CNC Swiss Tipi Torna Tezgâhlarında Titreşim Tabanlı Kestirimci Bakım
CNC İsviçre tipi (Swiss-type) torna tezgâhları, yüksek hassasiyetli küçük parçaların üretiminde kullanılan, kayar kafa stoklu özel CNC tornalardır. Bu makinelerde titreşim tabanlı kestirimci bakım, makine sağlığını izleyerek arızaları erken tespit etmeyi ve plansız duruşları önlemeyi amaçlar. Bu kapsamlı araştırmada, Swiss-type CNC (Fanuc kontrol üniteli) torna tezgâhlarında titreşime dayalı bakımın üç temel boyutu ele alınmıştır:
• Titreşim Sensörlerinin Yerleşimi: Sensörlerin iş mili, takım tutucu, kızaklar, rulman yatakları gibi farklı noktalara konumlandırılması stratejileri.
• Sinyal İşleme Teknikleri: Toplanan titreşim verilerinin FFT, dalgaçık dönüşümü, RMS, zarf analizi gibi yöntemlerle işlenmesi.
• Arıza Sınıflandırma Yöntemleri: İşlenen veriden arıza tespiti için makine öğrenimi algoritmaları (SVM, Random Forest, Yapay Sinir Ağları vb.) ile eşik değer/tabanlı yaklaşımlar.
Her bölümde akademik yayınlardan (makaleler, tezler) ve endüstriyel uygulamalardan (örnek proje raporları, üretici firmaların çözümleri) derlenen bilgiler sunulmuştur. Kaynaklar, özellikle son 10 yıl (2015-2025) içinde yayınlanmış güncel çalışmalardan seçilmiştir. Örnek uygulamalar vurgulanmış, mümkün olan yerlerde görseller ve tablo/veriler eklenmiştir. Ayrıca, uygulanabilir sensör marka/model örnekleri liste halinde verilmiştir. Tüm teknik detaylar Türkçe olarak açık ve anlaşılır bir formatta aşağıda sunulmaktadır.
1. Titreşim Sensörlerinin Yerleşimi
Titreşim sensörlerinin doğru noktalara yerleştirilmesi, kestirimci bakımın başarısı için kritik öneme sahiptir. Sensör yerleşimi, ölçülen titreşim sinyalinin kalitesi ve arızaların doğru tespiti üzerinde doğrudan etkilidir. Genel kural olarak, sensörlerin titreşim kaynağına veya ilgili parçanın rulman/yatak noktalarına olabildiğince yakın yerleştirilmesi önerilir. Sensör makineden uzaklaştıkça, sinyal zayıflaması (sönümlenme) artar ve gürültüye maruz kalır. Bu bölümde iş mili, takım tutucu/taret, kızak (arabalar) ve rulman yatakları gibi kritik bölgelere sensör yerleştirme stratejileri ele alınmaktadır:
• İş Mili (Spindle) Üzerine Sensör: İş mili genellikle sensör yerleşimi için ideal noktalardan biri olarak kabul edilir. Kesme işlemi sırasında oluşan titreşimlerin büyük kısmı ilk olarak iş mili ve takım arayüzünde ortaya çıkar. Bu nedenle sensörü iş miline yakın konumlandırarak en yüksek genlikli ve doğrudan titreşim verisini almak mümkündür. Örneğin, bir çalışmada MEMS ivmeölçer sensör, yanlış işleme parametrelerinin neden olduğu titreşimleri yakalamak amacıyla iş mili gövdesine monte edilmiştir. Alüminyum iş mili yuvasına sabitlenen sensör sayesinde, kesici takım kaynaklı titreşimler en az sönümle ve hızlı şekilde algılanabilmiştir. Bir başka deyişle, iş mili rulmanlarına yakın montaj, erken aşinadaki rulman kusurlarını veya mil balanssızlığını tespit etmek için de idealdir; sensör titreşim seviyelerindeki artışları hızlıca yakalayabilir. Nitekim üreticiler de benzer yaklaşımı benimsemektedir: Örneğin Haas CNC tezgâhlarında, çarpışma ve anormal titreşimleri algılayan ivmeölçer sensörü iş mili başlığı içine entegre edilmiştir (ayarlanabilir eşik değeriyle birlikte).
• Takım Tutucu / Taret Üzerine Sensör: Takımın bağlandığı taret veya takım tutucuya sensör yerleştirmek, kesme titreşimlerini doğrudan ölçmek için en hassas yöntemlerden biri olabilir. İdeal olarak sensör, takım ucuna mümkün olduğunca yakın konumlandırılır; böylece titreşim sinyali en az parça arayüzü geçerek doğrudan alınır. Ancak pratikte, özellikle kablolu sensör kullanıldığında, takım üzerinde sensör bulundurmak alet değiştirmeyi ve otomasyonu zorlaştırabilir. Kabloların takımla birlikte döndürülmesi veya sık sık çıkarılıp takılması gerekebilir. Bu nedenle bir çözüm olarak kablosuz sensörler önerilmektedir; ancak bunlarda da elektromanyetik parazit ve veri iletim gecikmesi gibi sorunların çözülmesi gerekir. Takım tutucu üzerinde sensör kullanımına alternatif olarak, sensörü taretin gövdesine (kızak/taret tabanı) yerleştirmek de yaygın bir yaklaşımdır. Bu şekilde sensör, tüm takım uçlarından gelen titreşimleri daha dolaylı da olsa algılayabilir. Örneğin, modern bir CNC torna üzerine yapılan bir çalışmada, takım tutucu üzerindeki sensör ile taret gövdesine yerleştirilen sensörün performansı karşılaştırılmıştır. "Turret bed" olarak adlandırılan bu alternatif konumdaki sensörün, takım üzerindeki sensöre yakın doğrulukta sonuçlar verdiği gözlemlenmiştir (yüzey pürüzlülüğü tahmin hataları sırasıyla %7.85 ve %7.93). Araştırmacılar, taret gövdesindeki sensörle elde edilen titreşim sinyallerinin, takım saptaki sensöre kıyasla biraz daha düşük genlikte olmasına rağmen arıza/hata tespitinde istatistiksel olarak benzer başarı gösterdiğini rapor etmişlerdir. Bu bulgu, takım üzerine sensör yerleştirme zorunluluğunu ortadan kaldırarak pratik bir çözüm sunmuştur. Dahası, taret gövdesindeki sensör, kesme bölgesinin dışında ve yongalar ya da kesme sıvısından uzakta olduğu için daha güvenli ve dayanıklı bir konumdadır. Tek bir gövde sensörü, taretteki tüm takımlardan gelen titreşimleri izleyebildiği için her takım için ayrı sensör gerektirmez ve bu açıdan daha verimli bulunmuştur. Bu örnek, sensör yerleşiminde pratiklik ile sinyal kalitesi arasında denge kurmanın önemini göstermektedir.
