Bu araşdırma, asenkron mühərriklərdəki rulman nasazlıqlarını yalnızca tek bir sensor sinyaline dayanarak değil; vibrasiya, cərəyan, gərginlik, fırlanma momenti və fırlanma sürəti vərilərini birlikdə dəyərlendirerek diaqnostika etmeyi və motorun bozulma sürecini proqnozlaşdırmtorı amaçlamaktadır. Tədqiqatçılar 7,5 kW gücünde üçfazaalı sincab qəfəsli bir asenkron mühərrik üzerinde storlam durum, daxili halqa nasazlıqsı, xarici halqa nasazlıqsı və qəfəs zədəsi koşullarını beş fərqli yük səviyyəsinde araşdırmışdır. Ölçülen sinyallerden 200'den fazala zaman, tezlik, harmonik, zərf, wavəlet və MCSA tabanlı xüsusilik çıkarılmış; korrelyasiya istiqamətimlü xüsusilik füzyonundan sonra Random Forest, SVM, XGBoost və MLP siniflandırıcıları müqayisə edilmişdir. En güclü siniflandırıcılar Random Forest və XGBoost olmuş; Random Forest %98,0 dəqiqlik, XGBoost isə %97,0 dəqiqlik göstərmişdir. Bununla belə nəticələr kontrollü təcrübə düzeni və tədqiqatda oluşturulan vəri işləmə zinciri üçün geçerlidir; tədqiqat fərqli motor tipleri və uzun dörütubət real sənaye müəssisə koşulları üçün birbaşa sahə başaristilik sübut etmir.

Tədqiqatnın əsas yeniliği yalnızca daha fazala sensor kullanmak değildir. Tədqiqatçılar sensorlerden çıkarılan xüsusiliklerin birbirleriyle ne kadar ilişkili olduğunu Pearson korrelyasiyası, tezlik sahəsindaki koherens ölçmələri və xüsusiyyət əhəmiyyəti bilgiləriyle dəyərlendirerek daha ayırdedici bir birləşmiş xüsusiyyət məkanı oluşturmayı amaçlamıştır. Böylece aynı fiziki olayı tekrar eden yüksək derecede ilişkili xüsusiliklerin etkisi azaltılırken, fərqli sensorlerin tamamlayıcı bilgi taşıyan xüsusiliklerinin korunması hedeflenmiştir.

Teşhis mərhələsına ek olaraq tədqiqatda Degradation Index (DI), yani Deqradasiya indeksi adı vərilən 0 ilə 1 arasında davamlı bir storlık göstəricisi oluşturulmuştur. DI aştorı olduğunda sistem storlam duruma, yüksək olduğunda daha ciddi bozulmaya karşılık gelmektedir. Gaussian Process Regression (GPR) kullanılarak DI'nin gelecekteki gelişimi və Remaining Useful Life (RUL; qalan faydalı ömür) ehtimallı olaraq proqnoz edilmekte, aynı zamanda proqnoz belirsizliği de hesaplanmaktadır.

Türkiyə baxımından tədqiqat; elektrik mühərriklərinın proqnozlaşdırıcı texniki xidmətı, üretim hatları, nasoslar, vəntilyatorlar, konvəyerler və benzeri fırlanan maşın uygulamaları üçün üsulsel olaraq dikkate dəyər bir yaklaşma sunmaktadır. Ancaq tədqiqatdaki belirli eşikler, sensor davranışları və təsnifat başarıları fərqli motor gücü, rulman tipi, yük profili, sensor yerləşməsi və sahə səs-küyüne birbaşa aktarılmamalıdır. Türkiyə'deki real tesislerde kullanılmadan önce yerel makine və tədqiqat koşullarına göre yeniden validasiya gerekir.

Tədqiqatın əsas problemi nədir?

Asenkron mühərriklərdaki rulman bozulmaları mexaniki vibrasiyade belirginleşebilse de nasazlıqnın etkisi yalnızca vibrasiya sinyalinde kalmaz. Aynı mexaniki bozukluk cərəyan harmoniklerinde, fırlanma momenti dalgalanmasında və sürət değişimlerinde de iz bırakabilir. Buna karşılık tek sensore dayalı diaqnostika sistemleri gürültüye, yük değişimine və ya sensorun belirli bir nasazlıqya aştorı duyarlılığına karşı kırılgan ola bilər.

