YAPAY ZEKA YARDIMI İLE REDÜKTÖR SEÇİMİ

BİROL ÜNAL

YÜKSEK LİSANS TEZİ

MAKİNE EĞİTİMİ BÖLÜMÜ

GAZİ ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ

KASIM 2009
ANKARA
Birol ÜNAL tarafından hazırlanan YAPAY ZEKA YARDIMI İLE REDÜKTÖR
SEÇİMİ adlı bu tezin Yüksek Lisans tezi olarak uygun olduğunu onaylarım.

Prof.Dr. Faruk MENDİ ………….……………

Tez Danışmanı; Makine Eğitimi Anabilim Dalı

Bu çalışma, jürimiz tarafından oy birliği ile Makine Eğitimi Anabilim Dalında

Yüksek Lisans tezi olarak kabul edilmiştir.

Prof.Dr. Kürşat DÜNDAR ………….……………

Makine Eğitimi Anabilim Dalı, Gazi Üniversitesi
Prof.Dr. Faruk MENDİ ………….……………
Makine Eğitimi Anabilim Dalı, Gazi Üniversitesi
Doç.Dr. İhsan KORKUT …………….…………
Makine Eğitimi Anabilim Dalı, Gazi Üniversitesi
Yrd.Doç.Dr. O.Selim TÜRKBAŞ ..…………..…………
Makine Mühendisliği Anabilim Dalı, Gazi Üniversitesi
Yrd.Doç.Dr. Haldun GÖKTAŞ …..………..…………
Elektr. Bilg. Eğitimi Anabilim Dalı, Gazi Üniversitesi

Tarih : 11/11/2009

Bu tez ile G.Ü. Fen Bilimleri Enstitüsü Yönetim Kurulu Yüksek Lisans derecesini
onamıştır.

Prof. Dr. Nail ÜNSAL

Fen Bilimleri Enstitüsü Müdürü
 v

TEZ BİLDİRİMİ

Tez içindeki bütün bilgilerin etik davranış ve akademik kurallar çerçevesinde elde
edilerek sunulduğunu, ayrıca tez yazım kurallarına uygun olarak hazırlanan bu
çalışmada orijinal olmayan her türlü kaynağa eksiksiz atıf yapıldığını bildiririm.

Birol ÜNAL
 iv

YAPAY ZEKA YARDIMI İLE REDÜKTÖR SEÇİMİ

(Yüksek Lisans Tezi)

Birol ÜNAL

GAZİ ÜNİVERSİTESİ
FEN BİLİMLERİ ENSTİTÜSÜ
KASIM 2009

ÖZET

Bu çalışmada, bir redüktör kataloğundaki 1200 adet Redüktör arasından

tasarım değişkenleri de dikkate alınarak en uygun redüktörün seçimi için yapay
zeka yönteminin kullanılması planlanmıştır. Veri tabanı olarak “Yılmaz
redüktör” firmasının redüktör kataloğu esas alınmıştır. Yapay zeka program
türlerinden de “Yapay sinir ağları” kullanılarak yapay sinir ağları tabanlı
Qwicknet 2.23 programından faydalanılmış ve programda kullanılan
parametreler excel ortamına aktarılarak redüktör çalışma değerlerini içeren
veri tabanı oluşturulmuştur. İlgili program kullanılarak excel ortamında
oluşturulan veri tabanı yardımı ile yapay zekâ programının öğrenme düzeyi
tesbit edilmiş, daha sonra öğrenmenin yeterli olup olmadığının kontrolü
yapılarak redüktör seçimine gidilmiştir.

Bilim Kodu : 3.029

Anahtar Kelimeler : Redüktör, redüktör tasarımı, dişli sistemleri,
dişli mekanizmaları, yapay zeka, yapay sinir ağları
Sayfa Adedi : 112
Tez Yöneticisi : Prof. Dr. Faruk MENDİ
 v

REDUCER SELECTION USING ARTIFICIAL INTELLIGENCE

(M.Sc.Thesis)

Birol ÜNAL

GAZI UNIVERSITY
INSTUTE OF SCIENCE AND TECHNOLOGY
NOVEMBER 2009

ABSTRACT

In this study, an artificial intelligence method has been planned to be select the
most convenient reducer from among 1200 commercially available ones in a
firm inventory considering the design variables. The catalogue of the ‘Yılmaz
Gearbox’ has been taken as a database for the analysis. Among the possible
artificial intelligence methods, the neural network has been exploited with the
help of an artificial neural network-based program called Qwicknet 2.23. The
parameters used in this program have been transferred to excel environment,
which helps to generate the database for the operation constraints of the
reducer. The learning ability of the artificial intelligence method has been
determined with the use of the artificial neural network program, which uses
the parameters from the excel database. Finally, the reducer has been chosen by
controlling the degree of learning.

