top of page

Siemens PLC ve Azure IoT Edge ile Uçtan Uca Endüstriyel IoT Mimarisi

Yazarın fotoğrafı: Berta Otomasyon HKS A.Ş.
Berta Otomasyon HKS A.Ş.
5 Eki
11 dakikada okunur

Güncelleme tarihi: 13 Eki

Bir üretim hattında veri çoğu zaman zaten vardır. PLC tag’lerinde, DB bloklarında, I/O sinyallerinde, sensör okumalarında ve operatör ekranlarında akar. Asıl mesele bu veriyi güvenli, tutarlı ve izlenebilir biçimde sahadan buluta taşımaktır.


Geleneksel SCADA sistemleri üretim sahasını izlemek için hâlâ güçlü araçlardır. Fakat modern endüstriyel IoT ihtiyaçları farklı bir seviye ister. Verinin yalnızca ekranda görünmesi yetmez. Filtrelenmesi, zenginleştirilmesi, yerelde işlenmesi, buluta kontrollü aktarılması ve tüm veri yolunun izlenebilmesi gerekir.


Bu yazıda Siemens SIMATIC PLC’lerden Azure IoT Hub’a kadar uzanan uçtan uca bir mimariyi ele alıyoruz. Merkezde dört ana yapı var: Siemens PLC, Azure IoT Edge, .NET 8 ile geliştirilen özel Edge modülleri ve OpenTelemetry ile sağlanan observability.


Geniş açılı görünümde üretim hattı yanında çalışan endüstriyel IoT gateway cihazı görülüyor.
Sahadaki veri, doğru mimariyle buluta güvenli şekilde taşınır.

Sahadan buluta uzanan dört katmanlı mimari


Endüstriyel IoT projelerinde en sık yapılan hata, çözümü tek bir yazılım bileşeni gibi düşünmektir. Oysa güvenilir bir sistem katmanlı tasarlanır. Her katmanın açık görevi, ayrı sorumluluğu ve ölçülebilir çıktısı olmalıdır.


Bu mimaride yapı dört katmandan oluşur:


  1. Siemens PLC ve saha cihazları

  2. Azure IoT Edge çalışma zamanı ve Edge modülleri

  3. .NET uygulama katmanı

  4. Azure cloud ve observability servisleri


Bu ayrım, sistemin hem teknik olarak yönetilebilir kalmasını hem de arıza anında sorunun nerede başladığını hızlıca bulmayı sağlar.


Siemens PLC ve saha cihazları verinin başladığı yerdir


Saha katmanı, üretim prosesinin gerçek zamanlı verisini üretir. Siemens SIMATIC ailesinde bu genellikle S7-1500, S7-1200 veya daha eski S7-300/400 sistemlerini kapsar. Her tesisin PLC standardı, makine yaşı ve bakım yaklaşımı farklıdır. Bu yüzden entegrasyon tasarımı tek bir protokole bağlı kalmamalıdır.


Sahadan okunabilecek tipik veri kaynakları şunlardır:


  • PLC tag’leri Motor çalışma durumu, vana pozisyonu, reçete bilgisi, çevrim adedi ve alarm bayrakları gibi proses verileri.


  • DB blokları Makine üreticisinin tanımladığı veri yapıları, sayaçlar, kalite parametreleri ve ara hesaplamalar.


  • I/O verileri Dijital girişler, çıkışlar, analog sinyaller ve saha cihazlarından gelen ham değerler.


  • Sensör okumaları Sıcaklık, basınç, akım, titreşim, debi ve benzeri sürekli ölçümler.


İletişim tarafında en yaygın seçenekler OPC UA, S7 Protocol ve Modbus TCP olur. OPC UA özellikle standart veri modeli, güvenlik yetenekleri ve platform bağımsız yapısı nedeniyle tercih edilir. S7 Protocol doğrudan Siemens PLC erişimi için pratik olabilir. Modbus TCP ise çok farklı saha cihazlarını aynı mimariye bağlamak için hâlâ yaygın bir çözümdür.


Burada kritik nokta, protokol seçimini yalnızca teknik erişim kolaylığına göre yapmamaktır. Veri sıklığı, ağ gecikmesi, PLC CPU yükü, güvenlik gereksinimleri ve bakım ekibinin yetkinliği birlikte değerlendirilmelidir.


