İletişimISSN:e-ISSN: 2578-8965
Yazar GirişiHakem GirişiYeni Üyelik
TürkçeEnglish
AnasayfaAmaç ve KapsamDergi KuruluYazarlar için RehberMakale GönderSon SayıArşivİletişim

Pnömatik Sistemler için Endüstri 4.0 ve Edge Computing Destekli Kestirimci Bakım Modeli

CEREN SEVİN KELESLİ,MEHMET AKİF ŞAHMAN,ABDULLAH OKTAY DÜNDAR

  • CEREN SEVİN KELESLİ: Selçuk Üniversitesi
  • MEHMET AKİF ŞAHMAN: SELÇUK ÜNİVERSİTESİ
  • ABDULLAH OKTAY DÜNDAR: NECMETTİN ERBAKAN ÜNİVERSİTESİ
  •  Yıl : 2025
  •  Cilt : 5
  •  Sayı : 2
  •  Sayfa : 81-90
Pnömatik sistemler, atmosferden alınan havanın, sıkıştırılarak basınç enerjisine dönüştürülmesi ve bunun mekanik aksiyon olarak kullanılmasını sağlayan aktüatörlerdir. Burada bahsedilen hareketler, doğrusal veya dairesel hareket gibi mekanik hareketlerdir. Pnömatik sistemler 1950 yıllarından itibaren üretim endüstrisinde kullanılmaya başlanmıştır. Günümüzde ise üretim yapacak fabrikalarda, elektrik ve su hatları ile birlikte pnömatik tesisatlarının da yapıldığını görmekteyiz. Bu durum, üretim süreçlerinde pnömatik sistemlerin artık göz ardı edilemeyecek kadar önemli ve temel bir ihtiyaç haline geldiğini net bir şekilde ortaya koymaktadır. Endüstri 4.0 bakış açısıyla pnömatik sistemleri değerlendirmemiz gerekirse, pnömatik sistemlerin kullanıldığı ortamlardan verimi arttırabilecek birçok verinin toplanabileceği görülür. Buradan elde edilen verilerin yönetilmesi ve analizi için farklı yaklaşımlar bulunmasına rağmen, Bulut Bilişim ve Uç bilişim en çok göze çarpan iki yaklaşım olarak karşımıza çıkmaktadır. Günümüzde bu iki yaklaşımın birlikte kullanılmasına sıkça rastlanılmaktadır. Uç Bilişim ile kaynaktan elde edilen veriler, kaynağa en yakın yerde analiz edilmekte ve hızlı sonuç almada kullanılırken, Bulut Bilişim sadece önemli verilerin aktarılması ve analizi için kullanılmaktadır. Böylece sistemdeki gereksiz zaman, performans kayıpları azaltılmakta ve daha verimli hale gelmektedir. Bu çalışmada, Endüstri 4.0 konseptinin Uç Bilişim yaklaşımı, gerçek bir hayat probleminde kullanılmıştır. Burada pnömatik sistemlerdeki kestirimci bakım problemi ele alınmıştır. Bu problem Konya'da bulunan, fırın makinaları üreten Brotmas firmasının tam otomatik ekmek işleme ve dizme hattı üzerinde çalışılmıştır. Firmadan, borulardaki hava tesisatındaki kaçakların tespiti, kompresör yağ seviyesi kontrolü, manometre basınç değer kontrolü, kompresör kayış gerginliği kontrolü ve invertörle kompresör motor sağlığı kontrolü dahil olmak üzere sistemdeki kilit noktalardan veriler toplandı. Toplanan veriler ise olası arızaları önlemek için yeni bilgilerle karşılaştırıldı. Bu çalışmanın sonucunda, kompresörün kapalı olması, basınç düşmesi, bakım eksikliği ve pnömatik piston arızaları nedeniyle oluşan hata bildirimleri %67 oranında azaldığı gözlemlendi.
Atıf yapmak için : Kelesli, C.S., Şahman, M. A., & Dündar A.O. (2025). Predictive maintenance model for pneumatic systems supported by industry 4.0 and edge computing. Fivezero, 5(2), 81-90.

Çıkar İlişkisi : Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Bu makale CC BY-NC 4.0 lisansı ile yayımlanmıştır.
Fivezero Dergisi
2025, Cilt5, Sayı2
E-ISSN: 2578-8965
Geliş Tarihi : , Kabul Tarihi : , Yayın Tarihi :