Science Code : 3.029

Key Worlds : Reducer, reducer design, gear systems, gear trains,
artificial intelligence, neural network-based
Page Number : 112
Advisers : Prof. Dr. Faruk MENDİ
 vi

TEŞEKKÜR

Çalışmalarım boyunca bana yol gösteren tez danışmanım Prof. Dr. Faruk MENDİ’
ye, yardımlarını esirgemeyen “Abant İzzet Baysal Üniversitesi, Gerede Meslek
Yüksek Okulu, Makine Resim ve Konstrüksiyonu Bölümü” öğretim görevlisi,
Dr.Tamer BAŞKAL’a, “Mersin Üniversitesi, Tarsus Teknik Eğitim Fakültesi,
Makine A.B.D.” öğretim üyesi, Yrd. Doç. Dr. Uğur EŞME’ye ve çalışmalarım
boyunca manevi desteğini esirgemeyen aileme teşekkürlerimi bir borç bilirim.
 vii

İÇİNDEKİLER

Sayfa

ÖZET…………………………………………………………….……............... iv

ABSTRACT…………………………………………..……………..….……… v

TEŞEKKÜR…………………………………………………….……………… vi

İÇİNDEKİLER…………………………………………..…………….……….. vii

ÇİZELGELERİN LİSTESİ…………………………………...………………… x

ŞEKİLLERİN LİSTESİ……………………………….……………………….. xi

SİMGELER VE KISALTMALAR ……………………...…………………….. xiii

1. GİRİŞ…………………………………………………………..…………….. 1

1.1. Çalışmanın Amacı………………………………………………………. 3

1.2. Yöntem………………………………………………………………….. 3

2. LİTERATÜR ARAŞTIRMASI……………………………………………… 4

3. REDÜKTÖR………………………………………………………………… 9

3.1. Redüktör Tanımı………………………………………………………… 9

3.2. Kullanım Alanları…………………………………………………....... 9

3.3. Redüktör Çeşitleri……………………………………………………….. 10

3.3.1. Kademe sayısına göre redüktörler…………………….…….. 10

3.3.2. Dişli tipine göre redüktörler………………………………… 11

3.4. Redüktörü Oluşturan Parçalar ve Özellikleri…………………..……….. 14

3.4.1. Dişli çarklar………………………………………………………. 14

3.4.2. Miller…………………………………………………………….. 32

3.4.3. Yataklar………………………………………………………….. 33

3.4.4.Gövdeler………………..…………………………….….……...... 33

3.4.5. Sızdırmazlık…………………………………………....………... 33
 viii

Sayfa

3.4.6. Dişli çarkların yağlanması…………………….…….…………… 34

3.4.7. Dişli çarkların verimi…………………………….....…….……… 34

3.5. Redüktör Seçimi İçin Gerekli Parametreler…………….………...……. 35

3.6. Redüktör Seçim Aşamaları………………………………...…………… 37

3.6.1. Redüktör tipinin seçimi………………………………….....…..... 37

3.6.2. Redüktör büyüklüğünün tespiti……………………………..…… 37

3.6.3. Redüktör firması tarafından kataloğunda kullanılan temel eşitlikler 39

3.6.4. Redüktör seçimi…………………………………..….……… 41

4. YAPAY ZEKA………………………………………………….…..………. 49

4.1. Tanımı ve Tarihçesi……………………………………………………. 49

4.2. Önemli Yapay Zekâ Teknikleri………………………………...….…… 52

4.2.1. Bulanık mantık (BM)…………………………………....………. 52

4.2.2. Genetik algoritmalar (GA)……………………………...….……. 55

4.2.3. Uzman sistemler (US)……………………………………….…… 59

4.2.4. Yapay sinirsel ağlar (YSA)…………………………………….… 62

5. YAPAY ZEKA YARDIMI İLE REDÜKTÖR SEÇİMİ…………………….. 75

5.1. Yapay Zeka Yardımı İle Redüktör Seçimi İçin Gerekli Veri Tabanının
Oluşturulması…………………………………………………………… 76
5.2. YSA Eğitim Aşaması………………………………………………..….. 78

