Bu araştırma, asenkron motorlardaki rulman arızalarını yalnızca tek bir sensör sinyaline dayanarak değil; titreşim, akım, gerilim, tork ve dönme hızı verilerini birlikte değerlendirerek teşhis etmeyi ve motorun bozulma sürecini tahmin etmeyi amaçlamaktadır. Araştırmacılar 7,5 kW gücünde üç fazlı sincap kafesli bir asenkron motor üzerinde sağlıklı durum, iç bilezik arızası, dış bilezik arızası ve kafes hasarı koşullarını beş farklı yük seviyesinde incelemiştir. Ölçülen sinyallerden 200'den fazla zaman, frekans, harmonik, zarf, wavelet ve MCSA tabanlı özellik çıkarılmış; korelasyon güdümlü özellik füzyonundan sonra Random Forest, SVM, XGBoost ve MLP sınıflandırıcıları karşılaştırılmıştır. En güçlü sınıflandırıcılar Random Forest ve XGBoost olmuş; Random Forest %98,0 doğruluk, XGBoost ise %97,0 doğruluk göstermiştir. Bununla birlikte sonuçlar kontrollü deney düzeni ve araştırmada oluşturulan veri işleme zinciri için geçerlidir; çalışma farklı motor tipleri ve uzun dönem gerçek endüstriyel işletme koşulları için doğrudan saha başarısı kanıtlamamaktadır.

Çalışmanın temel yeniliği yalnızca daha fazla sensör kullanmak değildir. Araştırmacılar sensörlerden çıkarılan özelliklerin birbirleriyle ne kadar ilişkili olduğunu Pearson korelasyonu, frekans alanındaki coherence ölçümleri ve özellik önem bilgileriyle değerlendirerek daha ayırt edici bir birleşik özellik uzayı oluşturmayı amaçlamıştır. Böylece aynı fiziksel olayı tekrar eden yüksek derecede ilişkili özelliklerin etkisi azaltılırken, farklı sensörlerin tamamlayıcı bilgi taşıyan özelliklerinin korunması hedeflenmiştir.

Teşhis aşamasına ek olarak araştırmada Degradation Index (DI), yani Bozulma İndeksi adı verilen 0 ile 1 arasında sürekli bir sağlık göstergesi oluşturulmuştur. DI düşük olduğunda sistem sağlıklı duruma, yüksek olduğunda daha ciddi bozulmaya karşılık gelmektedir. Gaussian Process Regression (GPR) kullanılarak DI'nin gelecekteki gelişimi ve Remaining Useful Life (RUL; kalan faydalı ömür) olasılıksal olarak tahmin edilmekte, aynı zamanda tahmin belirsizliği de hesaplanmaktadır.

Türkiye açısından çalışma; elektrik motorlarının kestirimci bakımı, üretim hatları, pompalar, fanlar, konveyörler ve benzeri döner makine uygulamaları için yöntemsel olarak dikkate değer bir yaklaşım sunmaktadır. Ancak araştırmadaki belirli eşikler, sensör davranışları ve sınıflandırma başarıları farklı motor gücü, rulman tipi, yük profili, sensör yerleşimi ve saha gürültüsüne doğrudan aktarılmamalıdır. Türkiye'deki gerçek tesislerde kullanılmadan önce yerel makine ve çalışma koşullarına göre yeniden doğrulama gerekir.

Araştırmanın temel problemi nedir?

Asenkron motorlardaki rulman bozulmaları mekanik titreşimde belirginleşebilse de arızanın etkisi yalnızca titreşim sinyalinde kalmaz. Aynı mekanik bozukluk akım harmoniklerinde, tork dalgalanmasında ve hız değişimlerinde de iz bırakabilir. Buna karşılık tek sensöre dayalı teşhis sistemleri gürültüye, yük değişimine veya sensörün belirli bir arızaya düşük duyarlılığına karşı kırılgan olabilir.

Araştırmanın hedeflediği boşluk bu noktadadır: farklı fiziksel alanları ölçen sensörlerin verisini basitçe yan yana eklemek yerine, bu sinyaller arasındaki istatistiksel ve spektral ilişkileri kullanarak hangi özelliklerin gerçekten tanısal bilgi taşıdığını belirleyen bir füzyon mekanizması oluşturmak.