• Kızaklar ve Makine Gövdesi (Carriage/Slide) Üzerine Sensör: Sensörlerin makine gövdesi veya eksen kızaklarına yerleştirilmesi, özellikle makinenin genel titreşim davranışını ve gövdeye yansıyan arızaları izlemek için kullanılır. Örneğin, bir CNC tornanın taşıyıcı tablasına (carriage) yerleştirilen sensör ile taret üzerindeki sensör verileri karşılaştırıldığında, gövde üzerindeki sensör sinyalinin daha düşük genlikli ve parazitli olabileceği, ancak yine de belirli desen tanıma teknikleriyle değerli bilgi sağladığı gösterilmiştir. Bu çalışmada, yüksek parazit ortamında dahi desen algılama ve sensör füzyonu ile titreşim verisinden bilgi çıkarılabildiği, bunun da chatter (titreşimli talaş kaldırma) tespiti ve uzun talaş (kesme esnasında talaşın kopmaması) algılama gibi uygulamalara olanak tanıdığı belirtilmiştir. Kızak veya gövde sensörleri, iş mili veya takım ucu kadar hassas olmasa da, kablolama ve montaj kolaylığı sağlar. Özellikle retrofit (sonradan donatılan) uygulamalarda, makine gövdesine sensör eklenmesi, mevcut düzeni bozmadığı için tercih edilebilir. Caron Engineering gibi firmalar, CNC tezgâhlarına sonradan monte edilebilen ivmeölçer kitleri sunmakta ve genellikle bu sensörler iş mili gövdesi ya da makine gövdesi üzerine kolay montajla entegre edilmektedir. Sonuç olarak, eğer yüksek frekanslı ayrıntılar (örneğin kesici uç çatlaması) izlenmek isteniyorsa sensör daha yakına (iş mili/takım) konumlandırılmalı; eğer genel durum izlenip daha basit kurulum isteniyorsa makine gövdesi veya kızak gibi noktalara yerleştirme yapılmalıdır.
• Rulman Yataklarına Sensör Yerleşimi: Makine elemanları arasında özellikle rulmanlar (yataklar), arıza oluşumuna açık ve kritik parçalardır. Bu nedenle, titreşim sensörünün rulman yataklarına yakın yerleştirilmesi, erken arıza tespiti için etkilidir. Örneğin, iş milinin ön ve arka rulman yuvalarına yakın konumlar, rulman hasarlarının (ör. bilya hasarı, dış/iç bilezik çatlağı) titreşimde yarattığı karakteristik frekansların yakalanmasını sağlar. Kural olarak sensör, bir dönen milin destek noktasına (rulmana) ne kadar yakınsa, o rulmandaki kusurların sinyalini o kadar güçlü alır. Bu yüzden, endüstrideki uygulamalarda titreşim izleme cihazları genellikle ana mil rulman yuvası üzerine montaj aparatları veya mıknatıs ile tutturulur. Ayrıca yalnızca iş mili değil, bilyalı vidalar veya dişli kutuları gibi alt bileşenlerin rulman yatakları da sensör yerleşimi için düşünülebilir. Örneğin, bazı gelişmiş CNC tezgâhlarında hem iş mili rulmanına hem de eksen servo motor rulmanlarına sensörler konularak, hem işleme vibrasyonları hem de eksen hareket vibrasyonları izlenir. Bu sayede balanssızlık, hizasızlık gibi genel sorunların yanı sıra, spesifik rulman arızaları da tespit edilebilir.
Yukarıda özetlenen farklı yerleşim stratejilerinin seçimi, hedeflenen arıza türü, makinenin yapısı ve uygulama kısıtlarına bağlıdır. Örneğin Swiss-type torna tezgâhlarında ana iş mili dışında alt iş mili (ikinci spindle) ve kılavuz burcu gibi ekstra bileşenler vardır; bunların her birine sensör konumlandırmak gerekebilir. Tipik bir Swiss-type tornada, ana iş mili ve alt iş mili yüksek devirli rulmanlara sahip olduğundan, bunların yataklarına yakın 1-2 ivmeölçer kritik veriler sağlar. Ayrıca uzun boylu kılavuz raylar (liner kızaklar) üzerindeki sürtünme veya boşluk sorunları da titreşimle izlenebileceği için, gerekirse eksen kızaklarına ek sensörler düşünülebilir. Bununla birlikte, sensör sayısını optimum seviyede tutmak önemlidir; fazla sensör veri birleşimi zorlarken, az sensör bazı arızaları gözden kaçırabilir. Sensör yerleşim özeti olarak aşağıdaki tablo fikir vermektedir:
🔩 Titreşim Sensörü Yerleşim Noktaları: Avantajlar ve Dezavantajlar
Yerleşim Noktası Avantajları Dezavantajları
İş Mili Gövdesi / Rulman Yatağı - Yüksek frekanslı kesme titreşimlerini algılar
- Rulman arızalarını doğrudan tespit eder
- Sinyal kalitesi yüksektir - Montaj yeri sınırlı olabilir
- Kablolama için döner bağlantılar gerekebilir
Takım Tutucu / Taret - Kesme anındaki titreşimleri en hassas şekilde ölçer
- Takım aşınması/kırılması tespiti için idealdir - Takım değişimini zorlaştırabilir
- Kablolama zor (kablosuz değilse)
Taret Gövdesi / Kızak (Carriage) - Tek sensörle birden fazla takımın titreşimi izlenebilir
- Kolay montaj ve bakım - Sinyal seviyesi daha düşük olabilir
- Küçük arızaların etkisi zayıf kalabilir
Makine Ana Gövdesi / Yataklar - Genel makine durumu izlenebilir
- Erişimi ve montajı kolaydır - Arıza kaynağını ayırmak zor olabilir
- Düşük frekanslı genel titreşimler baskın olur
Yukarıdaki stratejilere dayanarak, optimum sensör yerleşimi, birden fazla noktadan ölçüm almayı ve bu verileri birleştirerek (sensor fusion) kapsamlı bir görünüm elde etmeyi gerektirebilir. Nitekim endüstriyel uygulamalarda bazı üreticiler çoklu sensör kitleri sunmaktadır. Örneğin, Montronix firmasının PulseNG sensörü ve IBU-NG arayüzünden oluşan kiti, bir CNC tezgâhına kalıcı olarak monte edilerek sürekli titreşim izleme yapmayı sağlar
. Bu tip kitlerde genellikle birden fazla ivmeölçer ve gerekiyorsa akustik sensör, makinenin kritik bölgelerine dağıtılır. Sonuç olarak, Swiss-type CNC tezgâhlarında iş mili ve taret bölgesi öncelikli olmak üzere, ihtiyaç halinde diğer eksen ve bileşenlerde de uygun sayıda sensör konumlandırılması, kestirimci bakım sisteminin başarısını maksimize edecektir.