Azure IoT Edge sahadaki hesaplama katmanıdır


Azure IoT Edge, bulut servislerini sahaya yaklaştırır. Bu yaklaşımda tüm ham veriyi buluta göndermek yerine, verinin bir kısmı Edge üzerinde işlenir. Böylece ağ kesintilerinde sistem çalışmaya devam eder, bant genişliği daha verimli kullanılır ve buluta yalnızca anlamlı veriler aktarılır.


Tipik bir kurulumda Azure IoT Edge for Linux on Windows veya Linux tabanlı bir edge cihazı kullanılır. Edge runtime, container olarak çalışan modülleri yönetir. Bu modüller veri toplama, dönüştürme, filtreleme, agregasyon ve iletim gibi görevler üstlenir.


Örneğin bir üretim hattında sıcaklık sensörü her saniye veri üretebilir. Fakat bulut tarafında her saniye ham veri yerine şu bilgiler yeterli olabilir:


  • Her 1 dakikadaki ortalama, minimum ve maksimum değer

  • Eşik aşımı olduğunda olay mesajı

  • Makine duruşu başladığında son 30 saniyelik örnek veri

  • Üretim reçetesi değiştiğinde ilgili parametre seti


Bu işin Edge tarafında yapılması, gereksiz veri trafiğini azaltır. Aynı zamanda cloud maliyetlerinin kontrol altında kalmasına yardım eder.


.NET 8 uygulama katmanı mimarinin esnek kısmıdır


Edge modüllerinin .NET 8 ile geliştirilmesi, endüstriyel IoT projelerinde ciddi esneklik sağlar. .NET ekosistemi hem cihaz haberleşmesi hem de bulut entegrasyonu için geniş araç desteği sunar.


Bu katmanda sık kullanılan bileşenler şunlardır:


  • .NET 8 ve ASP.NET Core Worker service, API endpoint, health check ve konfigürasyon yönetimi için kullanılır.


  • Azure IoT SDK IoT Hub ile MQTT veya AMQP üzerinden güvenli mesajlaşmayı sağlar.


  • S7.Net gibi kütüphaneler Siemens PLC’lere doğrudan S7 protokolüyle erişim gereken senaryolarda işe yarar.


  • OPC UA .NET kütüphaneleri OPC UA server üzerinden tag okuma, abonelik ve güvenli kanal yönetimi için kullanılır.


  • gRPC Edge modülleri veya yerel servisler arasında düşük gecikmeli iletişim sağlar.


  • OpenTelemetry Trace, metric ve log verilerini standart biçimde toplar.


.NET modülleri genellikle küçük, tek sorumluluklu servisler şeklinde tasarlanmalıdır. Bir modül PLC’den veri toplar. Başka bir modül veriyi normalize eder. Bir diğeri kuralları çalıştırır. Ayrı bir modül IoT Hub’a gönderimi yönetir. Bu yaklaşım, güncelleme ve hata ayıklama süreçlerini kolaylaştırır.


Azure cloud katmanı cihaz yönetimi ve analiz sağlar


Bulut tarafında Azure IoT Hub, cihaz ve modül kimliklerini yönetir. Mesajları kabul eder, yönlendirme kurallarıyla farklı servislere aktarır ve cihaz ikizleri üzerinden konfigürasyon yönetimini destekler.


Zaman serisi analizi için mevcut kurulumlarda Azure Time Series Insights kullanan sistemler olabilir. Yeni tasarımlarda Azure Data Explorer, Microsoft Fabric Real-Time Intelligence veya benzer veri servisleri de değerlendirilebilir. Önemli olan, sensör verisinin zaman damgası, kaynak kimliği, kalite bilgisi ve üretim bağlamı ile saklanmasıdır.


Görselleştirme tarafında Power BI, üretim yöneticileri ve bakım ekipleri için canlıya yakın dashboard’lar sunabilir. Application Insights ise uygulama performansı, hata izleme ve OpenTelemetry’den gelen trace ile metric verilerini incelemek için kullanılabilir.


Yakın çekimde kabin içindeki PLC modülleri ve bağlı Ethernet kabloları görülüyor.
PLC katmanı, üretim verisinin en kritik başlangıç noktasıdır.