Kaynakça

  1. Alves, J., Morgado, T., Navas, H., Lampreia, S., Abreu, A., & Dias, A. (2024). The Transformation of Maintenance with the Arise of Industry 4.0. Paper presented at the International Conference Innovation in Engineering.
  2. Atalar, F., Adıgüzel, E., & Ersoy, A. (2025). Application of Contemporary Artificial Intelligence Algorithms in Real Energy Consumption Estimation in Residences. Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 7(1), 31-47.
  3. Avcı, Ü., & Candan, Ö. (2023). Öğretmenlerin bilgi teknolojileri okuryazarlık düzeylerine göre endüstri 4.0 farkındalıklarının incelenmesi. Necmettin Erbakan Üniversitesi Ereğli Eğitim Fakültesi Dergisi, 5(1), 160-178.
  4. Bajic, B., Suzic, N., Simeunovic, N., Moraca, S., & Rikalovic, A. (2020). Real-time data analytics edge computing application for industry 4.0: The mahalanobis-taguchi approach. International Journal of Industrial Engineering and Management, 11(3), 146-156.
  5. Bala, A., Rashid, R. Z. J. A., Ismail, I., Oliva, D., Muhammad, N., Sait, S. M., . . . Memon, K. A. (2024). Artificial intelligence and edge computing for machine maintenance-review. Artificial Intelligence Review, 57(5), 119.
  6. Cheng, C., Zhang, B.-k., & Gao, D. (2019). A predictive maintenance solution for bearing production line based on edge-cloud cooperation. Paper presented at the 2019 Chinese Automation Congress (CAC).
  7. Ciancio, V., Homri, L., Dantan, J.-Y., & Siadat, A. (2024). Development of a flexible data management system, to implement predictive maintenance in the Industry 4.0 context. International Journal of Production Research, 62(6), 2255-2271.
  8. Goldin, E., Feldman, D., Georgoulas, G., Castaño, M., & Nikolakopoulos, G. (2017). Cloud computing for big data analytics in the Process Control Industry. Paper presented at the 2017 25th Mediterranean Conference on Control and Automation (MED).
  9. Halenar, I., Halenarova, L., Tanuska, P., & Vazan, P. (2024). Machine Condition Monitoring System Based on Edge Computing Technology. Sensors, 25(1), 180.
  10. Hemanth, N., Babu, D., & Raj, D. (2025). IoT-Based Predictive Maintenance System for Industrial Machinery. Int. J. Res. Publ. Rev, 6, 1047-1053.
  11. Hussain, R. F., Pakravan, A., & Salehi, M. A. (2020). Analyzing the performance of smart industry 4.0 applications on cloud computing systems. Paper presented at the 2020 IEEE 22nd International Conference on High Performance Computing and Communications; IEEE 18th International Conference on Smart City; IEEE 6th International Conference on Data Science and Systems (HPCC/SmartCity/DSS).
  12. Koç, Ş., & Özcan, G. (2023). Endüstri 4.0’ın ekonomik büyüme üzerindeki etkisinin incelenmesi: G7 ülkeleri için panel veri analizi. Necmettin Erbakan Üniversitesi Siyasal Bilgiler Fakültesi Dergisi, 5(1), 1-16.
  13. Kolisetty, S. B., & Pacha, P. (2022). A study on predictive maintenance using edge intelligence. (Master). Chalmers University of Technology, Gothenburg, Sweden.
  14. Krompf, W. (2005). Diaphragm technology for pneumatic actuators that are situated to the engine. MTZ worldwide, 66(4), 16-17.
  15. Kubiak, K., Dec, G., & Stadnicka, D. (2022). Possible applications of edge computing in the manufacturing industry—systematic literature review. Sensors, 22(7), 2445.
  16. Küçüköz, E. (2017). Endüstri4. 0: Hidrolik, Pnömatik Uygulamalardaki Kullanim Alanları.
  17. Mennilli, R., Mazza, L., & Mura, A. (2025). Integrating Machine Learning for Predictive Maintenance on Resource-Constrained PLCs: A Feasibility Study. Sensors (Basel, Switzerland), 25(2), 537.
  18. Peruthambi, V., Pandiri, L., Kaulwar, P. K., Koppolu, H. K. R., Adusupalli, B., & Pamisetty, A. (2025). Big Data-Driven Predictive Maintenance for Industrial IoT (IIoT) Systems. Metallurgical and Materials Engineering, 31(3), 21-30.
  19. Philbeck, T., & Davis, N. (2018). The fourth industrial revolution. Journal of International Affairs, 72(1), 17-22.
  20. Scotece, D., Fiandrino, C., & Foschini, L. (2021). On the efficiency of service and data handoff protocols in edge computing systems. Paper presented at the 2021 IEEE Global Communications Conference (GLOBECOM).
  21. Stankovski, S., Ostojić, G., Nićin, M., Baranovski, I., & Tarjan, L. (2020). Edge computing for fault detection in smart systems. ICIST 2020 Proceedings, 1, 22-26.
  22. Varghese, B., Wang, N., Barbhuiya, S., Kilpatrick, P., & Nikolopoulos, D. S. (2016). Challenges and opportunities in edge computing. Paper presented at the 2016 IEEE international conference on smart cloud (SmartCloud).
  23. Velásquez, N., Estevez, E. C., & Pesado, P. M. (2018). Cloud computing, big data and the industry 4.0 reference architectures. Journal of Computer Science & Technology, 18.
  24. Xu, M., David, J. M., & Kim, S. H. (2018). The fourth industrial revolution: Opportunities and challenges. International journal of financial research, 9(2), 90-95.