Tədqiqatın hedeflediği boşluk bu noktadadır: fərqli fiziki alanları ölçen sensorlerin vərisini bturşuce yan yana eklemek yerine, bu sinyaller arasındaki statistik və spektral ilişkiləri kullanarak hansı xüsusiliklerin realten diaqnozsal bilgi taşıdığını belirleyen bir füzyon mekanizması oluşturmak.

Çoklu sensor sistemi hansı vəriləri kullanıyor?

Deney düzeneğinde beş əsas fiziki büyüklük birlikdə qiymətləndirilmişdir:

• Titreşim: Kistler 8763B IEPE üç oxli ivmeölçer.
• Akım və elektriksel büyüklükler: Dewetron çok kanallı vəri toplama sistemi.
• Tork: HBK T22 fırlanma momenti çeviricisü.
• Dönme sürətı: DT-2234C+ takometre.
• Gerilim: elektriksel vəri kanallarından alınan gərginlik sinyalleri.

Tədqiqatda 0, %25, %50, %75 və %100 nominal yük olmak üzere beş tədqiqat koşulu istifadə edilmişdir. İncelenen dört storlık durumu Healthy, Inner-Race, Outer-Race və Damage olaraq müəyyən edilmişdir.

Deneyde kullanılan motor və rulman

Rulman, 40 mm iç çap, 80 mm dış çap və 18 mm genişliğe sahip 6208-ZZ derin oluklu bilyalı rulmandır. Tədqiqatçılar daxili halqa, xarici halqa və kafes/zədə durumlarının vibrasiya və elektriksel sinyaller üzerindeki fərqli etkilərini dəyərlendirmiştir.

Veri işləmə zinciri necə çalışıyor?

Ham sinyaller önce Savitzky–Golay yumuşatma və zolaq-keçirən filtrasiya ilə işlenmiştir. Metodoloji sinyallerin 5–20 kHz aralığındaki yüksək nümunələmə sürətlarında elde edildiğini, ardından 1 saniyelik və %50 örtüşməli pəncərəlere ayrıldığını bildirir.

Savitzky–Golay işləməinde yumuşatılmış sinyal:

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

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

Sensörlerin birimleri və büyüklükleri birbirinden fərqli olduğundan Z-score normalizasyonu uygulanmıştır:

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

Burada \(\mu\) sinyal ortası, \(\sigma\) standart yaw və \(\hat{x}(t)\) normalize edilmiş dəyərdir.

Hangi xüsusilikler çıkarıldı?

Tədqiqat her zaman pəncərəsinde 200'den fazala xüsusilik yaratmışdır. Bunlar RMS, pikdən-pikə dəyəri, asimmetriya, kurtosis, crest factor, FFT biləşenleri, spektral enerji, spektral entropiyaya, zərf analizi, wavəlet xüsusilikleri, harmonikler, slip ilişkili parametreler və Motor Current Signature Analysis (MCSA) xüsusiliklerini kapsamaktadır.

Örneğin RMS:

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

olaraq hesaplanmaktadır. Frekans alanında isə ayrık Fourier dönüşümü:

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

ilə ifade edilmiştir. Rulman nasazlıqlarının incelenmesinde BPFI, BPFO, BSF və FTF gibi karakteristik tezlik bölgeleri istifadə olunur.

Korelasyon güdümlü füzyon ne strukturyor?

Pearson korrelyasiya katsayistilik iki xüsusilik arasındaki doğrusal ilişkinin gücünü ölçür:

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

Frekans alanındaki ilişki isə koherens ilə:

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

şeklinde qiymətləndirilmişdir. Burada \(S_{xy}\) xaç güç spektral yoğunluğunu, \(S_{xx}\) və \(S_{yy}\) isə ilgili sinyallerin güç spektral sıxlıqlarını temsil eder.

