{"id":1284,"date":"2025-02-02T13:43:39","date_gmt":"2025-02-02T13:43:39","guid":{"rendered":"https:\/\/endustri40.bktechin.com\/2025\/02\/02\/demiryolu-sistemleri-icin-veri-analizi\/"},"modified":"2025-02-02T13:43:39","modified_gmt":"2025-02-02T13:43:39","slug":"demiryolu-sistemleri-icin-veri-analizi","status":"publish","type":"post","link":"https:\/\/endustri40.com\/en\/demiryolu-sistemleri-icin-veri-analizi\/","title":{"rendered":"Demiryolu Sistemleri i\u00e7in Veri Analizi"},"content":{"rendered":"

Mühendislik alan\u0131nda oldukça ileri düzey teknolojiler geli\u015ftiren firmalar aras\u0131ndan yerini alm\u0131\u015f olan Siemens çe\u015fitli sensör verilerini izleyerek demiryolu bak\u0131mlar\u0131n\u0131 proaktif bir hale getiren bir sistem geli\u015ftirdi.<\/span><\/span><\/p>\n

Siemens<\/a> <\/strong>1879 y\u0131l\u0131nda geli\u015ftirdi\u011fi ilk elektrikli yolcu lokomotifi de olmak üzere yakla\u015f\u0131k 150 y\u0131ld\u0131r demiryolu alan\u0131ndan oldukça ba\u015far\u0131l\u0131 ürünler ve teknolojiler üretmi\u015f bir \u015firket. Bununla birlikte bu alanda geli\u015ftirdi\u011fi yeni teknolojilerden birinde de veri analizi<\/a><\/strong> sistemini oldukça etkin bir \u015fekilde kullan\u0131yor. Siemens'in geli\u015ftirdi\u011fi sistemde trenlerde ve demiryollar\u0131ndaki sensörlerle elde edilen veriler de\u011ferlendirilerek demiryolu bak\u0131mlar\u0131nda reaktif yöntemlerden proaktif yöntemlere geçilmesi planlan\u0131yor. Geli\u015ftirilen bu sistemle olaylara kar\u015f\u0131 olu\u015facak tepkisel durumlar önceden tahmin edilerek bak\u0131mlar ve onar\u0131mlar bu tahminlere göre, tepkiler ortaya ç\u0131kmadan, gerçekle\u015ftirilecek.<\/span><\/span><\/p>\n

Tan\u0131lar\u0131 elde edecek sensörlerden<\/a><\/strong> gelen verilerle sistem bile\u015fenlerini durumu de\u011ferlendirilerek ar\u0131za ortaya ç\u0131kma ihtimali olan durumlar önceden belirlenebilecek. Ard\u0131ndan veriler gerçek zamanl\u0131 olarak izlenerek hizmetler kesintiye u\u011frat\u0131lmadan \u015fikayetlere h\u0131zl\u0131ca yan\u0131t verilebilecek. Hizmet verildi\u011fi bölgede bak\u0131m onar\u0131m imkan\u0131 bulunmayan durumlarda ise problemli komponent h\u0131zl\u0131 bir \u015fekilde incelenmek üzere gönderilecek. Bu yakla\u015f\u0131m\u0131n faydalar\u0131na bak\u0131ld\u0131\u011f\u0131nda en önemli faydan\u0131n hizmet onar\u0131m ve bak\u0131m süreçlerinde ya\u015fanan gecikmelerin azalt\u0131lmas\u0131 oldu\u011fu aç\u0131k bir \u015fekilde görülmektedir fakat bunun yan\u0131nda bu yakla\u015f\u0131m\u0131n ayn\u0131 zamanda bak\u0131m planlamalar\u0131ndaki verimin art\u0131r\u0131lmas\u0131, i\u015fçilik maliyetlerinin dü\u015fürülmesi ve ekipler taraf\u0131ndan kat edilen mesafelerin azalt\u0131lmas\u0131 gibi bir çok olumlu etkisi de mevcut. Bu durum ise Siemens'in mü\u015fterilerle gerçekle\u015ftirdi\u011fi bak\u0131m sözle\u015fmelerinin daha da performansa dayal\u0131 olmas\u0131na büyük oranda katk\u0131 sa\u011fl\u0131yor.<\/span><\/span><\/p>\n

\"\"<\/a><\/p>\n

<\/span>Veri Analizi ve Ta\u015f\u0131mac\u0131l\u0131k<\/strong><\/span><\/span><\/span><\/span><\/h1>\n