Örnek Uygulama / Görsel: Aşağıda, bir CNC tezgâhı iş miline yerleştirilen titreşim sensörünün fotoğrafı görülmektedir (sarı uyarı etiketinin yanında monteli küçük sensör kutusu). Bu konum, kesme titreşimlerinin ilk iletildiği iş mili gövdesi olduğundan, sensör yerleşimi için ideal kabul edilir
. Gerçek bir endüstriyel uygulamada da Fanuc kontrol kullanan bir CNC freze makinesine MEMS ivmeölçer entegre edilerek, takım aşınması ve uygun olmayan kesme parametrelerinin titreşimle tespiti hedeflenmiştir
. Bu uygulamada sensör, iş mili üzerine monte edilip bir PLC tabanlı arayüze bağlanmış ve toplanan veriler ağ üzerinden izlenmiştir.


Şekil 1: CNC tezgâhı iş mili gövdesine monte edilmiş titreşim sensörü (Montronix PulseNG sensör örneği).
2. Titreşim Sinyal İşleme Teknikleri
Titreşim sensörlerinden toplanan ham verilerin işlenmesi, anlamlı bakım göstergeleri elde etmek için şarttır. Ham titreşim verisi zaman domeninde karmaşık bir dalga formu olarak gelir ve içerisinde makine dinamiğine dair zengin bilgiler barındırır. Bu veriden faydalı özellikler çıkarmak için çeşitli sinyal işleme teknikleri kullanılır. Son 10 yılda, özellikle kestirimci bakım alanında Fast Fourier Transform (FFT) tabanlı frekans analizi, dalgaçık dönüşümleri (wavelet), zarf analizi (envelope analysis) ve istatistiksel RMS/kurtosis gibi yöntemlerin sıklıkla uygulandığı görülmektedir
. Bu bölümde, Swiss-type CNC torna tezgâhlarından elde edilen titreşim sinyallerine uygulanan başlıca işleme teknikleri detaylandırılmaktadır:
• Hızlı Fourier Dönüşümü (FFT) ile Spektrum Analizi: FFT, zaman domenindeki titreşim sinyalini frekans domenine dönüştürerek, sinyaldeki belirli frekans bileşenlerini ortaya çıkarır. Makine elemanlarının karakteristik titreşim frekansları olduğu için (örneğin rulman arıza frekansları, mil balanssızlık frekansı, dişli ayna frekansı vb.), FFT analizi hangi frekansta ne kadar titreşim enerjisi olduğunu göstererek arıza teşhisinde kritik rol oynar. Örneğin, dengesiz bir rotor genellikle dönüş frekansında (1X) yüksek bir pik yaratırken, rulman dış bilezik hasarı rulman geometrisine bağlı hesaplanabilir bir frekansta tepe oluşturur. Bu tür bileşen-frekans eşleşmeleri, FFT spektrumu üzerinden tespit edilebilir. Literatürde, titreşim analiziyle arıza teşhisi çalışmalarının çoğunda ilk adım olarak FFT kullanılmaktadır
. FFT’nin avantajı sinyali tüm frekans bileşenlerine ayırarak periyodik olayları netleştirmesidir. Ancak klasik FFT, sinyalin zaman bilgisini kaybettirir; bu nedenle sinyalin hangi anda hangi frekansı içerdiği bilinemez. Bu durum, sinyal durağan olmadığında (non-stationary) zorluk yaratır. Yine de CNC tezgâhlarında birçok sürekli arıza (ör. sürekli dengesizlik veya yatak aşınması) için FFT yeterli duyarlılığı sağlar. Örneğin, bir çalışmada geleneksel FFT yerine Hilbert-Huang Dönüşümü (HHT) ile Intrinsic Mode Functions bileşenlerinin FFT’si kullanılarak rulman arızası teşhis edilmiş ve klasik FFT’nin durağan olmayan sinyallerde yetersiz kalabildiği belirtilmiştir
. Bu, özellikle değişken devirli veya kesintili kesme işlemlerinde önem kazanır.
• Güç Spektral Yoğunluğu (PSD) ve Titreşim Seviyesi İstatistikleri: FFT’nin bir türevi olarak PSD (Power Spectral Density) analizi, sinyal gücünün frekansa dağılımını inceler ve arka plan gürültüsü ile ayrık frekans bileşenlerini ayırt etmeye yardımcı olur
. Özellikle rastgele titreşimlerin analizinde, PSD kullanılarak belirli frekans bantlarının enerji seviyeleri izlenebilir. Bunun yanı sıra, ISO 10816 gibi standartlarda tanımlı genel titreşim seviyeleri genelde RMS (Root Mean Square) değerine dayanır. RMS (Kök-Ortalama-Kare), titreşim sinyalinin etkin değeri olup titreşim enerjisini tek bir sayı ile özetler
. Örneğin, CNC makinesinin genel titreşim seviyesi zamanla artıyorsa, RMS trendi üzerinden bir yatak aşınması veya gevşeme anlaşılabilir. RMS, titreşim gücünün bir göstergesi olarak kabul edilir
. Bunun yanında tepe değer (peak), crest faktörü (tepe değerin RMS’e oranı) ve kurtosis (basıklık) gibi istatistiksel özellikler de yaygın kullanımdadır. Crest faktörü, darbe karakterli arızaların (ör. rulman bilya kusurları) tespitine yardımcı olur çünkü bu durumda kısa süreli yüksek pikler RMS’e oranla büyüktür. Kurtosis ise sinyal dağılımının sivrilik derecesini verir; yüksek kurtosis değeri, titreşim sinyalinde normal dışı sivri pikler olduğunu, dolayısıyla bir arıza olabileceğini gösterebilir. Bu zaman domeni özellikleri, makine öğrenimi modellerine girdi olarak da kullanılmaktadır. Ancak sadece zaman domeni analizi, arızanın türünü ayırt etmekte her zaman yeterli değildir; bu yüzden frekans domeni ve zaman-frekans teknikleriyle desteklenir.