5.3. Arayüz Oluşturulması………………………………………………..…. 82

5.4. Delphi Tabanlı Programın Kullanılması ve Redüktör Seçimi………...… 83

6. SONUÇ VE ÖNERİLER…………………………………………………….. 89

KAYNAKLAR…………………………………………………………………. 91

EKLER…………………………………………………………………….......... 96
EK-1 Redüktörlerin çeşitli kullanım alanları……………….…………………… 97
 ix

Sayfa

EK-2 Milleri konumlarına göre çalışan dişli çiftleri…………………………… 98

EK-3 Dişli çark malzemeleri ve mekanik özellikleri…………………………... 99
EK-4 Kavrama faktörü (Kε)……………………………………………………. 100
EK-5 Kullanılan bağlantı elemanına göre radyal yük hesaplama çizelgesi……. 101
EK-6 Redüktörlerin kullanım alanlarına göre yük sınıflandırması……….……. 102
EK-7 Çizelge 3.6. Yılmaz redüktör kataloğu 11-04/02 Sayfa 206………….…. 103
EK-8 Çizelge 3.7. Yılmaz redüktör kataloğu 11-04/02 Sayfa 70……………… 104
EK-9 Çizelge 3.8. Malzemelerin emniyet gerilmesi ve basıncı değerleri……... 105
EK-10 Delphi Programı algoritması……………………………………………. 106
EK-11 MetalMakina dergisi'nde yayımlanan “Yapay Sinir Ağları(YSA)Metodu
İle Redüktör Seçiminin Modellenmesi” konulu makalenin yayın evrağı 111

ÖZGEÇMİŞ……………………………………………………………………. 112
 x

ÇİZELGELERİN LİSTESİ

Çizelge Sayfa

Çizelge 3.1. Standart modül değerleri (m)…………………………….………… 18

Çizelge 3.2. Diş sayısına göre form faktörü (Kf )…………………………………. 19
Çizelge 3.3. Dinamik hız faktörü (Kv)…………………………………………… 20
Çizelge 3.4. Sürekli dayanım değeri ( σ D )……………………….……………... 20

Çizelge 3.5. Diş genişlik oranı (ψ d )………………………………………………. 21

Çizelge 3.6. Yuvarlanma faktörü (Kα)………………………………………..…. 21

Çizelge 3.7. Eşdeğer elastiklik modülü ve malzeme faktörü (KE)…….…………... 22
Çizelge 3.8. Yüzey basıncına bağlı ömür faktörü (KL)……………….…………. 22
Çizelge 3.9. Güvenirlik faktörü (KR)………………………………….…………. 23
Çizelge 3.10. Yağlama faktörü (KY)…………………………………..….……… 23
Çizelge 3.11. Yüzey sertliğine bağlı dayanım sınırı (PHD)…………..………...... 23
Çizelge 3.12. Sonsuz vida mekanizması için modül değerleri (m)……………… 25
Çizelge 3.13. Yüzey basınç değerleri (PHem)…………………………………….. 25
Çizelge 3.14. Çalışma faktörü değerleri (Ko)……………………………………. 27
Çizelge 3.15. Yük dağılım faktörü (Km)…………………………………..………... 28
Çizelge 3.16. Form faktörü (Kfe)…………………………………..…………...... 29
Çizelge 3.17. Eğim açısı faktörü (Kβ)…………………………………………… 30
Çizelge 3.18. Form faktörü (Kf2)………………………………………………… 31
Çizelge 3.19. Verim değerleri (η)………………………………………………... 35
Çizelge 3.20. Fi değerine bağlı yük sınıfı………………………………………. 43
Çizelge 3.21. Termik güç tablosu………………………………………………... 45

Çizelge 5.1. Giriş, gizli bölge ve çıkış bölgesindeki bağlantı ağırlık katsayıları 76
 xi