Çoklu sensör sistemi hangi verileri kullanıyor?

Deney düzeneğinde beş temel fiziksel büyüklük birlikte değerlendirilmiştir:

• Titreşim: Kistler 8763B IEPE üç eksenli ivmeölçer.
• Akım ve elektriksel büyüklükler: Dewetron çok kanallı veri toplama sistemi.
• Tork: HBK T22 tork dönüştürücüsü.
• Dönme hızı: DT-2234C+ takometre.
• Gerilim: elektriksel veri kanallarından alınan gerilim sinyalleri.

Araştırmada 0, %25, %50, %75 ve %100 nominal yük olmak üzere beş çalışma koşulu kullanılmıştır. İncelenen dört sağlık durumu Healthy, Inner-Race, Outer-Race ve Damage olarak tanımlanmıştır.

Deneyde kullanılan motor ve rulman

Rulman, 40 mm iç çap, 80 mm dış çap ve 18 mm genişliğe sahip 6208-ZZ derin oluklu bilyalı rulmandır. Araştırmacılar iç bilezik, dış bilezik ve kafes/hasar durumlarının titreşim ve elektriksel sinyaller üzerindeki farklı etkilerini değerlendirmiştir.

Veri işleme zinciri nasıl çalışıyor?

Ham sinyaller önce Savitzky–Golay yumuşatma ve bant geçiren filtreleme ile işlenmiştir. Metodoloji sinyallerin 5–20 kHz aralığındaki yüksek örnekleme hızlarında elde edildiğini, ardından 1 saniyelik ve %50 örtüşmeli pencerelere ayrıldığını belirtmektedir.

Savitzky–Golay işleminde yumuşatılmış sinyal:

\[ y(t)=\sum_{k=-m}^{m}c_kx(t+k) \]

biçiminde ifade edilmektedir. Burada \(x(t)\) ham sinyali, \(c_k\) filtre katsayılarını ve \(m\) pencere büyüklüğünü temsil eder.

Sensörlerin birimleri ve büyüklükleri birbirinden farklı olduğundan Z-score normalizasyonu uygulanmıştır:

\[ \hat{x}(t)=\frac{x(t)-\mu}{\sigma} \]

Burada \(\mu\) sinyal ortalaması, \(\sigma\) standart sapma ve \(\hat{x}(t)\) normalize edilmiş değerdir.

Hangi özellikler çıkarıldı?

Araştırma her zaman penceresinde 200'den fazla özellik oluşturmuştur. Bunlar RMS, tepe-tepe değeri, çarpıklık, kurtosis, crest factor, FFT bileşenleri, spektral enerji, spektral entropi, zarf analizi, wavelet özellikleri, harmonikler, slip ilişkili parametreler ve Motor Current Signature Analysis (MCSA) özelliklerini kapsamaktadır.

Örneğin RMS:

\[ RMS=\sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2} \]

olarak hesaplanmaktadır. Frekans alanında ise ayrık Fourier dönüşümü:

\[ X(f)=\sum_{n=0}^{N-1}x_ne^{-j2\pi fn/N} \]

ile ifade edilmiştir. Rulman arızalarının incelenmesinde BPFI, BPFO, BSF ve FTF gibi karakteristik frekans bölgeleri kullanılmaktadır.

Korelasyon güdümlü füzyon ne yapıyor?

Pearson korelasyon katsayısı iki özellik arasındaki doğrusal ilişkinin gücünü ölçmektedir:

\[ r=\frac{\sum_{i=1}^{N}(x_i-\bar{x})(y_i-\bar{y})} {\sqrt{\sum_{i=1}^{N}(x_i-\bar{x})^2\sum_{i=1}^{N}(y_i-\bar{y})^2}} \]

Frekans alanındaki ilişki ise coherence ile:

\[ C_{xy}(f)=\frac{|S_{xy}(f)|^2}{S_{xx}(f)S_{yy}(f)} \]

şeklinde değerlendirilmiştir. Burada \(S_{xy}\) çapraz güç spektral yoğunluğunu, \(S_{xx}\) ve \(S_{yy}\) ise ilgili sinyallerin güç spektral yoğunluklarını temsil eder.