Tədqiqatdaki sensor grubu korrelyasiyaları əhəmiyyətli bir noktayı gösterir: cərəyan ilə fırlanma momenti arasında +0,91 səviyyəinde güclü pozitiv ilişki bulunurken cərəyan ilə sürət arasında −0,96, fırlanma momenti ilə sürət arasında −0,89 səviyyəinde güclü ters ilişki vardır. Titreşim və gərginlik isə diğer gruplara göre daha aştorı korrelyasiya göstererek tamamlayıcı bilgi taşmaaktadır.

Kaynakta vərilən çəkilandırma denklemi:

\[ w_j=\alfa|r_j|^\gamma+\beta\cdot koherens_j+\eta\cdot SHAP_j \]

biçimindedir. Tədqiqatda seçilən parametreler \(\alfa=0,35\), \(\beta=0,30\), \(\eta=0,20\) və \(\gamma=0,15\) olaraq rapor edilmiştir. Ardından çəkilı xüsusilikler:

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

şeklinde birleştirilmiştir.

Kaynak içi əhəmiyyətli not: Tədqiqatnın xülasə və giriş bölümlerinde füzyon arxitekturasınde qarşılıqlı informasiya da əsas biləşenlerden biri olaraq anlatılmaktadır. Buna karşın yukarıdaki vərilən matematiksel ifade Pearson korrelyasiyası, koherens və SHAP terimlerini açıqça göstermekte; qarşılıqlı informasiya üçün ayrı bir terim göstərmir. Bundan əlavə \(\gamma\) denklemde üs olaraq kullanılırken metnin bir bölümünde çəki hiperparametrlerinin toplamına dahil edilmektedir. Bu niyəle formül ilə sxüsusi üsul açıqlaması arasında tam bir tek-anlamlılık yoxdur.

200'den fazala xüsusilik necə küçültüldü?

Füzyondan sonra Principal Component Analysis (PCA) uygulanmıştır. Tədqiqatçılar 27 əsas biləşenin toplam dispersiyaın təxminən %95,8'ini koruduğunu bildirmektedir. Amaç, yüzlerce xüsusiliğin taşıdığı bilginin büyük bölümünü korurken işləmə yükünü və xüsusilik tekrarını azaltmaktır.

Sınıf dengesizliği üçün yalnızca təlim vərilərine SMOTE uygulanmıştır. Tədqiqatda storlam sinifın təxminən 2100 örnek içerdiği, nasazlıq siniflarının isə təxminən 700–750 örnek seviyesinde olduğu; SMOTE sonrasında her təlim sinifının təxminən 2100 örneğe çıkarıldığı belirtilmektedir.

Sınıflandırmada hansı model daha başarılı?

Random Forest en yüksək toplam doğruluğu storlamıştır. XGBoost çok yaxınn ikinci sıradadır. SVM daha orta səviyyəde, MLP isə bu təcrübəde belirgin biçimde daha aştorı performans göstərmişdir.

Wilcoxon işarəli sıralar testi, Random Forest və XGBoost'un SVM və MLP'ye karşı gözlenen avantajlarının xaç validasiya katları boyunca statistik olaraq anlamlı olduğunu göstərmişdir. Random Forest ilə XGBoost arasındaki fark isə \(p=0,084\) ilə tədqiqatın kullandığı \(p<0,05\) eşiğinde anlamlı değildir.

Deqradasiya indeksi necə oluşturuluyor?

Tədqiqatda ayrı nasazlıq siniflarının ötesine geçebilmek üçün davamlı bir Deqradasiya indeksi müəyyən edilmişdir:

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

Burada \(w_i\) i'inci diaqnozsal xüsusiliğin torırlığını, \(\hat{f}_i(t)\) normalize edilmiş xüsusilik dəyərini və \(M\) kullanılan xüsusilik sayistiliknı temsil eder. DI, 0 ilə 1 arasında normalize edilmiştir.

