Oturum açın

Teknik zorluklar yaşamaktayız. Form gönderme işleminiz başarılı olmadı. Lütfen özürlerimizi kabul edin ve daha sonra tekrar deneyin. Detaylar: [details]

Kaydol

Teknik zorluklar yaşamaktayız. Form gönderme işleminiz başarılı olmadı. Lütfen özürlerimizi kabul edin ve daha sonra tekrar deneyin. Detaylar: [details]

Omron'a kaydolduğunuz için teşekkür ederiz

Hesabınızı tamamlamanız için şu adrese bir e-posta gönderildi:

Web sitesine geri dönün

doğrudan erişim

Bilgilerinizi aşağıya girin ve bu sayfadaki içeriğe doğrudan erişin

Text error notification

Text error notification

Checkbox error notification

Checkbox error notification

Teknik zorluklar yaşamaktayız. Form gönderme işleminiz başarılı olmadı. Lütfen özürlerimizi kabul edin ve daha sonra tekrar deneyin. Detaylar: [details]

Gösterdiğiniz ilgi için teşekkür ederiz

Artık şuna erişebileceksiniz: Üretim sahasında veri standardizasyonu: UNS ve PackML, ham makine sinyallerini nasıl eyleme dönüştürülebilir bilgiye çevirir?

Şu adrese bir onay e-postası gönderildi:

Sayfaya devam edin

Bu belgeyi indirmek için lütfen veya kaydol edinin

Endüstri 4.0
Operasyonel Mükemmellik

Üretim sahasında veri standardizasyonu: UNS ve PackML, ham makine sinyallerini nasıl eyleme dönüştürülebilir bilgiye çevirir?

18 Eylül 2026 Cuma, Endüstri 4.0 tarihinde yayınlandı

Endüstriyel analitiğe yatırım yapan pek çok üretici, bir noktada aynı rahatsız edici gerçekle yüzleşir: Analitik sorunu aslında bir veri sorunudur.

Bazı makineler güvenilir biçimde bağlanamadığı için gösterge panelleri eksik kalır. Aynı değişken hatlar arasında farklı adlarla anıldığı, farklı birimlerle ölçüldüğü ve farklı hızlarda örneklendiği için yapay zekâ modelleri tutarsız sonuçlar üretir. Bir pilot proje için yeni bir veri akışı eklemek haftalar süren entegrasyon çalışması gerektirir, çünkü üretim sahası ile IT katmanı arasındaki bağlantı şemasını baştan sona bilen kimse yoktur.
 
Bunlar, analitik hedeflerinden çok önce ortaya çıkmış bir mimari sorunun belirtileridir. Birlikte kullanıldığında modern bir üretim sahası veri altyapısının omurgasını oluşturan ve bu sorunu çözen iki standart var: Unified Namespace ve PackML.

Analitik sorununun altında yatan veri ve bağlantı sorunu

Endüstriyel ekipmanlar OPC UA, Modbus, PROFINET, EtherNet/IP gibi çok çeşitli protokollerin yanı sıra makine üreticisine özgü tescilli formatlar üzerinden iletişim kurar. Her üretici ve her eski sistem farklı bir dil konuşur.
 
Üretim sahasındaki her sistem, genellikle yalnızca kurulum sırasında entegre edildiği sistemlere bağlanır. Böylece yıllar içinde birikerek mühendislerin “spagetti” mimari dediği karmaşık bir noktadan noktaya bağlantı ağı ortaya çıkar.
 
Bu durum, birbirini besleyen iki sorun yaratır. Birincisi sorgulama ve gönderme (poll-and-push) tuzağıdır: Sistemler, bir şey değişmiş olsun ya da olmasın, güncellemeler için birbirini sürekli sorgular. Bu da gereksiz veri trafiği oluşturur ve gerçek zamanlı karar almayı zorlaştıran gecikmelere yol açar. İkincisi veri kaosu sorunudur: Veriye erişilebildiğinde bile veri tutarsızdır. Örneğin üretim hızı gibi aynı fiziksel ölçüm, aynı hattaki üç makinede farklı şekilde etiketlenmiş, farklı birimlerle ifade edilmiş ve farklı veri tiplerinde saklanmış olabilir. Hatlar arası karşılaştırma bir çeviri katmanı gerektirir; tesisler arası analiz ise birkaç katman. Anlamlı bir analitik çalışması kurulmadan önce bu verilerin temizlenmesi, uyumlaştırılması ve bağlama oturtulması gerekir.
 
Bir gösterge paneli ya da yapay zekâ modeli için yeni bir veri akışına ihtiyaç duyulduğunda, bunu kurmak tüm bağlantı şemasını sıfırdan anlamayı gerektirir. Bu, endüstriyel yapay zekâ ve ileri analitiğin önündeki en ciddi pratik engellerden biridir

Unified Namespace

Unified Namespace (UNS – Birleşik İsim Alanı), noktadan noktaya modelin yerine yayınla-abone ol (publish/subscribe) mimarisini getirerek entegrasyon sorununu çözer. Veri üreticileri ile tüketicileri arasında doğrudan bağlantılar kurmak yerine her veri kaynağı verisini merkezi bir broker'a yayınlar, her veri tüketicisi de ihtiyaç duyduğu akışlara abone olur. Yeni bir tüketici eklemek, kaynak sistemlerde hiçbir değişiklik gerektirmez.
 