• Zarf Analizi (Envelope Analysis): Özellikle yuvarlanmalı rulman arızalarının teşhisinde eşsiz bir yöntem olan zarf analizi, yüksek frekanslı taşıyıcı sinyal içerisindeki düşük frekanslı modülasyonları ortaya çıkarır. Rulmanlarda bilya bir çatlağa her temas ettiğinde oluşan kısa darbeler, makinenin doğal frekanslarında yüksek frekanslı titreşimler oluşturur. Bu ham sinyalde, arıza frekansı direkt olarak görülmez, çünkü darbe etkisi geniş bantlıdır. Zarf analizi, sinyalin önce bir yüksek geçiren filtre ile yüksek frekanslı bölgesini alır, ardından Hilbert dönüşümü ile sinyalin zarfını (genlik-zaman eğrisini) elde eder. Son aşamada bu zarf sinyale tekrar FFT uygulanır. Ortaya çıkan zarf spektrumu, rulman arıza frekanslarını ve yan bantlarını net biçimde gösterir. Örneğin, dış bilezik hasarı varsa zarf spektrumunda BPFO (Bearings Outer Race Fault Frequency), iç bilezik hasarında BPFI, kafes (bilya seperatörü) kusurunda FTF gibi karakteristik frekanslar yanlarındaki yan bantlarla birlikte belirir. Zarf analizinin gücü, ham sinyalde gömülü kalan arıza bilgisini demodülasyon ile açığa çıkarmasıdır. Özellikle Swiss-type gibi yüksek devirli mil içeren tezgâhlarda, rulman arızalarını erken tespit etmek için zarf analizi yaygınca önerilir. Yüksek hızlı iş millerinin doğal frekansı genelde yüksektir ve rulman darbelerini taşır; bu durumda zarf analizi, doğrudan spektrumda görünmeyen arıza frekanslarını taşıyıcı frekans bölgesinden çekip alır. Nitekim literatürde, yüksek frekanslı ivmeölçer ile alınan sinyallere zarf analizi uygulayarak mikron düzeyindeki rulman hasarlarını tespit eden çok sayıda çalışma mevcuttur. Bu tekniğin doğru uygulanabilmesi için uygun filtre bandının seçimi kritiktir; genelde deneysel veya otomatik band seçimi yöntemleriyle (örn. kurtosis maksimize eden bant seçimi) en iyi band belirlenir.
• Dalgaçık Dönüşümleri (Wavelet Analizi): Dalgaçık dönüşümü, titreşim sinyalinin zaman-frekans domeninde incelenmesine imkân tanır. Klasik FFT, durağan olmayan sinyallerde yetersiz kalabildiğinden, dalgaçık yöntemleri titreşim bakımında popülerlik kazanmıştır. Sürekli dalgaçık dönüşümü (CWT) veya ayrık dalgaçık dönüşümü kullanılarak, sinyal farklı ölçeklerde çözümlenir ve zamana bağlı frekans içeriği gözlemlenir. Örneğin, kesici takımın kırılması ani ve geçici bir olaydır; bu durumda FFT tüm sinyalin ortalamasını aldığı için kırılma anına özgü frekansları seyreltebilir. Dalgaçık analizi ise kısa süreli transiyer titreşimleri tespit edebilir. Özellikle çok ölçekli analiz yaparak hem düşük frekanslı (örneğin mil yalpalaması) hem yüksek frekanslı (örneğin çatlak oluşumu) bileşenleri aynı anda ortaya koyabilir. Dalgaçık analizinin en önemli noktası uygun anne (mother) dalgaçık fonksiyonunun seçilmesidir. Sinyalin karakterine göre Morlet, Daubechies, Symlet gibi farklı dalgaçıklar kullanılabilir. Örneğin, darbeli bir sinyali yakalamak için “impulsif” özellikte bir dalgaçık daha iyi sonuç verebilir. Dalgaçık analizinin bir uygulaması da dalgaçık tabanlı de-noising (gürültü giderme) işlemidir. Sinyal, dalgaçık ayrıştırmasıyla bileşenlerine ayrılır ve küçük genlikli (muhtemelen gürültü olan) katsayılar eşikleme ile sıfırlanır, sonra sinyal yeniden oluşturulur. Bu yöntem, özellikle titreşim sinyalindeki arıza imzasını gürültüden ayırmada kullanılır. Özetle, dalgaçık dönüşümleri CNC tezgâh vibrasyon verisinde zamana bağlı anormallikleri yakalamak için güçlü bir araçtır ve erken arıza tespitine katkı sağlar. Son yıllarda dalgaçık dönüşümü, zarf analiziyle de birleştirilerek dalgaçık zarf spektrumu gibi hibrit teknikler geliştirilmiştir.
• Diğer İleri Teknikler: Yukarıda bahsedilen ana yöntemlerin yanı sıra, literatürde Empirik Mode Ayrıştırma (EMD), Empirik Dalgaçık Dönüşümü (EWT), Cepstrum Analizi, Wigner-Ville dağılımı, Order Tracking (düzen takibi) ve Zaman Senkron Ortalaması (TSA) gibi çeşitli teknikler de kullanılmıştır. Örneğin order tracking, devir hızının değiştiği durumlarda titreşim verisini açısal olarak yeniden örnekleyip (resampling) frekans analizini motor devrine bağlı “sipariş” cinsinden yapar; böylece değişken devirli Swiss-type makinelerde dişli ve mil analizine olanak tanır. Cepstrum analizi ise titreşim sinyalindeki tekrar eden yapıları ortaya koyarak dişli arızalarında harmonikleri gruplayabilir (örneğin dişli hasarında harmonik bir arada cepstrumda tepe yapar). Bu ileri teknikler, çok spesifik problem durumlarında uygulanır ve genellikle akademik araştırmalarda test edilir.