Çalışmadaki sensör grubu korelasyonları önemli bir noktayı gösterir: akım ile tork arasında +0,91 düzeyinde güçlü pozitif ilişki bulunurken akım ile hız arasında −0,96, tork ile hız arasında −0,89 düzeyinde güçlü ters ilişki vardır. Titreşim ve gerilim ise diğer gruplara göre daha düşük korelasyon göstererek tamamlayıcı bilgi taşımaktadır.

Kaynakta verilen ağırlıklandırma denklemi:

\[ w_j=\alpha|r_j|^\gamma+\beta\cdot coherence_j+\eta\cdot SHAP_j \]

biçimindedir. Araştırmada seçilen parametreler \(\alpha=0,35\), \(\beta=0,30\), \(\eta=0,20\) ve \(\gamma=0,15\) olarak rapor edilmiştir. Ardından ağırlıklı özellikler:

\[ F_{enh}=[w_1f_1,w_2f_2,\ldots,w_df_d] \]

şeklinde birleştirilmiştir.

Kaynak içi önemli not: Çalışmanın özet ve giriş bölümlerinde füzyon mimarisinde mutual information da temel bileşenlerden biri olarak anlatılmaktadır. Buna karşın yukarıdaki verilen matematiksel ifade Pearson korelasyonu, coherence ve SHAP terimlerini açıkça göstermekte; mutual information için ayrı bir terim göstermemektedir. Ayrıca \(\gamma\) denklemde üs olarak kullanılırken metnin bir bölümünde ağırlık hiperparametrelerinin toplamına dahil edilmektedir. Bu nedenle formül ile sözel yöntem açıklaması arasında tam bir tek-anlamlılık bulunmamaktadır.

200'den fazla özellik nasıl küçültüldü?

Füzyondan sonra Principal Component Analysis (PCA) uygulanmıştır. Araştırmacılar 27 temel bileşenin toplam varyansın yaklaşık %95,8'ini koruduğunu bildirmektedir. Amaç, yüzlerce özelliğin taşıdığı bilginin büyük bölümünü korurken işlem yükünü ve özellik tekrarını azaltmaktır.

Sınıf dengesizliği için yalnızca eğitim verilerine SMOTE uygulanmıştır. Çalışmada sağlıklı sınıfın yaklaşık 2100 örnek içerdiği, arıza sınıflarının ise yaklaşık 700–750 örnek seviyesinde olduğu; SMOTE sonrasında her eğitim sınıfının yaklaşık 2100 örneğe çıkarıldığı belirtilmektedir.

Sınıflandırmada hangi model daha başarılı?

Random Forest en yüksek toplam doğruluğu sağlamıştır. XGBoost çok yakın ikinci sıradadır. SVM daha orta düzeyde, MLP ise bu deneyde belirgin biçimde daha düşük performans göstermiştir.

Wilcoxon signed-rank testi, Random Forest ve XGBoost'un SVM ve MLP'ye karşı gözlenen avantajlarının çapraz doğrulama katları boyunca istatistiksel olarak anlamlı olduğunu göstermiştir. Random Forest ile XGBoost arasındaki fark ise \(p=0,084\) ile çalışmanın kullandığı \(p<0,05\) eşiğinde anlamlı değildir.

Bozulma İndeksi nasıl oluşturuluyor?

Çalışmada ayrı arıza sınıflarının ötesine geçebilmek için sürekli bir Bozulma İndeksi tanımlanmıştır:

\[ DI(t)=\frac{\sum_{i=1}^{M}w_i\hat{f}_i(t)} {\sum_{i=1}^{M}w_i} \]

Burada \(w_i\) i'inci tanısal özelliğin ağırlığını, \(\hat{f}_i(t)\) normalize edilmiş özellik değerini ve \(M\) kullanılan özellik sayısını temsil eder. DI, 0 ile 1 arasında normalize edilmiştir.

