksiyon: Fan/termal pasta bakımı, dizi dengesizliği kontrolü.

Rüzgâr Türbini:

Titreşim (kestirim): Yatak/dişli frekans bantları, yağ analizleri, SCADA güç–rüzgâr eğrisi sapmaları.
Model: TCN/LSTM (titreşim), regresyon (güç eğrisi sapma).
Aksiyon: Yatak değişimi planı; duruşu en düşük üretim saatine kaydırma.

13) Risk Tabanlı Bakım (RCM/RBM) ve Ekonomi

Kritiklik (Criticality): Varlık önem skoru (güvenlik, çevre, müşteri etkisi, üretim kaybı).
Olasılık × Etki = Risk: Model çıktısı (olasılık/RUL) × arıza etkisi (maliyet/duruş).
Optimizasyon: Bütçe ve kaynak kısıtı altında maksimum risk azaltımı (knapsack benzeri).
Finansal metrikler: NPV, IRR, geri ödeme; yanlış alarm ve kaçak arızanın maliyetini içeren “expected cost” grafiği.

Ödev ipucu: Öncesi–sonrası senaryosu hazırlayın (reaktif vs kestirimci). Yıllık duruş süresi ve bakım maliyetindeki farkı sayısallaştırın.

14) Saha Doğrulaması ve Pilot Çalışma Tasarımı

Pilot kapsam: 1–2 trafo merkezi, 50–100 varlık; 3–6 ay.
Başarı kriterleri: Erken yakalanan arıza sayısı, yanlış alarm oranı, teknisyen geri bildirimi, iş emri kapanış süreleri.
A/B deneyi: Kestirimci bakım uygulanan hat vs kontrol hattı.
Lessons learned: Sensör yerleşimi, eşiklerin kalibrasyonu, model drift.

15) Görselleştirme ve Karar Destek Panelleri

Filo ısı haritası: Varlık–zaman ekseninde risk skoru.
Varlık kartı: Son uyarılar, SHAP ilk 5 özellik, trend grafikleri.
RUL dağılım grafiği: p10–p50–p90 bantları.
Planlama görünümü: Haftalık bakım kapasitesine göre en yüksek riski/etkiyi sunan görev listesi.

16) MLOps ve Sürdürülebilir Model Yaşam Döngüsü

Sürüm takip: Model/özellik/etiket sürümleri; deney–sonuç kayıtları.
Performans izleme: Veri drift (istatistiksel testler), uyarı oranı trendi, geri bildirim–etiket gecikmesi.
Güncelleme ritmi: Çeyreklik yeniden eğitim, kış–yaz mevsimselliği için sezonluk kalibrasyon.

17) Sık Yapılan Hatalar ve Kurtarma Planı

Yalnızca tek metrik (AUC) ile övünmek: İş etkisini göstermediğiniz sürece ikna gücü düşer → Maliyet bazlı metrik ekleyin.
Sensor drift ve kalibrasyon hatalarını model “signal” sanmak: DQ ve vaka incelemesi şart → sensör sağlık kontrollerini özelliklere ekleyin.
Class imbalance’ı görmezden gelmek: PR-AUC + cost-sensitive öğrenme uygulayın.
Pilot–saha boşluğu: Laboratuvar başarısını CMMS entegrasyonu olmadan sahaya taşımaya çalışmak → akış tasarlayın.
Kara kutu model: Yorumlanabilirlik yoksa bakım ekibi güvenmez → SHAP/kurallar ve örnek vaka sunun.

18) Uygulamalı Mini Rehber: “12 Haftada Kestirimci Bakım Prototipi”

Hafta 1–2: Varlık envanteri, veri haritası, DQ raporu
Hafta 3: Özellik çıkarımı + etiketleme şeması
Hafta 4: Baz model (XGBoost) + kıyas (lojistik regresyon)
Hafta 5: PR-AUC/erken uyarı metrikleri + kalibrasyon
Hafta 6: SHAP + varlık kartı prototipi
Hafta 7: RUL/survival prototipi (C-Index raporu)
Hafta 8: Senaryo maliyet modeli (yanlış/kaçan alarm)
Hafta 9: CMMS “sahte” iş emri entegrasyonu (sandbox)
Hafta 10: Pilot planı (seçili merkezler, KPI’lar)
Hafta 11: Güvenlik–erişim planı, edge toplayıcı
Hafta 12: Sunum: öncesi–sonrası, demo, karar önerisi

19) Vaka İncelemesi A: OG Trafo RUL Tahmini

Durum: 36 kV/1 MVA dağıtım trafolarında yıllık 8 beklenmedik arıza.
Veri: DGA aylık, yağ ve sargı sıcaklığı, yük, PD ölçümleri, bakım kayıtları.
Model: Survival (Weibull) + boosting ile risk skorlaması.
Sonuç: İlk 6 ayda iki yüksek riskli trafoya planlı bakım; beklenmedik arıza 8→3. Yıllık duruş –%55, bakım maliyeti –%18.