Veri toplama modeli doğru kurulmazsa mimari zorlanır


Endüstriyel IoT sistemlerinde başarı çoğu zaman veri modeline bağlıdır. PLC’den veri okumak tek başına yeterli değildir. Hangi verinin ne sıklıkla okunacağı, nasıl adlandırılacağı, hangi bağlamla gönderileceği ve bulutta nasıl saklanacağı baştan tasarlanmalıdır.


Tag listesi sade ve yönetilebilir olmalıdır


Her PLC tag’ini buluta göndermek cazip görünebilir. Fakat bu yaklaşım kısa sürede karmaşa üretir. Binlerce tag arasından anlamlı sinyal bulmak zorlaşır. Gereksiz veri, ağ ve storage maliyetini artırır. Daha da önemlisi, bakım ekipleri alarm veya olay anında neye bakacağını bilemez.


Daha sağlıklı yaklaşım, tag’leri iş değerine göre gruplamaktır:


  • Operasyon verisi Üretim adedi, çevrim süresi, hız, reçete numarası, vardiya bilgisi.


  • Kalite verisi Ölçüm sonuçları, tolerans dışı değerler, ret adetleri, test sonuçları.


  • Bakım verisi Motor akımı, titreşim, sıcaklık, çalışma saati, duruş sebebi.


  • Enerji verisi Anlık güç, toplam tüketim, basınçlı hava kullanımı, hat bazlı enerji dağılımı.


  • Alarm ve olay verisi Kritik duruşlar, güvenlik kesmeleri, proses alarmı, operatör müdahaleleri.


Bu sınıflandırma Edge tarafındaki modüllerin daha anlamlı çalışmasını sağlar. Örneğin bakım verileri farklı bir saklama politikasına, kalite verileri ise daha sıkı izlenebilirliğe ihtiyaç duyabilir.


Zaman damgası ve veri kalitesi göz ardı edilmemelidir


Saha verisinde zaman bilgisi hayati önemdedir. Bir sıcaklık artışının motor akımıyla ilişkisini anlamak için iki sinyalin zaman olarak doğru hizalanması gerekir. Bu yüzden Edge cihazında saat senkronizasyonu, zaman damgası stratejisi ve gecikme yönetimi planlanmalıdır.


Her mesajda şu alanlar bulunmalıdır:


Alan

Neden gerekli

`deviceId`

Verinin hangi Edge cihazından geldiğini gösterir

`assetId`

Makine, hat veya ekipman kimliğini belirtir

`tagName`

Ölçümün teknik veya iş anlamını taşır

`timestamp`

Olayın sahada oluştuğu zamanı gösterir

`value`

Ölçüm değerini içerir

`quality`

Verinin güvenilir olup olmadığını belirtir

`unit`

Değerin birimini açıklar

`metadata`

Reçete, vardiya veya ürün kodu gibi bağlam sağlar


Bu yapı basit görünür, fakat uzun vadeli analizlerde büyük fark yaratır. Kalite bilgisi olmayan bir veri seti, arıza sonrası analizlerde güven sorununa yol açar. Birim bilgisi olmayan bir ölçüm ise farklı makinelerden gelen değerleri karşılaştırmayı riskli hale getirir.


Edge üzerinde filtreleme ve agregasyon maliyeti düşürür


Her veri noktasını buluta göndermek çoğu zaman gerekli değildir. Özellikle yüksek frekanslı titreşim, akım veya sıcaklık ölçümlerinde Edge katmanı devreye girmelidir.


Edge tarafında uygulanabilecek işlemler:


  • Gürültülü veriyi filtreleme

  • Değerleri belirli zaman pencerelerinde toplama

  • Eşik aşımı olduğunda olay üretme

  • Kısa süreli veri tamponlama

  • Aynı mesaj içine ilgili ölçümleri gruplama

  • Üretim bağlamı ekleme

  • Ağ kesintisinde store and forward uygulama


Bu sayede buluta giden veri daha az ama daha anlamlı olur. İyi planlanmış projelerde container tabanlı deployment ile devreye alma süreleri belirgin biçimde kısalabilir. Edge computing, bant genişliği ve cloud storage kullanımını da azaltabilir. Buradaki kazanım, tesisin veri hacmine ve mimarinin nasıl kurulduğuna bağlıdır.


Göz hizasında endüstriyel gateway ekranında sensör değerleri ve ağ bağlantıları görülüyor.
Edge katmanı, veriyi sahada işler ve yalnızca gerekli bilgiyi gönderir.