Sonuç olarak, bir titreşim tabanlı kestirimci bakım sisteminde ham sensör verisi, uygun filtreleme ve işleme adımlarından geçirilerek anlamlı göstergelere dönüştürülür. Swiss-type torna tezgâhlarında tipik bir sinyal işleme zinciri şu şekilde olabilir:
1. Ön İşleme: Ham titreşim verisinin analog filtrelerle veya dijital olarak band-pass filtrelenmesi (örn. 10 Hz altı oynamalar kesilebilir, 10 kHz üzeri gürültüler süzülür). Gerekirse örnekleme frekansı makul seviyeye düşürülür.
2. Dönüşümler: Zaman domeni veriden RMS, tepe, vb. öznitelikler hesaplanır. Aynı veriye FFT uygulanarak frekans spektrumu elde edilir. Eğer rulman izlemesi yapılıyorsa, uygun banttan alınan sinyale zarf analizi uygulanır. Kesme olayı inceleniyorsa, kısa zamanlı olaylar için dalgaçık analizi yapılır.
3. Özellik Çıkarımı: Yukarıdaki analizlerden elde edilen özellikler (belirli frekans genlikleri, istatistiksel değerler, dalgaçık enerjileri vs.) bir araya getirilir. Örneğin, bir rulman için BPFI genliği, RMS değeri ve kurtosis birlikte kullanılabilir.
4. Karar/Teşhis: Elde edilen işlenmiş veriler, önceden belirlenmiş eşiklerle kıyaslanarak alarm üretir veya makine öğrenimi modeline verilerek arıza sınıfı tahmini yapılır (Bu kısım Bölüm 3’te ele alınacaktır).
Bu adımlar, hem gerçek zamanlı gömülü sistemlerde hem de toplanan verinin offline analizinde uygulanabilir. Swiss-type tezgâhlar gibi karmaşık sistemlerde, çok sensörlü ve çok yönlü analiz yapmak gerekebileceğinden, IoT tabanlı platformlarda veri depolanıp bu sinyal işleme adımları bulut üzerinde de gerçekleştirilebilir. Nitekim son yıllarda IoT destekli kestirimci bakım trendiyle, sensör verileri buluta aktarılarak daha ağır sinyal işleme algoritmaları kullanılabilmektedir. Ancak gerçek zamanlı koruma için kritik olan temel işlemler (örn. bir eşiğin aşılması) mutlaka makine seviyesinde hızlıca yapılmalıdır.
3. Arıza Sınıflandırma ve Tahmin Yöntemleri
Titreşim verisinin işlenmesiyle elde edilen özellikler, makinenin durumu hakkında çeşitli karar mekanizmaları ile yorumlanır. Kestirimci bakım bağlamında, asıl amaç arızaları erken safhada tespit etmek ve arızanın türünü/doğasını sınıflandırmaktır. Arıza sınıflandırma iki ana yaklaşımla gerçekleştirilebilir: (1) Eşik değer tabanlı basit kararlar ve (2) Makine öğrenimi/tablo algoritmaları ile model tabanlı kararlar. Günümüzde ikisi de paralel kullanılabilmektedir; örneğin belirli bir özelliğin eşiği aşıldığında hem alarm verilir hem de aynı veri makine öğrenimi modeline beslenip spesifik arıza türü tahmini yapılır.
Eşik Değer ve Trend Tabanlı Yaklaşımlar: Bu yöntemde, titreşim seviyeleri için önceden belirlenmiş sınır değerleri kullanılır. Örneğin ISO standartlarına göre makinenin genel titreşim hızı 4.5 mm/s üzerine çıkarsa "uyarı" seviyesi, 7.1 mm/s üzerine çıkarsa "alarm" seviyesi kabul edilebilir. Aynı şekilde, RMS ivme değeri veya belirli bantlardaki genlikler için de eşikler tanımlanabilir. Alarm eşikleri, genellikle makine sağlıklıyken ölçülen titreşim seviyesine belli bir güven katsayısı eklenerek belirlenir. Bakım mühendisleri, makinenin iyi durumdaki titreşim kayıtlarından bir referans (baseline) oluşturur ve bunun %X üzerini alarm eşiği ilan eder. Basitçe, izlenen bir parametre (mesela iş mili RMS titreşimi) eşik değeri aştığında bakım gerekliliği işareti sayılır. Eşik tabanlı yaklaşımın avantajı, kolay yorumlanabilir ve gerçek zamanlı uygulanabilir olmasıdır. Modern CNC kontrolörleri dahi bu mantığı dahili olarak kullanır. Örneğin, Haas CNC tezgâhlarının kontrol ünitesinde parametre 856 ve 857 ile ivmeölçer sensör için g eşiği ve art arda kaç örnek aşım olursa alarm üretileceği belirlenir. Bu sayede cihaz, mesela 1 saniye içinde 50 kereden fazla 1g’yi aşan titreşim darbesi algılarsa çarpma alarmı verir. Bu örnek, basit kurallarla çarpma ve aşırı titreşim olaylarının yakalanmasını sağlar. Eşik tabanlı sistemlerin bir diğer kullanım alanı da trend takibidir: Örneğin, son 6 ayın titreşim RMS trendi sürekli artıyorsa, henüz eşik aşılmasa bile yaklaşmakta olduğu görülüp planlı bakım yapılabilir. Bu tip yaklaşımı daha sofistike hale getirmek için CUSUM, hareketli ortalama, kontrol grafikleri gibi istatistiksel yöntemler de kullanılır. Ancak genel olarak, eşik değer yöntemleri spesifik arıza türünü belirtmez, sadece bir anormallik olduğunu söyler. Bunun üzerine uzmanlar veriyi inceleyip arızayı teşhis eder veya makine öğrenimi tekniklerine başvurulur.
Makine Öğrenimi ve Yapay Zekâ Tabanlı Sınıflandırma: Son yıllarda titreşim tabanlı arıza teşhisinde makine öğrenimi (ML) ve yapay zekâ tekniklerinin kullanımı hızla artmıştır. Bu yöntemlerde, önceden etiketlenmiş arıza verileri kullanılarak bir model eğitilir ve yeni veriler geldiğinde arızanın türü otomatik olarak sınıflandırılır. Örneğin, Destek Vektör Makineleri (SVM), Yapay Sinir Ağları (ANN), Rastgele Ormanlar (Random Forest), k-En Yakın Komşu (k-NN) ve hatta derin öğrenme modelleri (CNN, LSTM gibi) bu amaçla kullanılmıştır. Yapılan bir derleme çalışmasında, k-NN, Naive Bayes, SVM, Derin Öğrenme ve ANN yöntemlerinin dönen makine arıza teşhisinde önemli yer tuttuğu belirtilmiş; hatta ANN, SVM ve Gauss Süreci regresyonunu karşılaştıran çalışmalar olduğu aktarılmıştır.