20) Vaka İncelemesi B: Kesici Mekanik Aşınma Erken Uyarısı

Durum: Yüksek anahtarlama sıklıklı sahada kontak kaynakları.
Veri: Bobin akımı imzası, açma–kapama süreleri, mekanik titreşim.
Model: Autoencoder ile “sağlıklı imza” öğrenildi; anomali skoru + boosting sınıflandırıcı.
Sonuç: 3 hafta önceden uyarı; planlı duruşta kontak revizyonu; müşteri kesintisi sıfır.

21) Vaka İncelemesi C: PV İnverter Soğutma Sorunu

Durum: Öğle saatlerinde derating, üretim kaybı.
Veri: Heatsink sıcaklığı, fan RPM, DC/AC güç, çevre sıcaklığı.
Model: Regresyon + değişim noktası (changepoint) analizi.
Sonuç: Fan tedarik değişimi; derating olayı %70 azaldı, aylık üretim +%3.2.

22) “Altın” Ödev Kontrol Listesi

Problem tanımı + hedef ufuk (gün/ay)
Veri haritası + DQ (boşluk, outlier, senkron)
Özellik seti (fizik + istatistik)
Etiketleme ve dengesizlik stratejisi
Model kıyası + metrikler (PR-AUC, erken uyarı)
Yorumlanabilirlik (SHAP/kural)
RUL/survival (varsa) + güven bantları
Risk–maliyet çerçevesi + senaryo analizi
CMMS entegrasyon taslağı + iş emri akışı
Pilot planı + başarı kriterleri + siber güvenlik
Vaka görselleri (trend, SHAP, RUL dağılımı)
Limitler ve gelecek iş (drift, yeni sensör, federated)

Sonuç: Model Değil, Karar Üreten Bir Sistem Tasarla

Kestirimci bakım; yalnızca “hangi algoritmayı kullandın?” sorusunun cevabı değildir. Doğru problem formülasyonu, sağlam bir veri hattı, fizik bilgisiyle zenginleştirilmiş özellikler, uygun model ailesi, yorumlanabilirlik ve güven, RUL ve risk–maliyet bağlamı, CMMS entegrasyonu ve saha pilotu ile birlikte anlam kazanır. Bu yazıda, güç sistemlerinde kestirimci bakımın uçtan uca mimarisini; transformatörden kesiciye, kablodan PV–rüzgâr varlıklarına kadar uygulamalı örneklerle kurduk. Ödev veya bitirme projesinde, yalnız yüksek AUC almakla yetinmeyin; kaç duruşu engellediğinizi, ne kadar maliyet düşürdüğünüzü gösterecek bir senaryo ve panel hazırlayın. Unutmayın: Kestirimci bakımın değeri, erken uyarının planlı bakıma dönüşüp duruşu önlemesi ile ölçülür. Mühendislik de tam burada başlar—veriyi karara dönüştürmekte.

Öğrencilerin akademik başarılarını desteklemek ve yoğun tempoda geçen okul yaşamlarında yardımcı olmak amacıyla kurulan “Ödev Yaptırma” platformu, özgün ve kaliteli ödev çözümleri sunmaktadır. Öğrencilerin farklı branşlardan ödevlerini, projelerini ve makalelerini profesyonel ve deneyimli ekip üyelerimiz aracılığıyla titizlikle hazırlıyoruz. Her bir ödevi, konunun gerektirdiği derinlemesine araştırmalar ve analizler doğrultusunda çözümleyerek, öğrencilerimizin özgün düşünce yapısını ön plana çıkarmasını sağlıyoruz.

“Ödev Yaptırma” olarak, müşteri memnuniyetini ve güvenilirliği en üst düzeyde tutmaktayız. Öğrencilerin bize teslim ettikleri ödevlerin tümü, gizlilik ve güvenlik ilkelerine sıkı sıkıya bağlı kalınarak işlenir. Her ödev, öğrencinin taleplerine ve öğretmenin yönergelerine uygun olarak özelleştirilir ve her zaman orijinal içerik üretmeye özen gösteririz. Öğrencilerin akademik itibarını korumak ve güvenilir bir öğrenme deneyimi sunmak için elinizdeyiz.

“Ödev Yaptırma” platformu, kullanıcı dostu arayüzü sayesinde öğrencilere kolayca ulaşılabilir bir hizmet sunmaktadır. Kullanıcılar, web sitemiz üzerinden basit adımlarla ödevlerini yaptırma taleplerini iletebilir ve ihtiyaç duydukları konuda uzmanlaşmış ekip üyelerimizle iletişime geçebilirler. Hızlı yanıt verme ve esneklik, öğrencilerin zaman baskısı altında olan durumlarında da yanlarında olduğumuzu hissettirir. “Ödev Yaptırma” olarak, öğrencilerin başarısını desteklemek ve onlara daha fazla öğrenme fırsatı sunmak için buradayız

İçerik Üreticisi

Biyografinin Tamamını Gör