ŞEKİLLERİN LİSTESİ

Şekil Sayfa

Şekil 3.1. Redüktör ve çalışma sistemi............................................................... 9

Şekil 3.2. Hijyenik tip redüktör………………………………………..….…….... 10
Şekil 3.3. Alın dişli redüktörler.……………………………………….…..….... 11
Şekil 3.4. Sonsuz vidalı redüktör………………………………….….….…… 11
Şekil 3.5. Planet dişli redüktör………………………………………....……... 12
Şekil 3.6. Konik dişli redüktör………………………………………...…….... 13
Şekil 3.7. Eğik konik dişli redüktör………………………………….......….... 13
Şekil 3.8. Düz dişli çark………………………………………………..…..…….. 16
Şekil 3.9. Dişli çarkı etkileyen kuvvetler………………………………….…..… 26
Şekil 3.10. Dinamik hız faktörü (Kv)……………………………….……..….….. 28
Şekil 3.11. Elastik kavrama ile bağlantı ve elastikiyet……………………….….. 33
Şekil 3.12. İki kademeli redüktör………………………………………...……... 36
Şekil 3.13. Servis faktörü belirleme cetveli…………………………….…...…… 43
Şekil 4.1. Turing testi……………………………………………………………. 51
Şekil 4.2. Yapay zeka bilimsel alan ilişkisi………………………………....…… 51
Şekil 4.3. BM çalışma alanı mantığı…………………………………………....... 52
Şekil 4.4. Doğru' ve 'Yanlış'ın tanımı; a) Keskin küm., b) Bulanık küm……..…. 53
Şekil 4.5. Çözüm kümesi…………………………………………………...…….. 56
Şekil 4.6. Genetik algoritmalarda çözüm kümesi oluşumu……………..….…….. 58
Şekil 4.7. Uzman sistemlerin genel yapısı………………………………..……… 60
Şekil 4.8. Bir sinir hücresinin biyolojik yapısı…………………………..…….... 65
Şekil 4.9. Temel yapay sinir ağı hücresi……………………………….…..……. 67
Şekil 4.10. Yapay sinir ağı yapısı………………………………….………..….. 68
 xii

Şekil Sayfa

Şekil 4.11. YSA modellerinin temel bileşenleri…………………………..…..... 69

Şekil 4.12. İleri sürümlü ağ………………………………………………..…… 72
Şekil 4.13. Geri beslemeli ağ…………………………………………….…...... 72
Şekil 5.1. Excel ortamında hazırlanmış redüktör katalog verileri (Yılmaz Red.)... 77
Şekil 5.2. Monoblok redüktör için düzenlenmiş yeni değerler………………....... 77
Şekil 5.3. Text dosyası olarak öğrenme seti…………………………………..….. 78
Şekil 5.4. Qwiknet programı veri seti yükleme kullanıcı ara yüzü……………..... 79
Şekil 5.5 3:5:1 yapılı geri yayılma algoritmalı yapay sinir ağları……………...... 79
Şekil 5.6. 100 satırlık test grubu………………………………………………...... 80
Şekil 5.7. YSA modelleme ve firma katalog çıkış momenti (M2) değer
81
karşılaştırması…………………………….……………………………

Şekil 5.8. YSA ve katalog çıkış momenti veri karşılaştırması……………..……. 82

Şekil 5.9. Delphi programı arayüzü…………………………………......……….. 82
 xiii

SİMGELER VE KISALTMALAR

Bu çalışmada kullanılan simgeler, açıklamaları ve kısaltmalar aşağıda verilmiştir.

Simgeler Açıklama

b Diş genişliği
∩
b Dişler arası temas yayı
do Bölüm dairesi çapı
da Diş üstü çapı
dt Diş dibi çapı
e Dişler arasındaki boşluk
E Emniyet katsayısı
ED Redüktörün bir saat içindeki çalışma süresi
Fr Radyal kuvvet
Ft Teğetsel kuvvet
Fn Dişliye etki eden kuvvet
Fnc Etkili diş kuvveti
fs Emniyet faktörü
fdk Start sayısı
ft Günlük çalışma süresi faktörü
h Diş yüksekliği
hb Diş üstü yüksekliği
ht Diş dibi yüksekliği
I Akım
i İletme oranı
J Silindir merkezindeki atalet momenti
Jind Motor miline indirgenmiş atalet momenti
Jtop Toplam motor atalet momenti
Jmot Motorun kendi atalet momenti
J2, J3...... Dönen kütlelerin atalet momentleri
KA İşletme faktörü
Kα Yuvarlanma faktörü
 xiv