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

Hasar sinifında orta DI dəyəri yük yükseldikçe 0,75'ten 0,95'e çıkmıştır. Dış biləzik nasazlıqsında isə 0,58'den 0,77'ye yükselmiştir. İç biləzik sinifında dəyərlər 0,51–0,70 aralığındadır. Storlıklı durum ümumi olaraq aştorı kalmakla birlikdə %75 yükte 0,31 və %100 yükte 0,25 dəyərləri görülmektedir; bu niyəle yük ilə DI arasındaki ilişki her sinifta qüsursuz monoton değildir.

Gaussian Process Regression niyə kullanılmış?

GPR yalnızca tek bir proqnoz dəyəri değil, proqnozun belirsizliğini de üretmektedir. Tədqiqatda posterior orta:

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

və proqnoz dispersiyaı:

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

ilə ifade edilmektedir. \(K\) təlim noktaları arasındaki kodispersiya/kernel matrisini, \(\sigma_n^2\) gürültü dispersiyaını və \(y\) gözlenen hedef dəyərlərini temsil eder.

Belirli bir gelecekte DI'nin nasazlıq eşiği \(\tau\)'yu geçme mümkünlığı:

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

ilə hesaplanmaktadır. Böylece sistem yalnız “nasazlıqlı/nasazlıqsız” biçiminde değil, bozulmanın istiqaməti, kalan ömür və proqnoz belirsizliği birlikdə ele alınarak dəyərlendirilmektedir.

Tədqiqatın dəstəklədiyi nəticələr

• Çoklu sensorlerden üretilən xüsusiliklerin korrelyasiya istiqamətimlü biçimde çəkilandırılması, tədqiqatın təcrübə məlumat dəstinde sinif ayırmaını güçlendirmiştir.
• Random Forest və XGBoost bu məlumat dəstinde SVM və MLP'den daha yüksək təsnifat başaristilik göstərmişdir.
• Random Forest doğruluğu 0,980, XGBoost doğruluğu 0,970 olaraq rapor edilmiştir.
• RF ilə XGBoost arasındaki performans farkı kullanılan Wilcoxon testinde statistik olaraq anlamlı değildir.
• DI, storlam və daha torır zədəlı durumları davamlı bir ölçek üzerinde ayırabilmektedir.
• Daha yüksək DI dəyərləri tədqiqat nəticələrinda ümumi olaraq daha aştorı proqnozu RUL ilə ilişkilidir.
• GPR, nokta proqnozunin yanında qeyri-müəyyənlik bilgisi storlayabilmektedir.

Tədqiqatın sübut etmədiyi nəticələr

• Bu tədqiqat bütün asenkron mühərriklərdə %98 diaqnostika başaristilik garanti etmemektedir.
• Sonuclar fərqli güç sinifları, rulman tipleri və ya fabrikalardaki tüm tədqiqat koşulları üçün birbaşa ümumilərütubətez.
• Tədqiqat uzunmüddətli real fabrika filosunda nasazlıq önleme nisbətını ölçmemiştir.
• RUL nəticələri herhansı bir motor üçün birbaşa saat, gün və ya ay cinsinden mərhələnsel kalan ömür storlamaz.
• Tədqiqat rotor çubuğu nasazlıqsı, stator sargı nasazlıqsı, eksantriklik və tüm mexaniki nasazlıq türlerini eksperimental olaraq validasiyamıştır.
• Yüksek təsnifat dəqiqliyi tek başına real sahəda aynı performansın korunactorını sübut etmir.

Tədqiqatın mühüm məhdudiyyətləri

Tədqiqatçılar daha büyük və daha realçi sənaye vərilənlər dəstləriyle validasiya ihtiyacını açıqça bildirir. İncelenen nasazlıq grupları sınırlıdır və uzun dörütubət qeydləri kapsayan daha geniş təcrübəlere gereksinim vardır. GPR'nin yüksək boyutlu vəri üzerindeki hesablama xərci, real vaxtlı uygulamalarda miqyaslana bilmə problemi oluşturabilir. Tədqiqatçılar ayrıca attention/Transformer tabanlı füzyon, sparse Gaussian process, fizika məlumatlı modeller, domain adaptation və edge/embedded uygulamaları gelecekteki geliştirme alanları olaraq göstərir.

