Reis bak olayı iki parçaya bölelim, çünkü senkronizasyon ile tahmini bakım aslında iki ayrı teknik sorunu çözüyor.
Önce telemetri kısmı: 500 Hz demek saniyede 500 paket demek, REST API ile bunu yapmak kendini öldürmekten başka bir şey değil, REST istek-cevap temelli bir yapı, bu kadar sık veri için uygun değil. Burada kesin MQTT kullanmalısın, özellikle QoS seviyesi 1 ya da 2 ile. Ama daha güzeli MQTT Broker’ın yanında bir message aggregator koymak, çünkü raw veriyi direkt modelleştirmek yerine önce bir buffer/ağırlaştırıcı (throttling) katmanı eklersin. Broker olarak Mosquitto ya da EMQX gayet stabil, EMQX’in dashboard’uyla canlıda ne kadar mesaj akığını görebilirsin.
Veriyi depolarken de SQL yerine time-series veritabanına yönel, InfluxDB ya da TimescaleDB. Zaman damgalı veriye göre optimize edilmişler, agregasyon sorguları (örneğin son 5 dakikadaki ortalamalar, max/min değerler) SQL’e göre kat kat hızlı. Bu senin hem senkronizasyon hem de bakım analizi için altyapıyı halleder.
Senkronizasyonda dikkat etmen gereken en kritik konu zaman eşitleme. Sensör, ağ ve model birbirinden bağımsız saatler kullanır, bu yüzden her pakete bir NTP tabanlı timestamp bas ve model tarafında bu timestamp’lere göre yeniden sırala. Latansı da şöyle yönet: bir jitter buffer koy, örneğin 50-100 ms kadar veri biriksin, sonra modelle senkronizasyonu tetikle. Böylece ağ sallandığında model anında geriler kalmaz.
Tahmini bakım kısmına gelince, yanlış tetikleme sorunun asıl sebebi muhtemelen sensör gürültüsü ve eşik değerlerinin sabit olması. Basit bir ‘değer X’i geçti = arıza’ mantığı sahada çalışmaz, çünkü virajlı yolda, çamurda, aşırı yükleme tüm bu parametreleri geçici olarak yükseltir.
İki şey yapmanı öneririm: Önce veri ön işleme. Sensör sinyaline bir Butterworth low-pass filtre uygula (örneğin kesim frekansı 20-30 Hz gibi, arıza frekans bantlarını geçirmeyecek şekilde), sonra hareketli ortalama (moving average) al. Bu gürültüyü büyük ölçüde alır.
Sonra eşikleri dinamik yap. Statik sabit bir eşik yerine, sistemin normal çalışma aralığını bir window içinde hesapla ve buna göre anomaly tespiti yap. Basit başlangıç için z-score ya da Isolation Forest yeterli, bunları sklearn ile birkaç satırla kurabilirsin. İşi biraz ileri taşımak istersen PCA ile normal durum modelini çıkar, sapmaları tespit edersin. Kritik parçalarda (mesela yatak, amortisör) trend analizi de ekle, tek bir anlık patlama yerine ‘son 48 saate göre eğim ne kadar değişti’ bakmak sahte almaları ciddi düşürür.
Bir de eğitim verisi meselesi var, onu atma: Gerçek arıza örnekleri az olur, o yüzden normal veriyle eğitip anomaly tespiti yapmak en sağlıklısı. Arızalı veri bulamadan ‘arıza’ öğrenmeye çalışıp yanlış alarmlara sebepsiz neden olma.
Merak ettiğin başka bir nokta olursa buradayız.
"Apex Hızı: İstanbul Park 8. Viraj 4 Tepe Noktası: 168 km/s telemetri geçişi"