• 0 ≤ DI < 0,3: Normal bölge
• 0,3 ≤ DI < 0,7: Marjinal bölge
• 0,7 ≤ DI ≤ 1: Kritik bölge

Hasar sınıfında ortalama DI değeri yük yükseldikçe 0,75'ten 0,95'e çıkmıştır. Dış bilezik arızasında ise 0,58'den 0,77'ye yükselmiştir. İç bilezik sınıfında değerler 0,51–0,70 aralığındadır. Sağlıklı durum genel olarak düşük kalmakla birlikte %75 yükte 0,31 ve %100 yükte 0,25 değerleri görülmektedir; bu nedenle yük ile DI arasındaki ilişki her sınıfta kusursuz monoton değildir.

Gaussian Process Regression neden kullanılmış?

GPR yalnızca tek bir tahmin değeri değil, tahminin belirsizliğini de üretmektedir. Çalışmada posterior ortalama:

\[ \mu_* = K^T(K+\sigma_n^2I)^{-1}y \]

ve tahmin varyansı:

\[ \sigma_*^2=k_{**}-K^T(K+\sigma_n^2I)^{-1}K \]

ile ifade edilmektedir. \(K\) eğitim noktaları arasındaki kovaryans/kernel matrisini, \(\sigma_n^2\) gürültü varyansını ve \(y\) gözlenen hedef değerlerini temsil eder.

Belirli bir gelecekte DI'nin arıza eşiği \(\tau\)'yu geçme olasılığı:

\[ P(DI(t+h)\geq\tau)=1-\Phi\left( \frac{\tau-\mu_*(t+h)}{\sigma_*(t+h)} \right) \]

ile hesaplanmaktadır. Böylece sistem yalnız “arızalı/arızasız” biçiminde değil, bozulmanın yönü, kalan ömür ve tahmin belirsizliği birlikte ele alınarak değerlendirilmektedir.

Çalışmanın desteklediği sonuçlar

• Çoklu sensörlerden üretilen özelliklerin korelasyon güdümlü biçimde ağırlıklandırılması, çalışmanın deney veri setinde sınıf ayrımını güçlendirmiştir.
• Random Forest ve XGBoost bu veri setinde SVM ve MLP'den daha yüksek sınıflandırma başarısı göstermiştir.
• Random Forest doğruluğu 0,980, XGBoost doğruluğu 0,970 olarak rapor edilmiştir.
• RF ile XGBoost arasındaki performans farkı kullanılan Wilcoxon testinde istatistiksel olarak anlamlı değildir.
• DI, sağlıklı ve daha ağır hasarlı durumları sürekli bir ölçek üzerinde ayırabilmektedir.
• Daha yüksek DI değerleri çalışma sonuçlarında genel olarak daha düşük tahmini RUL ile ilişkilidir.
• GPR, nokta tahmininin yanında belirsizlik bilgisi sağlayabilmektedir.

Çalışmanın kanıtlamadığı sonuçlar

• Bu çalışma bütün asenkron motorlarda %98 teşhis başarısı garanti etmemektedir.
• Sonuçlar farklı güç sınıfları, rulman tipleri veya fabrikalardaki tüm çalışma koşulları için doğrudan genellenemez.
• Çalışma uzun süreli gerçek fabrika filosunda arıza önleme oranını ölçmemiştir.
• RUL sonuçları herhangi bir motor için doğrudan saat, gün veya ay cinsinden evrensel kalan ömür sağlamaz.
• Çalışma rotor çubuğu arızası, stator sargı arızası, eksantriklik ve tüm mekanik arıza türlerini deneysel olarak doğrulamamıştır.
• Yüksek sınıflandırma doğruluğu tek başına gerçek sahada aynı performansın korunacağını kanıtlamaz.

Çalışmanın önemli sınırlılıkları

Araştırmacılar daha büyük ve daha gerçekçi endüstriyel veri kümeleriyle doğrulama ihtiyacını açıkça belirtmektedir. İncelenen arıza grupları sınırlıdır ve uzun dönem kayıtları kapsayan daha geniş deneylere gereksinim vardır. GPR'nin yüksek boyutlu veri üzerindeki hesaplama maliyeti, gerçek zamanlı uygulamalarda ölçeklenebilirlik problemi oluşturabilir. Araştırmacılar ayrıca attention/Transformer tabanlı füzyon, sparse Gaussian process, fizik bilgili modeller, domain adaptation ve edge/embedded uygulamaları gelecekteki geliştirme alanları olarak göstermektedir.