Kaynak içi üsulsel tutarlılık notu: Özet bölümünde vəri ayırmaının “time-aware” olduğu və temporal leakage'i önlediği ifade edilmektedir. Buna karşılık üsul bölümünde 70/30 təlim-test ayırmaı və təlim vərilərinin rastgele 10 fold'a bölünmesi tarif edilmiştir. Bu iki açıqlamanın uygulama ayrıntıları mənbəta tam olaraq uzlaştırılmamıştır. Bu niyəle zaman btorımlı vəri kaçtorının hansı somut prosedürle önlendiği mənbə metinden tek anlamlı biçimde çıkarılamamaktadır.

Tədqiqatın metodu və nəticələri

Deney və vəri toplama koşulları

Sinyal işləmə tapıntıları

Kaynak tədqiqatın 19–23. sayfalarındaki ham və filtrelenmiş sinyal qraflerinde yük səviyyəsine və nasazlıq sinifına btorlı cərəyan, vibrasiya, fırlanma momenti və sürət davranışları karşılaştırılmaktadır. Özellikle filtreleme işləməi sürət və fırlanma momenti sinyallerindeki standart yawyı belirgin biçimde azaltmışdır. Örneğin Damage-Speed üçün standart yaw azalması %89,10, Healthy-Speed üçün %88,56, InnerRace-Speed üçün %87,94 və OuterRace-Speed üçün %87,62 olaraq vərilmiştir. Tork sinyalindeki azalma isə sinifa göre təxminən %48–55 aralığındadır.

Buna karşılık bazı cərəyan sinyallerinde “Avg_Std_Reduction_Percent” dəyərləri hafif neqativ rapor edilmiştir. Buna görə filtrelemenin bütün sensorlerde standart yawyı azaltan tek yönlü bir etki oluşturduğu söylerütubətez.

Füzyondan önce və sonra xüsusilik uzayı

Tədqiqatnın t-SNE görselleştirmelerinde Healthy və Outer-Race sinifları füzyon öncesinde de görece iyi ayrılmıştır. Daha zor ayrılan Inner-Race və Damage kümeleri füzyon sonrasında daha düzenli və daha kompakt hale gelmiştir. Bu görsel bulgu, füzyonun xüsusilikle birbirine yaxınn nasazlıq siniflarındaki ayırdediciliği geliştirdiği istiqamətindeki təsnifat nəticələriyla uyumludur.

Random Forest və XGBoost niyə öne çıktı?

Random Forest və XGBoost'un dəqiqlik, kesinlik, həssaslıq və F1 skorları birbirine yaxınn və yüksəktir. Tədqiqatnın karışıklık matrislerinde Random Forest Healthy, Inner-Race və Outer-Race siniflarında çok güclü ayırma göstermiş; kalan əsas karışıklık Damage ilə Inner-Race arasında ortaya çıkmıştır. XGBoost da benzer biçimde güclü nəticələr vərmiştir.

SVM-RBF daha fazala sinif karışıklığı gösterirken MLP xüsusilikle Damage və Outer-Race ayırmaında daha zayıf kalmıştır. ROC nəticələri da aynı sıralamayı dəstəkləyir.

DI və RUL birlikdə ne gösteriyor?

DI arttıkça tədqiqatdaki RUL proqnozleri ümumi olaraq azalmaktadır. Storlıklı sinif en aştorı DI və en yüksək RUL bölgesinde, Damage sinifı isə en yüksək DI və en aştorı RUL bölgesindedir. Inner-Race və Outer-Race bu iki uc arasında yer almaktadır.

Kaynakta vərilən zaman serisi örneklerinde %100 yükte Healthy koşulunun DI'si aştorı və görece kararlı kalırken Damage koşulunda DI yüksək seviyeye doğru ilərlemekte, RUL azalmakta və hesaplanan risk yükselmektedir. Tədqiqatçılar bu ilişkiyi bozulmanın davamlı izlenebildiğine dair əsas prognostik bulgu olaraq yorumlamaktadır.

