Endüstriyel IoT ile Sahadan Veri Toplamak

Bir fabrika zemininde yüzlerce makine çalışıyor olabilir; titreşim, sıcaklık, basınç, devir sayısı… Bunların hepsi birer hikâye anlatıyor aslında. Sorun şu: o hikâyelerin büyük çoğunluğu hiç dinlenmiyor. Endüstriyel IoT (IIoT) tam da burada devreye giriyor — sahadaki sessiz sinyalleri konuşkan verilere dönüştürmek için.

Neden "Endüstriyel" IoT Ayrı Bir Kategori?

Akıllı ev cihazları ile fabrika sensörleri arasındaki fark sadece sağlamlık meselesi değil. IIoT ortamları;

• Deterministik gecikme gerektirir (bir PLC'nin 10 ms'lik döngüsünü kaçırması, üretim hattını durdurabilir),
• Yüksek gürültülü ortamlarda (elektromanyetik parazit, titreşim, toz) çalışmak zorundadır,
• Legacy ekipmanlarla (Modbus, PROFIBUS, OPC-UA) konuşmak durumundadır,
• 24/7 kesintisiz çalışma bekler.

Bu yüzden "Raspberry Pi'ye bir sensör takıp MQTT'ye basarım" diyerek başlanan projeler genellikle ilk bakım penceresinde çöker.

Sahadan Veri Toplamanın Katmanları

Veriyi sahadaki bir sensörden analitik platforma taşımak aslında katmanlı bir mimari meselesi:

1. Algılama Katmanı (Sensörler & Aktüatörler)

Her şey burada başlar. Titreşim sensörleri, termoçiftler, akım trafoları, akış ölçerler… Doğru sensörü seçmek, doğru veri toplamanın yarısıdır. Özellikle örnekleme frekansı kritik; titreşim analizi için 1 kHz altında kalmak, erken arıza sinyallerini kaçırmak demektir.

2. Saha Ağı & Protokoller

Sensörden yukarı çıkarken karşılaşılan protokol zinciri çoğu zaman şöyle görünür:

• Saha seviyesi: Modbus RTU, PROFINET, EtherNet/IP
• Saha-edge arası: OPC-UA, MQTT Sparkplug B
• Edge-bulut arası: HTTPS, AMQP, Kafka

Her katmanda protokol dönüşümü yapan endüstriyel gateway'ler (Siemens SCALANCE, Moxa, Advantech vb.) bu zincirin bel kemiğini oluşturur.

3. Edge Katmanı

Veriyi ham hâliyle buluta göndermek hem pahalı hem verimsiz. Edge'de yapılan filtreleme, normalizasyon ve anomali ön işleme adımları bant genişliğini dramatik biçimde düşürür. "Edge analytics" burada fark yaratır: makine durdu mu, threshold aşıldı mı gibi basit kurallar fabrika içinde işlenir; zengin analitik için temizlenmiş veri buluta taşınır.

4. Bulut / On-Prem Platform

Artık veriniz bir zaman serisi veri tabanında (InfluxDB, TimescaleDB, Azure Data Explorer) yaşıyor. Buradan sonrası görselleştirme (Grafana, Power BI), makine öğrenmesi modelleri ve OEE hesaplamaları.

En Sık Yapılan Hatalar

Sahada çok proje gördüm, şu hataları defalarca yaşadım ya da izledim:

• Çok veri topla, sonra düşünürüz yaklaşımı: Depolama maliyeti patlar, anlam çıkaramazsınız.
• Ağ segmentasyonunu atlamak: OT ağını IT ağına doğrudan bağlamak ciddi güvenlik açığıdır.
• Sensör kalibrasyonunu ihmal etmek: Yanlış veri, hiç veriden daha tehlikelidir.
• Pilot'tan üretime geçişi planlamamak: 3 makineyle çalışan şey, 300 makinede farklı davranır.

Nereden Başlamalı?

Benim önerim her zaman tek bir use case seçmek: "Kompresör sıcaklığını izle ve anormal yükselişte alarm ver." Bu kadar. Başarıyla tamamlandığında hem ekip deneyim kazanır hem de yönetim ikna olur. IIoT'nin en büyük düşmanı kapsam genişlemesidir.

---

Sahadan veri toplamak bir teknoloji meselesi olduğu kadar bir süreç ve insan meselesi. Doğru sensör seçiminden mimari tasarıma, OT-IT iş birliğinden veri kalitesi yönetimine uzanan bu yolculuk sabır ister — ama sonunda makinelerinizin size ne söylediğini duyduğunuzda değer.