Makine öğrenimi tabanlı bir sistemde, önceki bölümde anlatılan sinyal işleme teknikleriyle özellik çıkarımı yapılır. Örneğin, bir eğitim veri setinde her bir örnek parça için 10 farklı özellik (RMS, kurtosis, belirli frekans genliği, vb.) hesaplanır ve bu örneğin hangi arıza durumunda olduğu (sağlam, rulman arızalı, balanssız, takım körelmiş gibi) etiketlenir. ML modeli bu verilerle eğitilir. Sonrasında gerçek makineden gelen yeni bir veri için aynı 10 özelliği hesaplayan sistem, modeli kullanarak bunun hangi arıza sınıfına en çok benzediğini tahmin eder. Örneğin, bir ANN modeli girişte verilen titreşim özelliklerine göre "rulman hasarı" veya "normal" çıktısını verebilir. Bu sayede, sinyaldeki kompleks ilişkileri model öğrenmiş olur ve insan uzman müdahalesine gerek kalmadan teşhis konur.
Makine öğrenimi yöntemlerinin avantajı, çoklu parametreyi birlikte değerlendirip arıza desenlerini yakalayabilmesidir. Eşik yöntemi tek bir parametreye bakarken, ML aynı anda örneğin hem frekanstaki değişime hem zamandaki istatistiklere bakarak kararı şekillendirebilir. Ayrıca ML, kendi kendine optimum karar sınırlarını veriyle öğrenir, elle eşik ayarlamaya ihtiyaç düşüktür. Dezavantajı ise, çok miktarda etiketli veri ihtiyacı ve modeli eğitme/güncelleme gerekliliğidir. CNC tezgâhlarında genelde arıza verisi sınırlı olduğu için (bilhassa ciddi arızalar nadiren oluşur), veri artırma veya benzetim yöntemleri de kullanılır. Yine de, denetimli öğrenme yerine anormalite tespiti (anomaly detection) için yeniden yapılandırma hatası, one-class SVM gibi yöntemler de kullanılabilmektedir; bunlar sadece normal durumu öğrenip farklı bir şey gördüğünde alarm verir.
Örnek literatür sonuçlarına bakılırsa, yapay zekâ ile arıza teşhisinde oldukça yüksek doğruluklar rapor edilmiştir. Özellikle rulman arızaları için sinir ağları ve SVM ile %95 üzerine başarılar sağlanmıştır. Bir çalışmada, yapay sinir ağlarına zaman domeni RMS, kurtosis gibi özellikler girdi verilerek rulman arızası tespiti yapılmış ve modelin geleneksel yöntemlere göre başarılı olduğu gösterilmiştir. Bir diğer çalışmada, derin sinir ağları ham titreşim verisini doğrudan işleyip özellik öğrenerek arıza sınıflandırmada kullanılmıştır. Son yıllarda Convolutional Neural Network (CNN) ile titreşim sinyalinin spektrogram görüntüsünden arıza tanıma veya Recurrent Neural Network (RNN) ile zaman serisinden arıza zamanını öngörme gibi yenilikçi yaklaşımlar da denenmektedir.
Karşılaştırmalı bir bakışla, SVM gibi algoritmalar az sayıda özelliğe dayalı küçük veri setlerinde iyi genelleşme sağlarken, sinir ağları büyük veri ve karmaşık ilişkilerde üstün performans gösterir. Random Forest veya XGBoost gibi ağaç tabanlı modeller ise özellik önemini çıkarabilme avantajıyla hangi titreşim özelliğinin arızayı daha iyi ayırt ettiğini gösterebilir. Örneğin bir Random Forest modeli "en önemli özellik: mil 1X genliği, sonra RMS" diyerek balanssızlık teşhisinde bu özelliklerin kritik olduğunu belirtebilir.
Örnek Endüstriyel Uygulamalar: Bazı üretici firmalar makine öğrenimini kendi ürünlerine entegre etmeye başlamıştır. Örneğin, Siemens MindSphere platformu veya Fanuc FIELD System, CNC tezgâhlardan gelen titreşim verilerini buluta aktarıp, yapay zekâ ile işleyerek arıza tahmin hizmeti sunmaktadır. Bir başka örnek, Scops.ai firmasının CNC’ler için özel tasarlanmış VS-23 kablosuz sensörleri ve analitik yazılımıdır; bu sistem yapay zekâ ile vibrasyon verisini analiz ederek bakım gereksinimlerini kullanıcıya bildirir. Yine Türkiye merkezli bir girişim olan Sensemore, CNC tezgâhlarına yerleştirdiği IoT titreşim sensörlerinden gelen veriyi kendi bulut platformunda analiz ederek, müşterilerine “spindle rulmanına dikkat, yakın zamanda değişim gerekebilir” gibi öngörüler sağlayabilmektedir (bir saha çalışmasında, titreşim analizine dayalı olarak kritik iş mili rulman arızasını haftalar öncesinden tespit edip planlı bakım yapılmasını sağlamışlardır). Bu gibi entegre çözümler, son kullanıcının makine öğrenimi modeli geliştirmesine gerek kalmadan kestirimci bakım yapabilmesini mümkün kılar.
Arıza Türleri ve Sınıflandırma: Titreşim tabanlı sistemlerle tespit edilebilen başlıca arıza tipleri şunlardır: Rulman hasarları (bilye, iç/dış bilezik kusurları), mil balanssızlığı, mil eğikliği veya hizasızlığı, gevşeklik (looseness), dişli arızaları (diş kırığı, diş yüzeyi aşınması), kesici takım aşınması veya kırılması, yatak yağsızlığı/sürtünme, rezonans titreşim (çatter) vb. Vibrasyon analizi, dönen parçalardaki dengesizlik, hizasızlık veya aşınma gibi hataları erken aşamada saptayabilir. Örneğin, misal olarak bir Swiss-type tornada şu senaryolar gerçekleşebilir: İş mili rulmanı hasar görmeye başlarsa, zarf analizi ile BPFO/BPFI frekanslarında pikler ve artan RMS görülür; kesici takım körelirse kesme esnasında spektrumda yüksek frekanslı gürültü ve dalgaçık enerjisinde artış tespit edilir; mil balansı bozulursa 1X frekansında bariz yükselme izlenir; bağlama gevşekse genel titreşim seviyelerinde (özellikle düşük frekans) artış ve genlik modülasyonları görülür. Makine öğrenimi modelleri veya kural tabanlı sistemler, bu farklı imzaları tanıyarak arızayı isimlendirebilir. Örneğin bir SVM modeli, girdi olarak aldığı [1X genlik, 2X genlik, RMS, kurtosis] gibi özelliklerle “balanssızlık” vs “hizasızlık” ayrımını yapabilir çünkü hizasızlık genelde 2X bileşeni güçlü bir titreşim üretir (çift frekans bileşeni), balanssızlık ise 1X’te baskındır; SVM bu ayrımı öğrenip yeni verilere uygulayabilir.