Kaynak içi yöntemsel tutarlılık notu: Özet bölümünde veri ayrımının “time-aware” olduğu ve temporal leakage'i önlediği ifade edilmektedir. Buna karşılık yöntem bölümünde 70/30 eğitim-test ayrımı ve eğitim verilerinin rastgele 10 fold'a bölünmesi tarif edilmiştir. Bu iki açıklamanın uygulama ayrıntıları kaynakta tam olarak uzlaştırılmamıştır. Bu nedenle zaman bağımlı veri kaçağının hangi somut prosedürle önlendiği kaynak metinden tek anlamlı biçimde çıkarılamamaktadır.

Çalışmanın Yöntemi ve Bulguları

Deney ve veri toplama koşulları

Sinyal işleme bulguları

Kaynak çalışmanın 19–23. sayfalarındaki ham ve filtrelenmiş sinyal grafiklerinde yük seviyesine ve arıza sınıfına bağlı akım, titreşim, tork ve hız davranışları karşılaştırılmaktadır. Özellikle filtreleme işlemi hız ve tork sinyallerindeki standart sapmayı belirgin biçimde azaltmıştır. Örneğin Damage-Speed için standart sapma azalması %89,10, Healthy-Speed için %88,56, InnerRace-Speed için %87,94 ve OuterRace-Speed için %87,62 olarak verilmiştir. Tork sinyalindeki azalma ise sınıfa göre yaklaşık %48–55 aralığındadır.

Buna karşılık bazı akım sinyallerinde “Avg_Std_Reduction_Percent” değerleri hafif negatif rapor edilmiştir. Dolayısıyla filtrelemenin bütün sensörlerde standart sapmayı azaltan tek yönlü bir etki oluşturduğu söylenemez.

Füzyondan önce ve sonra özellik uzayı

Çalışmanın t-SNE görselleştirmelerinde Healthy ve Outer-Race sınıfları füzyon öncesinde de görece iyi ayrılmıştır. Daha zor ayrılan Inner-Race ve Damage kümeleri füzyon sonrasında daha düzenli ve daha kompakt hale gelmiştir. Bu görsel bulgu, füzyonun özellikle birbirine yakın arıza sınıflarındaki ayırt ediciliği geliştirdiği yönündeki sınıflandırma sonuçlarıyla uyumludur.

Random Forest ve XGBoost neden öne çıktı?

Random Forest ve XGBoost'un doğruluk, kesinlik, duyarlılık ve F1 skorları birbirine yakın ve yüksektir. Çalışmanın karışıklık matrislerinde Random Forest Healthy, Inner-Race ve Outer-Race sınıflarında çok güçlü ayrım göstermiş; kalan temel karışıklık Damage ile Inner-Race arasında ortaya çıkmıştır. XGBoost da benzer biçimde güçlü sonuçlar vermiştir.

SVM-RBF daha fazla sınıf karışıklığı gösterirken MLP özellikle Damage ve Outer-Race ayrımında daha zayıf kalmıştır. ROC sonuçları da aynı sıralamayı desteklemektedir.

DI ve RUL birlikte ne gösteriyor?

DI arttıkça çalışmadaki RUL tahminleri genel olarak azalmaktadır. Sağlıklı sınıf en düşük DI ve en yüksek RUL bölgesinde, Damage sınıfı ise en yüksek DI ve en düşük RUL bölgesindedir. Inner-Race ve Outer-Race bu iki uç arasında yer almaktadır.

Kaynakta verilen zaman serisi örneklerinde %100 yükte Healthy koşulunun DI'si düşük ve görece kararlı kalırken Damage koşulunda DI yüksek seviyeye doğru ilerlemekte, RUL azalmakta ve hesaplanan risk yükselmektedir. Araştırmacılar bu ilişkiyi bozulmanın sürekli izlenebildiğine dair temel prognostik bulgu olarak yorumlamaktadır.

Bilimsel yorum sınırı

Bu sonuçlar kontrollü deneysel sensör verisi ile eğitilen ve değerlendirilen veri odaklı bir çerçeveye aittir. Çalışma, yöntemin gerçek bir fabrikanın farklı marka, güç, rulman, yük, sıcaklık, montaj ve gürültü koşullarında aynı doğrulukla çalışacağını göstermemektedir. Gerçek saha kullanımı için makineye özgü yeniden eğitim, eşik kalibrasyonu ve uzun dönem doğrulama gereklidir.