Siemens Almanya'da bir lokomotif fabrikas\u0131nda birkaç y\u0131l önce tren parçalar\u0131ndaki ve demiryolu altyap\u0131s\u0131ndaki ba\u015far\u0131s\u0131zl\u0131klar\u0131 öngören algoritmalar olu\u015fturmak için veri bilimcileri ve mühendislerce olu\u015fan bir ekibi bir araya getirmi\u015fti. Siemens mobil<\/a><\/strong> veri hizmetleri direktörü Gerhard Kress gerçekle\u015ftirilmek istenen bu projedeki ba\u015far\u0131s\u0131zl\u0131\u011f\u0131n nedenini endüstriyel verilerin internet verilerinden çok farkl\u0131 davranmas\u0131na ve kullan\u0131lan ço\u011fu klasik yöntemin bu alanda iyi çal\u0131\u015famamas\u0131na ba\u011flad\u0131. Kress ayr\u0131ca bu tür sistemlerde s\u0131k\u0131nt\u0131l\u0131 durumlar çokça görülmedi\u011finden daha önce olu\u015fturduklar\u0131 sistemlerden çok daha fazla öngörme kabiliyetine sahip bir yap\u0131 olu\u015fturulmas\u0131 gerekti\u011fini dile getirdi.<\/span><\/span><\/p>\n

Siemens ekibi son iki y\u0131lda yen matematiksel yakla\u015f\u0131mlar geli\u015ftirerek toplam 30 farkl\u0131 patent ba\u015fvurusunda bulundu. 2013 y\u0131l\u0131nda Siemens veri analiz piyasas\u0131n\u0131n en etkili firmalar\u0131ndan biri olan Teradata ile geli\u015fmi\u015f veri analiz yeteneklerini geli\u015ftirmek için çal\u0131\u015fmalar ba\u015flatt\u0131. Siemens'in bu dönemden sonra geli\u015ftirdi\u011fi geli\u015fmi\u015f veri izleme yetenekleri sayesinde Rusya'daki h\u0131zl\u0131 trenlerin kullan\u0131labilirli\u011fi %99.96'ya, Tayland'da ise metro kullan\u0131m\u0131n\u0131 % 99.98'e ç\u0131kard\u0131. Siemens ayr\u0131ca Londra'daki Thameslink demiryolu dahil olmak üzere \u0130ngiltere'deki birçok bölgesel tren için proaktif bak\u0131m yöntemini kullanmaktad\u0131r.<\/span><\/span><\/p>\n

\"\"<\/p>\n

<\/span>Trenlerde Sensör Düzene\u011fi<\/strong><\/span><\/span><\/span><\/span><\/h1>\n

Bir trenin kullan\u0131m ömrü boyunca tüketti\u011fi enerjinin bedeli trenin kendi maliyetinin kat kat fazlas\u0131 oluyor. E\u011fer do\u011fru metotlar kullan\u0131larak bak\u0131m ve onar\u0131m gerçekle\u015ftirilirse bu enerji tüketimi %10 dolaylar\u0131nda azalt\u0131labiliyor. Standart lokomotiflerde 150-200, yüksek h\u0131zl\u0131 trenlerde ise 300-350 civar\u0131nda sensör<\/a><\/strong> bulunuyor. Örne\u011fin trenin sa\u011fl\u0131kl\u0131 bir \u015fekilde durdurulmas\u0131n\u0131 sa\u011flayacak olan fren sistemine ait fren bas\u0131nc\u0131 ve hidrolik ya\u011f\u0131 gibi parametrelerin bulundu\u011fu sistemlerde fren ba\u015f\u0131na yaln\u0131zca bir çift sensör yerle\u015ftirilir. Bu \u015fekilde olabilecek en az sensör say\u0131s\u0131na ula\u015f\u0131lmaya çal\u0131\u015f\u0131l\u0131r. Motorlar, vites kutular\u0131, rulmanlar ve tekerlekler mekanik olarak ba\u011fl\u0131d\u0131r bu yüzden her bir parçan\u0131n kendine ait sensörleri bulunmayabilir. Siemens, bu noktada algoritmalar\u0131n de\u011ferlendirilmesini sa\u011flayarak her bir parçadaki hatalar\u0131 hesaplayan sanal bir sensör kullanabilir. Ayr\u0131ca verileri farkl\u0131 önemli noktalarla entegre edebilir böylece trendeki ve raydaki sensörler birbirini izleyerek gerekli kontrol miktar\u0131 en aza indirilebilir.<\/span><\/span><\/p>\n

<\/span>Veri Analizinin Faydalar\u0131<\/strong><\/span><\/span><\/span><\/span><\/h1>\n