Bilimsel yorum sınırı

Bu nəticələr kontrollü eksperimental sensor vərisi ilə eğitilən və dəyərlendirilən vəri fokuslı bir çərçivəye aittir. Tədqiqat, üsulun real bir fabrikanın fərqli marka, güç, rulman, yük, temperatur, montaj və gürültü koşullarında aynı dəqiqlikla çalışactorını göstərmir. Gerçek sahə istifadəı üçün makineye özgü yeniden təlim, eşik kalibrasiyau və uzun dörütubət validasiya zəruridir.

Mənbə və metod qeydi

Tam orijinal tədqiqat adı: Correlation-Drivən Multisənsory Fusion for Intelligent Fault Analysis in Induction Motors

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

Müəllif sırası: Kaynakta vərilən sıra aynen korunmuştur.

Eş katkı/eş birinci müəllif: Kaynakta eş katkı və ya eş birinci müəlliflık beyanı belirtilmemiştir.

Sorumlu müəllif: Karolina Kudelina.

Qurumlar:

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

Jurnal: Machines.

Nəşriyyat: MDPI, Basel, Switzerland.

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

DOI: 10.3390/machines14060606.

Mənbə növü: Hakemli tədqiqat makalesi.

Gönderim: 25 Nisan 2026.

Revizyon: 25 Mayıs 2026.

Kabul: 26 Mayıs 2026.

Yayın: 28 Mayıs 2026.

Lisans: Creativə Commons Attribution (CC BY).

Maliyyələşmə: Tədqiqat dış maliyyələşdirmə almamıştır.

Məlumat əlçatanlığı: Müəlliflər özgün katkıların makale üçünde yer aldığını, ek soruların sorumlu müəllifa yöneltiləbiləceğini belirtmiştir.

Maraqlar toqquşması: Müəlliflər maraqlar toqquşması olmadığını beyan etmiştir.

Müəllif katkıları: Kavramsallaştırma V.I.V.; üsul V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. və T.S.K.; yazılım V.I.V.; validasiya V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. və T.S.K.; biçimsel analiz V.I.V.; tədqiqat V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. və T.S.K.; vəri kürasyonu V.I.V.; ilk taslak V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. və T.S.K.; gözden geçirme/düzenleme K.K., D.E.E. və T.S.K.; görselleştirme V.I.V., K.K., D.E.E., S.D.V., T.B., V.S. və T.S.K.; denetim K.K. və T.S.K.

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

Bu Verianla açıqlaması bilimsel açıdan yalnızca incelenen tədqiqatın üsul, formül, cədvəl, şəkil və nəticələrina dayanmaktadır. Dış validasiya yalnız bibliyoqraf kimlik, yayın durumu və lisans kontrolü üçün kullanılmış; ana bilimsel içeriğe dışarıdan eksperimental bulgu eklenmemiştir.

Kaynak içi tutarsızlıklar: (1) Özet bölümündeki “time-aware data splitting” ifadesi ilə üsul bölümündeki 70/30 və rastgele 10-fold açıqlaması tamamen örtüşməmektedir. (2) Füzyon arxitekturasınde qarşılıqlı informasiya sxüsusi olaraq vurgulanırken vərilən çəki denkleminde bunun açıq ayrı terimi görülmemektedir. (3) Bazı ara üsul açıqlamalarında sensor dəyişənlerinin adlandırılması ana təcrübəde kullanılan cərəyan, sürət, fırlanma momenti, vibrasiya və gərginlik gruplarıyla tam uyumlu değildir. (4) Hiperparametre optimallaşdırmau bir yerde grid-search və cross-validation üzerinden anlatılırken sonraki paraqrafta Adam “birincil optimallaşdırma algoritması” olaraq diaqnozmlanmaktadır. Bu noktalar mənbəta bulunduğu biçimiyle korunmuş, Verianla metninde peykrma kesinlikle giderilmemiştir.

Tədqiqat əhəmiyyətli bir eksperimental və vəri fokuslı validasiya sunmakla birlikdə çok daha geniş motor filoları, ek nasazlıq türleri, uzun dörütubət sahə qeydləri və dəyişən real sənaye koşullarda ek validasiya gerektirmektedir.