.NET Edge modülleri sahada kontrollü çalışmalıdır


Edge modülleri yalnızca kod parçası değildir. Sahada çalışan, kesintilere dayanan, güncellenebilen ve izlenebilen uygulamalardır. Bu yüzden yazılım tasarımı ile operasyon yönetimi birlikte düşünülmelidir.


Modül sorumluluklarını ayırmak bakım kolaylığı sağlar


Tek büyük uygulama yerine küçük modüller kullanmak, Edge mimarisini daha yönetilebilir hale getirir. Örnek bir modül ayrımı şöyle olabilir:


Modül

Görevi

`plc-reader`

OPC UA, S7 veya Modbus TCP ile sahadan veri okur

`data-normalizer`

Ölçümleri ortak veri modeline dönüştürür

`rule-engine`

Eşik, olay ve basit iş kurallarını çalıştırır

`local-buffer`

Ağ kesintisi sırasında mesajları güvenli şekilde tutar

`iot-publisher`

Azure IoT Hub’a MQTT veya AMQP ile veri gönderir

`telemetry-exporter`

OpenTelemetry verilerini toplar ve aktarır


Bu ayrım, her modülün ayrı ayrı güncellenmesini sağlar. Örneğin PLC okuma mantığında değişiklik yapılırken IoT Hub’a gönderim modülüne dokunmak gerekmez. Bir modül sorun çıkarırsa diğerleri çalışmaya devam edebilir.


Konfigürasyon kodun içinde kalmamalıdır


Endüstriyel sahalarda makine sayısı arttıkça konfigürasyon yönetimi kritik hale gelir. PLC IP adresleri, tag listeleri, okuma periyotları, eşik değerleri ve IoT Hub bağlantı ayarları kod içine gömülmemelidir.


Bunun yerine şu yöntemler tercih edilebilir:


  • Ortam değişkenleri

  • Azure IoT Hub module twin konfigürasyonları

  • Versiyonlanmış JSON veya YAML dosyaları

  • Güvenli secret yönetimi

  • Tesis ve hat bazlı parametre setleri


Bu yapı, aynı container imajının farklı hatlarda farklı konfigürasyonlarla çalışmasını sağlar. Deployment daha sade olur. Rollback durumunda hangi sürümün hangi ayarla çalıştığı da daha rahat izlenir.


Sağlık kontrolleri sahada gerçek değer üretir


Bir Edge modülünün çalışıyor görünmesi yeterli değildir. Gerçek sağlık durumu daha ayrıntılı ölçülmelidir.


Örnek sağlık göstergeleri:


  • PLC bağlantısı açık mı?

  • Son başarılı okuma ne zaman yapıldı?

  • Okuma gecikmesi kabul edilebilir aralıkta mı?

  • Mesaj kuyruğu büyüyor mu?

  • IoT Hub bağlantısı sağlıklı mı?

  • Yerel disk tamponu dolmaya yakın mı?

  • Modül son 10 dakika içinde kaç hata üretti?


ASP.NET Core health check mekanizması veya özel bir Worker Service yapısı bu amaçla kullanılabilir. Azure IoT Edge, modül durumlarını izleyebilir. Fakat uygulama içi sağlık sinyalleri olmadan gerçek sorunları ayırt etmek zorlaşır.


Basit bir OpenTelemetry kurulumu iyi bir başlangıçtır


OpenTelemetry, trace, metric ve log verilerini standart biçimde toplamak için kullanılır. .NET 8 ile bir Edge modülünde temel kurulum şöyle görünebilir:


```csharp

builder.Services.AddOpenTelemetry()

.WithTracing(tracing =>

{

tracing

.AddSource("Factory.Edge.PlcReader")

.AddHttpClientInstrumentation()

.AddOtlpExporter();

})

.WithMetrics(metrics =>

{

metrics

.AddMeter("Factory.Edge.Metrics")

.AddRuntimeInstrumentation()

.AddOtlpExporter();

});

```


Bu örnek sade tutulmuştur. Gerçek projelerde servis adı, ortam bilgisi, cihaz kimliği ve tesis kodu gibi kaynak etiketleri eklenmelidir. Böylece aynı trace içinde hangi Edge cihazının, hangi modülün ve hangi üretim hattının yer aldığı görülebilir.