Siemens önceden trenlerin aktif bir \u015fekilde çal\u0131\u015fmas\u0131 için muayene ve rutin bak\u0131mlara yer veriyordu fakat bu i\u015flemler trenlerdeki ar\u0131zalar\u0131n\u0131n nedenlerini bulmak için trenin aç\u0131lmas\u0131n\u0131 veya yedek parçalar\u0131n trenden al\u0131nmas\u0131n\u0131 gerektiriyordu. Sonuç olarak onar\u0131m sürelerinde çok zamanl\u0131 gecikmeler ya\u015fan\u0131yordu. Trende olu\u015facak kap\u0131 ar\u0131zas\u0131 gibi basit bir olayda bile trenin rota üzerinde 5-10 dakika dolaylar\u0131nda gecikmeler ya\u015famas\u0131na neden olabiliyordu. Siemens \u015fu an bütün trenlerin kap\u0131lar\u0131n\u0131 izliyor ve bir aksakl\u0131k olmas\u0131 durumunda durumu önceden saptayarak potansiyel bir problemi tespit ediyor. Kress konu ile ilgili böyle bir kap\u0131 probleminde problem ya\u015fanmadan yakla\u015f\u0131k bir buçuk saat önceden sistemin konuyu bildirdi\u011fini dile getirdi. Bu i\u015flemden sonra bir teknisyen kolay bir \u015fekilde kap\u0131n\u0131n bulundu\u011fu bölüme gidebilir ve orada kolay bir \u015fekilde tamirat i\u015flemini gerçekle\u015ftirebilir. Kress ayr\u0131ca acil ar\u0131za uyar\u0131 durumlar\u0131 üzerinde de çokça durduklar\u0131n\u0131 ve bu konu ile ilgili daha önceleri 700 yolcuyu tahliye etme gibi s\u0131k\u0131nt\u0131lar ya\u015fad\u0131klar\u0131n\u0131 belirtti.<\/span><\/span><\/p>\n

\"\"<\/a><\/p>\n

Siemens demiryolu hizmetleri için saniyede 50 binin üzerinde veri noktas\u0131ndan veri çekiyor. Elde edilen bu veriler \u015firket taraf\u0131ndan uzunca bir süre saklanmak zorunda. Böyle bir veri ak\u0131\u015f yo\u011funlu\u011fu ve yo\u011fun analizlerin gerekti\u011fi bir yap\u0131da Siemens veri analiz sektörünün en büyük firmalar\u0131ndan biri olan Teradata ile birlikte çal\u0131\u015f\u0131yor.<\/span><\/span><\/p>\n

Siemens ayr\u0131ca her bir analitik görevde belirli makine ö\u011frenimi yöntemlerini geli\u015ftirmek için Apache Spark ve TensorFlow gibi sistem kombinasyonlar\u0131 kullan\u0131yor. Veriler sa\u011fl\u0131kl\u0131 bir \u015fekilde kullan\u0131labilmesi içinse veri gölü sistemi kullan\u0131l\u0131yor. Bu \u015fekilde bilim insanlar\u0131 sanal ortamda olduklar\u0131nda bile var olan tüm verileri görebilir ve ihtiyaçlar\u0131 olduklar\u0131nda bilgileri ke\u015fif ve analiz etmek için veri noktalar\u0131n\u0131 nas\u0131l birle\u015ftireceklerini kavrayabilirler.<\/span><\/span><\/p>\n

Siemens bu sistem ile veri analizi konusunu ta\u015f\u0131mac\u0131l\u0131k sektörüne entegre eden nadir \u015firketler aras\u0131nda yerini alm\u0131\u015f durumda. Önümüzdeki y\u0131llarda sistemin yap\u0131 üzerinde olumlu verim de\u011fi\u015fimleri sa\u011flad\u0131\u011f\u0131 gözlemlenirse veri analizi teknolojisinin ta\u015f\u0131mac\u0131l\u0131 alan\u0131nda da oldukça yayg\u0131nla\u015fabilecek bir potansiyele sahip oldu\u011fu aç\u0131k bir \u015fekilde görülebilir.<\/span><\/span><\/p>\n

 <\/p>\n

Kaynak:<\/span><\/span><\/p>\n

computerworlduk<\/span><\/span><\/p>","protected":false},"excerpt":{"rendered":"

Demiryolu sistemleri \u00e7al\u0131\u015fmalar\u0131nda veri analizi bir\u00e7ok avantaj sa\u011fl\u0131yor. D\u00f6rd\u00fcnc\u00fc sanayi devrimi teknolojilerini yak\u0131ndan takip eden firmalardan biri olan Siemens konu ile ilgili demiryolu sistemleri i\u00e7in veri analizi sistemleri geli\u015ftirdi\u011fini a\u00e7\u0131klad\u0131.<\/p>","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","footnotes":""},"categories":[1],"tags":[],"coauthors":[],"class_list":["post-1284","post","type-post","status-publish","format-standard","hentry","category-uncategorized","pmpro-has-access"],"acf":[],"_links":{"self":[{"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/posts\/1284","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/comments?post=1284"}],"version-history":[{"count":0,"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/posts\/1284\/revisions"}],"wp:attachment":[{"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/media?parent=1284"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/categories?post=1284"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/tags?post=1284"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/endustri40.com\/en\/wp-json\/wp\/v2\/coauthors?post=1284"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}