En yaygın uygulamada mesajlaşma protokolü olarak MQTT (Message Queuing Telemetry Transport) kullanılır. MQTT, endüstriyel ortamların dayattığı koşullar için tasarlanmış hafif bir yayınla-abone ol protokolüdür: güvenilir olmayan ağlar, kısıtlı kaynaklara sahip cihazlar ve düşük gecikmeli iletim ihtiyacı. Sparkplug B spesifikasyonu ise buna değişimde raporlama (report-by-exception) davranışını ekler: Cihazlar, sürekli bir sorgulama döngüsüyle değil, yalnızca değerler tanımlı bir eşiğin ötesinde değiştiğinde güncelleme yayınlar.
 
İsim alanının yapısı ISA-95 hiyerarşisini izler:
 
Kurum
  └── Tesis
        └── Alan
              └── Hat
                    └── Hücre / Ekipman
                          └── Tag'ler (durum, metrikler, olaylar, alarmlar)
 
Her veri noktasının bu hiyerarşide öngörülebilir bir adresi vardır. Bu yapıyı tanıyan her sistem, özel entegrasyon çalışmasına gerek kalmadan istediği veri noktasına ulaşabilir; bu da mimariyi doğası gereği ölçeklenebilir kılar.

PackML

UNS, veri entegrasyonu mimarisi sorununu çözer. PackML ise farklı ama yakından ilişkili bir sorunu çözer: Hattaki her makinenin kendi çalışma durumlarını farklı biçimde tanımlaması.
 
Bir makine “running”, “faulted” ve “idle” bildirir. Bir diğeri “auto”, “E-stop” ve “standby”. Üçüncüsü ise sayısal kodlar kullanır. Bir tesiste birden fazla üreticinin makineleri bulunduğunda (ki bu olağan durumdur) makine sınırlarını aşan her analiz bir çeviri katmanı gerektirir. PackML, tüm makinelerin benimseyebileceği standart bir durum modeli tanımlayarak bu katmanı ortadan kaldırır:
 
Stopped ──► Resetting ──► Idle ──► Starting ──► Execute (Running) │ Completing │ Complete ──► Resetting
 
PackML uyumlu bir ortamda her makine aynı durum adlarını ve geçişlerini kullanır. Gerçekleşen hız, hedef hız, ürün sayısı, ret sayısı gibi performans metrikleri standart tag adlarıyla yayınlanır. Farklı üreticilerin makineleri PackML konuştuğunda performanslarını karşılaştırmak için hiçbir çeviriye gerek kalmaz. Veriler doğrudan karşılaştırılabilir hale gelir.

PackML ile UNS buluşuyor: Hatlar arası analitiği mümkün kılan kombinasyon

PackML uyumlu makineler, standartlaştırılmış durum ve tag verilerini MQTT üzerinden bir UNS'ye yayınladığında ortaya şu özelliklere sahip bir üretim sahası veri omurgası çıkar:
 
  • Her makine aynı veri sözlüğünü konuşur,
  • Her veri noktası ISA-95 hiyerarşisinde öngörülebilir bir adreste yer alır ve
  • Sparkplug B'nin değişimde raporlama özelliği sayesinde her tüketici veriyi yalnızca bir şey değiştiğinde alır.
Daha önce hatlar arası analitiği aylar süren bir projeye dönüştüren entegrasyon yükü, basit bir konfigürasyon çalışmasına dönüşür.

Edge seviyesinde veri filtreleme

UNS ve PackML temiz, standartlaştırılmış bir veri mimarisi oluşturur. Ancak yüzlerce PLC, binlerce sensör ve onlarca üretim hattına sahip büyük bir fabrika, dakikada kolayca on milyonlarca veri noktası üretebilir. Bunların tamamını bir bulut analitik platformuna göndermek pahalıdır, makine seviyesinde gerçek zamanlı kararları imkânsız kılan gecikmelere yol açar ve bu veriyi kullanan modeller için sinyal-gürültü oranını düşürür.
 
Akıllı edge seviyesinde veri filtreleme, bu soruna doğrudan çözüm getirir. Edge katmanı; PLC'lerden, sensörlerden ve saha veri yolu (fieldbus) sistemlerinden gelen ham OT verisinin toplandığı, standart formatlara dönüştürüldüğü, ön işlemden geçirildiği ve seçici biçimde üst katmanlara iletildiği yerdir. Fiziksel süreç ile onu analiz eden bilgi sistemleri arasındaki akıllı sınırdır.
 
İşin büyük kısmını iki filtreleme tekniği üstlenir. Ölü bant (dead-band) filtreleme, bir değer tanımlı eşikten daha az değiştiğinde güncellemeleri bastırır. Örneğin sabit bir ayar noktası etrafında 0,1 °C dalgalanan bir sıcaklık sensörü hiç güncelleme göndermez. Toplulaştırma (aggregation) ise ortalama, min./maks., standart sapma gibi özet istatistikleri tanımlı bir zaman penceresi boyunca edge'de hesaplar ve binlerce ham okuma yerine tek bir özet değeri iletir.