OpenTelemetry ile observability üretim sahasını görünür kılar


Endüstriyel IoT sisteminde en zor sorulardan biri şudur: “Veri neden gelmedi?”


Cevap bazen PLC bağlantısındadır. Bazen Edge cihazının ağı zayıftır. Bazen IoT Hub kotası, mesaj formatı, sertifika süresi veya cloud tarafındaki yönlendirme kuralı sorun çıkarır. Geleneksel log dosyaları bu zinciri uçtan uca göstermekte yetersiz kalır.


OpenTelemetry burada fark yaratır. Trace, metric ve log verilerini ortak bir bağlamda toplar. Böylece bir ölçümün PLC’den okunmasından bulutta dashboard’a düşmesine kadar izlediği yol takip edilebilir.


Trace verisi veri yolunu adım adım gösterir


Trace, bir işlemin sistem içinde geçtiği adımları gösterir. Örneğin bir `MotorCurrent` ölçümü için şu adımlar izlenebilir:


  1. PLC’den okuma isteği gönderildi.

  2. PLC yanıtı alındı.

  3. Değer normalize edildi.

  4. Eşik kontrolü yapıldı.

  5. Mesaj yerel kuyruğa yazıldı.

  6. IoT Hub’a gönderildi.

  7. Bulut tarafında işleme alındı.


Bu adımların her biri span olarak kaydedilebilir. Gecikme hangi adımda artıyorsa orası netleşir. Sorun artık “sistem yavaş” gibi belirsiz bir ifadeyle kalmaz.


Metric verisi sistem sağlığını sayılarla anlatır


Metric’ler sürekli izleme için daha uygundur. Edge modülleri şu ölçümleri üretebilir:


  • Saniyede okunan tag sayısı

  • PLC okuma süresi

  • IoT Hub gönderim süresi

  • Başarısız mesaj sayısı

  • Yerel kuyruk uzunluğu

  • CPU ve bellek kullanımı

  • Disk tampon kullanım oranı

  • Ağ bağlantı hatası sayısı


Bu metric’ler Application Insights veya uygun bir telemetry backend içinde alarm kurallarına bağlanabilir. Örneğin yerel kuyruk belirli bir eşiğin üzerine çıkarsa ağ veya bulut bağlantısında sorun olduğu anlaşılabilir.


Log verisi bağlamla birlikte değer kazanır


Log tek başına çoğu zaman dağınık bilgi üretir. Fakat trace kimliği, cihaz kimliği ve modül bilgisi ile birlikte yazıldığında çok daha değerli olur.


Kötü bir log örneği:


```text

Connection failed.

```


Daha faydalı bir log örneği:


```text

PLC connection failed for asset Mixer-02 using OPC UA endpoint opc.tcp://10.10.4.12:4840. Retry attempt 3.

```


Bu log, bakım ve yazılım ekiplerinin aynı olaya aynı pencereden bakmasını sağlar. Hangi makine, hangi protokol, hangi endpoint ve hangi deneme sayısı açıkça görülür.


Observability, yalnızca hata anında bakılan bir ekran değildir. İyi kurulduğunda deployment kalitesini, veri güvenilirliğini ve sahadaki istikrarı sürekli ölçen bir sistem haline gelir.

Üstten görünümde endüstriyel kontrol odasındaki dayanıklı ekranda zaman serisi grafikler görünüyor.
Observability ekranları, sahadan buluta giden veri akışını izlenebilir hale getirir.

Güvenlik ve operasyon tasarımı en baştan yapılmalıdır


Siemens PLC ve Azure IoT Edge ile kurulan mimari yalnızca veri taşımamalıdır. Aynı zamanda güvenli, yönetilebilir ve sürdürülebilir olmalıdır. Endüstriyel ağlarda kontrol sistemi güvenliği, üretim sürekliliği kadar önemlidir.


Ağ ayrımı ve erişim kontrolü temel gereksinimdir


PLC ağları doğrudan internete açılmamalıdır. Edge cihazı, saha ağı ile bulut arasında kontrollü bir geçiş noktası olarak konumlanmalıdır. Bu yapı tasarlanırken ağ segmentasyonu, firewall kuralları ve yalnızca gerekli portların açık olması sağlanmalıdır.


Temel prensipler şunlardır:


  • PLC ağı ayrı segmentte tutulur.