Kaynak ve Yöntem Notu

Tam özgün çalışma adı: Correlation-Driven Multisensory Fusion for Intelligent Fault Analysis in Induction Motors

Yazarlar: Vasileios I. Vlachou; Karolina Kudelina; Dimitrios E. Efstathiou; Stavros D. Vologiannidis; Tatjana Baraškova; Veroonika Shirokova; Theoklitos S. Karakatsanis.

Yazar sırası: Kaynakta verilen sıra aynen korunmuştur.

Eş katkı/eş birinci yazar: Kaynakta eş katkı veya eş birinci yazarlık beyanı belirtilmemiştir.

Sorumlu yazar: Karolina Kudelina.

Kurumlar:

1. School of Electrical and Computer Engineering, National Technical University of Athens, Athens, Greece.
2. Applied Mechanics and Sustainable Energy Technology Research Group, Virumma College, Tallin University of Technology, Kohtla-Järve, Estonia.
3. Department of Computer, Informatics and Telecommunications, International Hellenic University, Serres, Greece.
4. Department of Production and Management Engineering, Democritus University of Thrace, Xanthi, Greece.

Dergi: Machines.

Yayınevi: MDPI, Basel, Switzerland.

Cilt/sayı/makale numarası: 14(6), 606.

DOI: 10.3390/machines14060606.

Kaynak türü: Hakemli araştırma makalesi.

Gönderim: 25 Nisan 2026.

Revizyon: 25 Mayıs 2026.

Kabul: 26 Mayıs 2026.

Yayın: 28 Mayıs 2026.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Araştırma dış finansman almamıştır.

Veri erişilebilirliği: Yazarlar özgün katkıların makale içinde yer aldığını, ek soruların sorumlu yazara yöneltilebileceğini belirtmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması olmadığını beyan etmiştir.

Yazar katkıları: Kavramsallaştırma V.I.V.; yöntem V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. ve T.S.K.; yazılım V.I.V.; doğrulama V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. ve T.S.K.; biçimsel analiz V.I.V.; araştırma V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. ve T.S.K.; veri kürasyonu V.I.V.; ilk taslak V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. ve T.S.K.; gözden geçirme/düzenleme K.K., D.E.E. ve T.S.K.; görselleştirme V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. ve T.S.K.; denetim K.K. ve T.S.K.

Resmî yayın kaydı: MDPI Machines, Volume 14, Issue 6, Article 606; DOI kayıt numarası yukarıda verilmiştir.

Bu Verianla açıklaması bilimsel açıdan yalnızca incelenen çalışmanın yöntem, formül, tablo, şekil ve sonuçlarına dayanmaktadır. Dış doğrulama yalnız bibliyografik kimlik, yayın durumu ve lisans kontrolü için kullanılmış; ana bilimsel içeriğe dışarıdan deneysel bulgu eklenmemiştir.

Kaynak içi tutarsızlıklar: (1) Özet bölümündeki “time-aware data splitting” ifadesi ile yöntem bölümündeki 70/30 ve rastgele 10-fold açıklaması tamamen örtüşmemektedir. (2) Füzyon mimarisinde mutual information sözel olarak vurgulanırken verilen ağırlık denkleminde bunun açık ayrı terimi görülmemektedir. (3) Bazı ara yöntem açıklamalarında sensör değişkenlerinin adlandırılması ana deneyde kullanılan akım, hız, tork, titreşim ve gerilim gruplarıyla tam uyumlu değildir. (4) Hiperparametre optimizasyonu bir yerde grid-search ve cross-validation üzerinden anlatılırken sonraki paragrafta Adam “birincil optimizasyon algoritması” olarak tanımlanmaktadır. Bu noktalar kaynakta bulunduğu biçimiyle korunmuş, Verianla metninde uydurma kesinlikle giderilmemiştir.

Çalışma önemli bir deneysel ve veri odaklı doğrulama sunmakla birlikte çok daha geniş motor filoları, ek arıza türleri, uzun dönem saha kayıtları ve değişken gerçek endüstriyel koşullarda ek doğrulama gerektirmektedir.