Bulut maliyet denklemi

Edge filtrelemenin finansal gerekçesi oldukça net. Her makinenin bir saniyelik sorgulama çözünürlüğünde 200 tag sunduğu 50 makineli bir fabrika saniyede yaklaşık 10.000, günde ise 864 milyon veri noktası üretir. Milyon mesaj başına 0,10–0,30 €'luk tipik bulut IoT platformu fiyatlandırmasıyla bu, depolama ve işleme hariç, yalnızca veri alımı (ingestion) için günde 86–260 € demektir. Edge'de değişimde raporlama ve ölü bant filtreleme uygulanarak mesaj hacminin %90 azaltılması tabloyu önemli ölçüde değiştirir:
 
  • Filtrelenmiş: Günde 86 milyon mesaj → günde 9–26 € veri alım maliyeti
  • Depolama ihtiyacı orantılı olarak azalır
  • Akış işleme (stream processing) yükü azalır; daha küçük ve daha ucuz işlem kademeleri kullanılabilir
Uygulamada bu büyüklükteki bir tesis için yalnızca buluta dayalı bir mimarinin maliyeti aylık yaklaşık 3.000–4.500 € düzeyindedir. Edge filtrelemeli bir mimari bu rakamı aylık yaklaşık 400–600 €'ya indirir. Edge donanımı yatırımı genellikle üç aydan kısa sürede kendini amorti eder; beş yıllık tasarruf ise daha hızlı ve daha güvenilir kararların sağladığı değer hesaba katılmadan, tek bir tesis için 150.000 €'yu aşar.

Veriden karara: Bu mimari neleri mümkün kılar?

  • Entegrasyon projesi gerektirmeyen gerçek zamanlı üretim gösterge panelleri. Her makine standartlaştırılmış verisini ortak bir isim alanına yayınladığında, gösterge panelleri ilgili topic'lere abone olunarak oluşturulabilir. Ne özel entegrasyon gerekir ne de belirli bir üreticinin API'sine bağımlılık.
  • Çok hatlı ve çok tesisli karşılaştırmalı analitik. PackML ortak bir sözlüğü zorunlu kıldığı ve UNS tutarlı bir adres yapısı sağladığı için, bir fabrikadaki 3 numaralı hattın performansını başka bir fabrikadaki 3 numaralı hatla karşılaştırmak bir entegrasyon projesi olmaktan çıkar, basit bir veri sorgusuna dönüşür.
  • Temiz ve bağlamsal veriyle yapay zekâ ve makine öğrenimi. Modeller ham ve tutarsız sinyaller yerine yapılandırılmış, etiketlenmiş ve tutarlı biçimlendirilmiş veri alır. Girdinin kalitesi çıktının kalitesini doğrudan belirler. Bu mimari, yapay zekâ pilot projelerinin üretime geçememesinin en yaygın nedenlerinden birini ortadan kaldırır.
  • Bulut bağımlılığı olmadan daha hızlı makine seviyesi kararlar. Yapay zekâ çıkarımı (inference) ve kontrol mantığı edge'e taşındığında, milisaniyelik tepki süreleri gerektiren kararlar (kapalı çevrim kalite kontrolü, güvenlik kilitlemeleri, gerçek zamanlı süreç ayarlamaları) buluta gidip gelmeyi beklemeden yerel olarak yürütülebilir.

OMRON nasıl destek olabilir?

UNS ve PackML'yi hayata geçirmek, mevcut ekipman veya sistemlerin değiştirilmesini gerektirmez. PLC'lerin ve endüstriyel kontrolörlerin çoğu, standart edge gateway yazılımı kullanılarak verilerini MQTT broker'ları üzerinden yayınlayacak şekilde yapılandırılabilir. PackML'yi yerel olarak desteklemeyen makineler ise gateway seviyesinde çeviriyle sonradan PackML uyumlu hale getirilebilir. Tipik başlangıç noktası tek bir üretim hattı veya hücredir: Edge altyapısı kurulur, veri modeli doğrulanır, ardından ölçeklendirilir.
 
OMRON'un i-BELT hizmeti, dönüşümün tam olarak bu katmanını kapsar. IT/OT mimari tasarımı ve veri modeli tanımından edge kurulumuna ve kurumsal sistemlerle entegrasyona kadar uzanan bu hizmet, veri altyapısı kararlarını işletmenin iyileştirmeyi hedeflediği somut üretim KPI'larıyla ilişkilendiren daha kapsamlı bir değerlendirmenin parçası olarak sunulur. Daha fazla bilgi için lütfen ziyaret edin: 

i-BELT Service
Contact us for more information

Omron uzmanlarına danışın

Herhangi bir sorunuz var mı ya da kişisel tavsiye almak ister misiniz? Uzmanlarımızdan biriyle iletişime geçmekten çekinmeyin.
  • Omron Turkey

    Omron Turkey