  • Edge cihazı yalnızca gerekli PLC endpoint’lerine erişir.

  • Buluta çıkış trafiği kontrollü portlar üzerinden yapılır.

  • Uzaktan erişim kayıt altına alınır.

  • Varsayılan şifreler kullanılmaz.

  • Sertifika ve anahtarlar düzenli yönetilir.


Güvenlik tasarımı sonradan eklenen bir katman olmamalıdır. PLC tag listesi hazırlanırken bile hangi verinin hassas olduğu düşünülmelidir.


Container tabanlı dağıtım hızlı geri dönüş sağlar


Azure IoT Edge modülleri container olarak çalıştığı için rollout ve rollback süreçleri daha kontrollü ilerler. Yeni modül sürümü önce test ortamında denenebilir. Sonra sınırlı sayıda Edge cihazına dağıtılabilir. Sorun görülmezse daha geniş sahaya yayılabilir.


Bu yaklaşım iyi uygulandığında deployment sürelerini ciddi ölçüde azaltabilir. Bazı projelerde geleneksel kurulumlara göre çok daha hızlı devreye alma mümkün olur. Kullanıcının verdiği hedefler açısından bakıldığında, %70 daha hızlı deployment gibi kazanımlar doğru otomasyon, test süreci ve modüler yapı ile yakalanabilir. Bu oran her tesis için garanti değildir, fakat mimarinin hedeflediği yön nettir.


Rollback de aynı derecede önemlidir. Üretim sahasında sorun çıkaran bir sürüm, uzun manuel işlemler beklenmeden geri alınabilmelidir. Container imaj versiyonları, module twin ayarları ve deployment manifest dosyaları bu yüzden versiyonlanmalıdır.


Edge computing maliyetleri daha öngörülebilir hale getirir


Buluta gönderilen her mesajın, saklanan her ölçümün ve çalıştırılan her analiz işinin bir maliyeti vardır. Edge üzerinde filtreleme ve agregasyon yapmak bu maliyetleri düşürebilir. Özellikle yüksek frekanslı verilerde bu etki belirgin olur.


%50 maliyet azaltma gibi hedefler, veri hacmi yüksek olan tesislerde gerçekçi bir tasarım hedefi olabilir. Bunun için şu kararlar baştan verilmelidir:


  • Hangi veriler ham olarak saklanacak?

  • Hangi veriler özetlenecek?

  • Hangi olaylar yüksek öncelikli gönderilecek?

  • Hangi ölçümler yalnızca anomali anında kaydedilecek?

  • Hangi veriler yerelde ne kadar süre tutulacak?


Bu kararlar yalnızca yazılım ekibine bırakılmamalıdır. Üretim, bakım, kalite, OT güvenlik ve IT ekipleri aynı veri politikasında uzlaşmalıdır.


Açık standartlar vendor lock-in riskini azaltır


OPC UA, MQTT, AMQP, gRPC ve OpenTelemetry gibi açık standartlar mimariyi daha esnek kılar. Bu sayede sistem yalnızca tek bir üreticiye, tek bir veri tabanına veya tek bir izleme aracına bağımlı kalmaz.


Vendor lock-in riskini azaltan uygulamalar:


  • Veri modelini üreticiye özel formatlara hapsetmemek

  • Telemetry toplama için OpenTelemetry kullanmak

  • Mesajlaşmada yaygın protokolleri tercih etmek

  • Edge modüllerini container olarak paketlemek

  • Konfigürasyonu koddan ayırmak

  • Bulut servisleri arasında veri taşınabilirliğini düşünmek


Bu yaklaşım, gelecekte farklı PLC markaları, yeni sensör tipleri veya başka analiz araçları eklendiğinde mimarinin yeniden yazılmasını engeller.


Modern SCADA ile endüstriyel IoT birlikte çalışabilir


Bu mimari SCADA sistemlerini gereksiz hale getirmek zorunda değildir. SCADA hâlâ operatör izleme, komut verme, alarm yönetimi ve proses kontrolü için değerli bir katmandır. Endüstriyel IoT mimarisi ise veriyi daha geniş analiz, bakım, enerji yönetimi ve iş zekâsı senaryolarına taşır.