Fuzzy Logic ve Hibrit Yaklaşımlar: Bazı sistemler, bulanık mantık kural tabanlı kararlar ile yukarıdaki teknikleri birleştirir. Örneğin, titreşim ve sıcaklık verilerini birlikte işleyip bir bulanık çıkarım sistemi ile arıza değerlendirmesi yapan çalışmalar vardır. Bulanık sistemler, insan uzman bilgisini "Eğer titreşim orta düzeyde VE sıcaklık yüksekse rulman yağlama sorunu olabilir" gibi kurallarla ifade edip, kesin sınıflandırma yerine bir güven skoru üretebilir. Ancak bulanık sistemlerin dezavantajı, kural tabanının tamamen uzman tarafından oluşturulmasına ihtiyaç duyması ve güncellenmesinin zahmetli olmasıdır.
Sonuç ve Öneriler: CNC Swiss-type torna tezgâhlarında titreşim tabanlı kestirimci bakım için en iyi pratik, çok katmanlı bir yaklaşımdır. Birincil koruma için önemli metrikler eşik değerler ile gerçek zamanlı izlenmeli ve kritik durumlarda makine otomatik durdurmaya kadar gidebilmeli (örneğin şiddetli titreşimde acil stop). İkinci olarak, düzenli veri kayıtları makine öğrenimi modelleriyle analiz edilip, arızanın ne olabileceği kullanıcıya önceden bildirilmeli (örneğin “ön yatak hasar başlangıcı”). Bu iki sistem birlikte çalıştığında hem ani arızalara hem de sinsi gelişen sorunlara karşı tam bir kestirimci bakım sağlanabilir. Nitekim yeni nesil Fanuc ve Siemens CNC kontrol üniteleri, entegre sensör verilerini hem lokal eşik izlemede hem bulut AI analizinde kullanabilecek altyapılar sunmaktadır. Bu sayede Swiss-type tornalar gibi karmaşık makinelerde bile beklenmedik arızalar minimize edilip, bakım faaliyetleri planlı ve maliyet etkin şekilde yürütülebilecektir.
Sensör ve Sistem Örnekleri (2015-2025)
Son olarak, piyasada ve araştırmalarda kullanılan bazı titreşim sensörleri ve izleme sistemlerinden örnekler aşağıda listelenmiştir. Bu sensörler Swiss-type torna tezgâhlarında da kullanılabilecek niteliktedir:
• Montronix PulseNG – Endüstriyel 3 eksenli MEMS ivmeölçer. Kalıcı montaj için tasarlanmıştır, ±6g ölçüm aralığı, 1350 Hz bant genişliği vardır. IBU-NG arayüzü ile birlikte takım tezgâhlarında çarpma algılama ve sürekli durum izleme için kullanılır (Şekil 1’de fotoğrafı görülen sensör).
• PCB Piezotronics 356A15 / 356A16 – Yüksek hassasiyetli piezoelektrik ivmeölçerler. 356A15 modeli yüksek sıcaklık ortamları için uygundur, 356A16-K ise triaxial (3 eksenli) ve yüksek hassasiyetli bir sensördür. Araştırmalarda bu tip sensörler makine titreşim verisi toplamada referans olarak kullanılmıştır.
• Analog Devices ADXL1002 – Yüksek performanslı MEMS ivmeölçer. 0-~11 kHz frekans aralığını kapsayan ±50g ölçüm yapabilir. Düşük maliyetli IoT çözümlerinde CNC makinelere takılarak durum izleme için değerlendirilmektedir. Aynı firmanın ADXL335, ADXL345 gibi modelleri de literatürde prototip çalışmalarda yer almıştır.
• Hansford Sensors HS-100 Serisi – Endüstriyel 100 mV/g çıkışlı ivmeölçer ailesi. M8 veya ¼"20 bağlantı ile makine gövdesine monte edilir. IP67 korumalı gövdeleriyle tezgâh ortamına dayanıklıdır. Genellikle şart izleme sistemlerine analog sinyal sağlar.
• IMI (PCB Industrial) 608A11 / 603C – 4-20 mA çıkışlı endüstriyel titreşim sensörleri. Bu sensörler doğrudan PLC sistemlerine bağlanabilir ve belirli mm/s değerine karşılık 20 mA verir. CNC tezgâhlarında genel titreşim monitörleri olarak kullanılabilir.
• Caron Engineering DTect-IT – Bir donanım-yazılım sistemi; tezgâhlara bağlanan ivmeölçer, mil gücü sensörü gibi girişleri alıp analiz eden özel birim. Özellikle Fanuc kontrol ile entegre çalışarak iş mili titreşimini gerçek zamanlı izler, rulman analizi yapar ve bakım önerileri sunar.
• Haas Vibration Monitoring – Haas CNC kontrolüne entegre ivmeölçer birimi. Parametrik ayarlarla spindle vibrasyonunu izler ve belli eşiği aşan titreşimleri alarm olarak raporlar (Alarm 9941 Crash Detected). Bu, üretici entegre çözümüne örnektir.
• Scops.ai VS-23 – CNC makineler için geliştirilmiş kablosuz titreşim sensörü. Mıknatıslı montaj ile spindle/şasiye takılır. Batarya ömrü uzundur ve verileri bir alıcıya iletir. Yazılımı, AI destekli analiz yaparak kullanıcının web arayüzüne uyarılar düşer (örn. “Y ekseni kızak arızası olası”). Bu ürün, Türkiye’de bazı tezgâhlarda pilot olarak kullanılmış ve raporlara göre %40’a varan arıza kaynaklı duruş azalması sağlamıştır.
