SCADA'da Anomali Tespiti: Yapay Zekâ ile Arızayı Önceden Görmek

Giriş

Endüstriyel tesislerde beklenmedik arızalar sadece üretim kaybına değil; ekipman hasarına, güvenlik risklerine ve yüksek bakım maliyetlerine de yol açar. Geleneksel alarm sistemleri bir eşik değer aşıldığında uyarı verir; ancak bu noktada arıza genellikle zaten başlamıştır. Anomali tespiti ise farklı bir yaklaşım sunar: normalden sapan örüntüleri, henüz alarm tetiklenmeden önce fark eder.

Anomali Nedir?

Anomali; bir sistemin beklenen davranışından istatistiksel veya örüntü tabanlı olarak anlamlı biçimde sapmasıdır. SCADA bağlamında anomaliler şu şekillerde ortaya çıkabilir:

• Ani ve açıklanamayan sensör değeri sıçramaları
• Uzun süre normalin altında ya da üstünde seyreden bir parametre
• Birden fazla parametrenin alışılmadık bir kombinasyonu (örneğin yüksek sıcaklık + düşük akım)
• Belirli saatler dışında gerçekleşen süreç aktivitesi
• Ekipman davranışındaki yavaş ama sürekli kayan eğilimler (drift)

Klasik Eşik Alarmları Neden Yetmez?

Eşik tabanlı alarm sistemleri basit ve hızlıdır; ancak ciddi kör noktaları vardır. Bir motor sargı sıcaklığı 85°C eşiğinin hemen altında uzun süre seyredebilir ve hiçbir alarm tetiklemeyebilir. Oysa normal çalışma koşullarında bu değer 65°C civarında olmalıdır. Bu 20°C'lik sapma, yaklaşan bir arızanın sessiz habercisidir. Anomali tespit algoritmaları bu tür sinyal örüntülerini tanır.

Anomali Tespit Yöntemleri

SCADA sistemlerinde yaygın kullanılan anomali tespit yaklaşımları üç ana kategoride incelenir:

1. İstatistiksel Yöntemler

Z-skoru, IQR (çeyrekler arası aralık) ve hareketli ortalama gibi yöntemler, sensör verilerinin istatistiksel dağılımından sapmaları tespit eder. Kurulumu basit, yorumlanması kolaydır; küçük veri setlerinde bile etkilidir.

2. Makine Öğrenimi Tabanlı Yöntemler

Isolation Forest, One-Class SVM ve Autoencoder gibi denetimsiz öğrenme algoritmaları, sistemin "normal" davranış profilini öğrenir ve bu profilden sapan veri noktalarını anomali olarak işaretler. Özellikle çok değişkenli (multivariate) anomalilerin tespitinde güçlüdür; yani birden fazla sensörün birlikte sergilediği alışılmadık kombinasyonları yakalayabilir.

3. Derin Öğrenme Tabanlı Yöntemler

LSTM (Uzun Kısa Süreli Bellek) ağları gibi zaman serisi modelleri, ekipmanın geçmiş davranış örüntülerini öğrenerek gelecekteki sapmaları tahmin edebilir. Büyük veri setlerinde en yüksek doğruluğu sunar; ancak model eğitimi için yeterli tarihsel veriye ihtiyaç duyar.

SCADA + Anomali Tespiti: Entegrasyon Mimarisi

Tipik bir SCADA anomali tespit mimarisi şu katmanlardan oluşur:

• Veri toplama: PLC ve sensörlerden gerçek zamanlı veri akışı (Modbus, OPC UA, MQTT)
• Ön işleme: Gürültü filtreleme, normalizasyon ve özellik mühendisliği
• Model çalıştırma: Anomali skoru hesaplama (uç sunucuda veya bulutta)
• Alarm entegrasyonu: Anomali tespitinde SCADA alarm sistemiyle entegre bildirim
• Operatör arayüzü: Dashboard'da görsel anomali işaretlemesi ve açıklama desteği

Bu mimaride gecikme (latency) kritik bir faktördür. Güvenlik açısından kritik ekipmanlarda anomali tespitinin milisaniyeler içinde gerçekleşmesi için uç (edge) hesaplama tercih edilir. Enerji verimliliği veya bakım optimizasyonu odaklı uygulamalarda ise bulut tabanlı analitik yeterlidir.

Gerçek Dünya Örneği: Kompresör İzleme

Bir doğal gaz kompresör istasyonunu düşünün. Kompresörün çıkış sıcaklığı, giriş basıncı, titreşim seviyesi ve yağ basıncı saniyede birkaç kez ölçülüyor. Normal çalışma koşullarında bu dört parametre belirli bir korelasyon içinde hareket eder. Yağ basıncı düşerken titreşim artmaya başlarsa, her iki değer de alarm eşiğinin altında olsa bile bu kombinasyon anomali tespit modeli tarafından işaretlenir. Operatör uyarılır ve birkaç gün içinde planlı bakım yapılır. Olası bir kompresör arızası ve haftalar süren duruş önlenmiş olur.

Yanlış Alarm (False Positive) Problemi

Anomali tespit sistemlerinin en büyük pratik zorluğu, aşırı hassasiyetten kaynaklanan yanlış alarmlardır. Çok fazla yanlış alarm, operatörlerin sisteme güvenini zedeler ve alarm yorgunluğuna (alarm fatigue) yol açar. Bu nedenle:

• Alarm eşikleri tesis koşullarına göre kalibre edilmeli
• Anomali skoru mutlak değil, güven aralığıyla sunulmalı
• Operatör geri bildirimleri modeli sürekli iyileştirmeli
• Mevsimsel ve vardiya bazlı normal profil farklılıkları modele dahil edilmeli

Eselfware SCADA ile Anomali Tespiti

Eselfware platformu, tüm endüstriyel protokollerden gelen gerçek zamanlı veri akışını anomali analizi motoru ile birleştirir. Özelleştirilebilir alarm kuralları, eğilim grafikleri ve çok parametreli korelasyon görünümleriyle operatörlere sadece ham veri değil; yorumlanmış içgörü sunar. Mevcut SCADA altyapınızı değiştirmeden anomali tespit katmanını sisteme eklemek mümkündür.

Sonuç

Anomali tespiti, endüstriyel tesislerde reaktif bakımdan proaktif operasyona geçişin en güçlü araçlarından biridir. Yapay zekâ destekli bu yaklaşım; arıza öncesi uyarı, bakım planlaması ve enerji optimizasyonu konularında ölçülebilir kazanımlar sağlar. SCADA sisteminizi bir izleme aracından gerçek bir karar destek platformuna dönüştürmek istiyorsanız, anomali tespiti bu yolculuğun vazgeçilmez bir adımıdır.