Sağlıklı tasarımda SCADA ile IoT sistemi birbirinin işini ezmez. PLC’nin kontrol döngüsü sahada kalır. SCADA operatör ihtiyaçlarını karşılar. Edge ve cloud katmanı ise veri toplama, izleme, analiz ve uzun dönemli saklama görevlerini üstlenir.


Bu ayrım özellikle kritik üretim hatlarında önemlidir. IoT tarafında yaşanan bir sorun, PLC kontrolünü veya operatör güvenliğini etkilememelidir. Edge cihazı veri toplayan ve işleyen bir katman olarak davranmalı, kontrol sisteminin güvenli çalışma sınırlarına saygı göstermelidir.


Başarılı bir uygulama için pratik yol haritası


Uçtan uca bir Siemens PLC ve Azure IoT Edge projesi tek adımda yapılmamalıdır. Daha güvenli yaklaşım, küçük ama doğru tasarlanmış bir pilotla başlamaktır.


İyi bir başlangıç planı şöyle ilerleyebilir:


  1. Pilot hattı seçin

    Veri ihtiyacı net, ekipman erişimi mümkün ve bakım ekibi destek verebilecek bir hat seçilir.


  1. PLC veri envanteri çıkarın

    Tag listesi, DB blokları, okuma sıklıkları ve kritik veri noktaları belirlenir.


  2. Protokol stratejisini netleştirin

    OPC UA, S7 Protocol veya Modbus TCP seçenekleri teknik ve güvenlik açısından değerlendirilir.


  1. Edge cihazını konumlandırın

    Ağ erişimi, enerji, fiziksel ortam koşulları ve bakım erişimi planlanır.


  2. .NET modüllerini küçük parçalara ayırın

    Okuma, normalizasyon, kural çalıştırma ve gönderim görevleri ayrı tasarlanır.


  1. OpenTelemetry sinyallerini baştan ekleyin

    Trace, metric ve log yapısı pilot aşamasında kurulur.


  2. Bulut veri yolunu test edin

    IoT Hub, message routing, zaman serisi saklama ve dashboard akışı doğrulanır.


  1. Operasyon senaryolarını deneyin

    Ağ kesintisi, PLC bağlantı kaybı, modül çökmesi ve geri dönüş işlemleri test edilir.


  2. Deployment ve rollback sürecini belgeleyin

    Hangi sürümün nasıl dağıtılacağı ve nasıl geri alınacağı netleşir.


10. Pilot sonuçlarına göre yaygınlaştırın

Tag modeli, veri sıklığı, alarm kuralları ve dashboard ihtiyaçları sahadan gelen geri bildirimle düzeltilir.


Bu yol haritası, büyük projelerde bile karmaşayı azaltır. Her adım ölçülebilir olduğunda, sistem yalnızca çalışıyor gibi görünmez. Gerçekten yönetilebilir hale gelir.


Sahadan buluta izlenebilir veri akışı gerçek değer üretir


Endüstriyel IoT projesinin değeri, kullanılan teknolojilerin sayısıyla ölçülmez. Değer, sahadaki verinin doğru zamanda, doğru bağlamla, güvenli ve izlenebilir biçimde kullanılabilmesinden gelir.


Siemens PLC katmanı üretim verisinin kaynağıdır. Azure IoT Edge bu veriyi sahada işler. .NET 8 modülleri entegrasyonu esnek ve yönetilebilir hale getirir. OpenTelemetry ise veri yolunun görünür kalmasını sağlar. Azure IoT Hub ve ilgili analiz araçları da bu akışı cihaz yönetimi, mesajlaşma, zaman serisi analizi ve dashboard’larla tamamlar.


Doğru kurgulanan mimari, geleneksel SCADA yapısına karşı değil, onun yanında çalışır. Operasyon ekipleri anlık üretimi izlemeye devam ederken, IoT katmanı bakım, kalite, enerji ve veri analitiği için daha geniş bir zemin hazırlar.


Bir sonraki adım, tüm fabrikayı aynı anda dönüştürmek değildir. En doğru başlangıç, iyi seçilmiş bir üretim hattında tag modelini, Edge modüllerini, OpenTelemetry sinyallerini ve Azure veri akışını birlikte test etmektir. Küçük başlayan ama doğru izlenen bir mimari, sahadan buluta güvenilir endüstriyel IoT altyapısının temelini atar.


 
 
 

Yorumlar


bottom of page