• SKF IMx-8 – Rulman üreticisi SKF’in 8 kanallı çevrimdışı izleme cihazı. CNC tezgâhlarına birkaç ivmeölçer ve sıcaklık sensörü bağlanarak çalışır. SKF’in kendi yazılımıyla rulman arıza frekanslarını otomatik takip eder.
• Siemens SINUMERIK Edge – Siemens’in CNC kontrol ünitelerine eklenen endüstriyel IoT cihazı. Üzerine geliştirilen uygulamalarla (örn. Sürücü titreşim izleme app’i) gerçek zamanlı veriyi alıp, bulut veya edge AI analizleri yapabilir.
• Fanuc Health Monitoring – Fanuc’un FIELD sistemi kapsamında, servo eksen ve spindle yük/titreşimlerini izleyip bulutta analiz eden bir çözüm mevcut. Ayrıca Fanuc kontrol içindeki bazı ekranlar titreşim spekturumunu kullanıcıya gösterebilmektedir (özellikle robotik uygulamalarda kullanılıyor).
• National Instruments (NI) PXI Sistemi – Daha çok Ar-Ge amaçlı; yüksek hızlı veri toplama kartları ve LabVIEW yazılımı ile CNC tezgâhlarında deneysel titreşim analizleri yapmak için kullanılır. Örneğin, bir üniversite çalışmasında Swiss-type torna üzerine yerleştirilen 3 ivmeölçerden NI-PXI ile veri toplanıp gerçek zamanlı FFT ve dalgaçık analizi yapılmıştır.
Yukarıdaki örnekler, piyasada bulunabilen sensör ve sistemlerin çeşitliliğini göstermektedir. Swiss-type torna tezgâhlarında ideal seçim, endüstriyel ortam dayanımı yüksek, yeterli bant genişliğine sahip, montajı pratik sensörlerdir. Genellikle piezoelektrik ivmeölçerler, daha yüksek frekans tepki ve dayanıklılık istediğinde tercih edilirken; MEMS ivmeölçerler düşük maliyet, küçük boyut ve entegre elektronik avantajı ile IoT çözümlerinde öne çıkmaktadır. Birçok modern sistem, her iki türü de karma kullanmakta; kritik rulmana piezo takıp genel gövdeye MEMS koyabilmektedir.
Sonuç: CNC İsviçre tipi tornalarda titreşim tabanlı kestirimci bakım, doğru sensör yerleşimi ile başlayan, gelişmiş sinyal işleme teknikleriyle veriyi analiz eden ve akıllı algoritmalarla arıza sınıflandırması yapan bütüncül bir yaklaşımdır. Son 10 yıldaki gelişmeler sayesinde, artık bu makinelerde oluşabilecek arızalar titreşim imzalarıyla günler-haftalar öncesinden öngörülebilmekte ve plansız duruşlar önemli ölçüde azaltılmaktadır. Bu dokümanda ele alınan prensiplerin uygulanması, kullanıcıların makine verimliliğini yükseltmelerine ve bakım maliyetlerini düşürmelerine yardımcı olacaktır. Titreşim temelli kestirimci bakım, Endüstri 4.0’ın da önemli bir bileşeni olarak, Swiss-type torna tezgâhları gibi ileri imalat tezgâhlarının güvenilirlik, performans ve kullanılabilirliklerini arttırmaya devam edecektir.
Kaynaklar: Bu derlemede kullanılan tüm referanslar köşeli parantez içinde belirtilmiş olup, ilgili literatür ve uygulamadan alınan bilgileri desteklemektedir. Belirtilen sayılar, referansın ait olduğu çalışmada ilgili bilginin geçtiği satır numaralarını göstermektedir. Örneğin referansı, 10 numaralı kaynağın 528-532. satırları arasındaki içeriğe işaret etmektedir. Aşağıda seçili bazı kaynakların künyeleri sunulmuştur:
• 【10】 Wszołek, G. ve diğerleri (2020). "Vibration monitoring of CNC machinery using MEMS sensors", Journal of Vibroengineering, 22(3), 735-750. – CNC tezgâhına entegre MEMS sensör ile titreşim izleme vakasını anlatan çalışma.
• 【7】 Ratava, J. ve diğerleri (2016). "A Study of Sensor Placement in a Modern CNC Lathe", SPS16 Conference. – CNC torna tezgâhında farklı sensör yerleşimlerinin sinyal kalitesine etkisini inceleyen deneysel çalışma.
• 【53】 Herwan, J. ve diğerleri (2020). "Predicting Surface Roughness ... from Different Sensor Positions in CNC Turning", Int. J. of Automation Technology, 14(2), 217-225. – Turret gövdesine yerleştirilen sensör ile takım üzerindeki sensörün karşılaştırıldığı bir çalışma.
• 【23】 Hassan, I.U. ve diğerleri (2023). "Recent advancements of signal processing and AI in fault detection of bearings: a review", JVE International. – Rulman arızası tespitinde sinyal işleme ve yapay zekâ yöntemlerini derleyen bir inceleme makalesi.
• 【26】 PHM Society (2020). "Envelope analysis for bearing fault diagnosis". – Zarf analizinin teori ve uygulamasını detaylı açıklayan bir konferans bildirisi.
• 【40】 Extrica (2022). "Artificial intelligence techniques for fault identification". – Farklı AI tekniklerinin arıza tanıma uygulamalarını kıyaslayan bir derleme.
• 【55】 Haas Automation (2021). "Vibration & Crash Detection in CNC Mills". – Haas CNC tezgâhlarının yerleşik ivmeölçer birimi ve alarm eşikleriyle ilgili teknik dokümanı.
• ... (Diğer kaynaklar metin içinde ilgili yerlerde numaralandırılmıştır.)
بهذه şekilde, teori ve pratikten derlenen bilgiler ışığında CNC Swiss-type torna tezgâhlarında titreşim tabanlı kestirimci bakımın esasları ve güncel uygulamaları sunulmuştur. Bu alandaki yenilikler devam etmekte olup, özellikle dijital ikiz, bulut bilişim ve yapay zekâ entegrasyonları arttıkça, kestirimci bakımın doğruluğu ve güvenilirliği daha da artacaktır. Bu dokümandaki bilgilerin, sahada uygulama yapacak mühendis ve teknisyenler için yol gösterici olması umulmaktadır.