Simgeler Açıklama

Kç Çentik faktörü
KE Malzeme faktörü
Kv Dinamik hız faktörü
Km Yük dağılım faktörü
Kf Form faktörü
Kfe Helisel dişli form faktörü
Ko Çalışma faktörü
KR Güvenirlik faktörü
Ki Çevrim oranı faktörünün
KL Ömür faktörü
KY Yağlama faktörü
Kε Kavrama faktörü
Kβ Eğim açısı faktörü
m Modül
mm Ortalama modül
mn Normal modül
ma Alın modül
Mb Dişliye etkiyen döndürme momenti
Mbc Çalışma momenti
n Devir sayısı
P İletilen güç
PH Yüzey basıncı
Pre Redüktörün taşıdığı güç
Pt Termik güç
Piş İş makinesi için gerekli olan güç
Pg Nominal gücü
PHem Emniyet yüzey basıncı
PHD Yüzey sertliğine bağlı dayanım sınırı
Pmot Motor gücü
 xv

Simgeler Açıklama

rf Diş dibi kavisi

S Emniyet katsayısı
Sb Baş boşluğu
S0 Diş kalınlığı
t Adım
U Gerilim
ω Açısal hız
x Profil kaydırma miktarı
v Çevre hızı
va Kayma hızı
z Diş sayısı
zn Eşdeğer diş sayısı
ze Helis dişli düz dişli eşdeğer diş sayısı
β Eğim açısı
βg Temel dairesine karşılık gelen eğim açısı
β0 Dişli helis açısı
δ1,δ2 Konik dişli çark koni tepe yarı açıları
σem Malzeme emniyet değerleri
σD Sürekli mukavemet değeri
σTop Toplam gerilme
υ Poisson oranı
ψd Diş genişlik oranı
φ Diş kenarı eğim açısı,
Cos ϕ Güç faktörü
η Verim
ηtop Toplam verim
ηınv Invers verim
 xvi

Kısaltmalar Açıklamalar

DIN Alman endüstri standartları

HRC Rockwell sertlik değeri
St Çelik
GS Dökme çelik
GG Dökme demir
GGG Küresel grafitli dökme demir
BM Bulanık mantık
GA Genetik algoritmalar
US Uzman sistemler
YSA Yapay sinir ağları
 1

GİRİŞ

İnsanların ihtiyaçlarına cevap verebilmek için yapılan çalışmalar, günümüz

teknolojisinin yardımı ile çeşitlilik kazanmış olup, sorulara cevap bulabilmek
geçmişe nazaran daha kısa süre almakta ve varılan sonuçlar ihtiyaçları karşılama
açısından daha yüksek değerlere ulaşmaktadır.

Günümüzde, bilgisayar yardımı ile yapılan çalışmalar, insan zekâsının

ulaşamayacağı hız ve kesinlikte sonuçlar vermekte olup, buna rağmen son karar yine
de insan zekâsına kalmaktadır. İnsan zekâsı, girdi ve çıktıları değerlendirerek en
uygun sonuca ulaşmayı, ya da ulaşılan çıktılar arasından en uygununu belirlemeyi
amaçlamaktadır.

Günümüz teknolojisi, her alanda ilerlemekte, günümüzde ulaşılan gelişmeler, önceki

hiçbir zaman diliminde olmadığı kadar hızlı olmaktadır. Bu gelişmelerden en
önemlilerinden bir tanesi yapay zekâ alanın da meydana gelen gelişmelerdir. Bu
alandaki gelişmeler, yapay zekânın farklı alanlarda çözüm bulma amacıyla
kullanılması nedeniyle pek çok değişik bilim alanındaki gelişmeler için katalizör
görevi görmektedir.

Yapay zekâ incelendiğinde, pek çok alanda farklı amaçlarla kullanılan çeşitli yapay
zekâ türleri ile karşılaşılmaktadır. Bunlar; Genetik Algoritmalar, Uzman Sistemler,
Robotik, Doğal Diller, Sinirsel Ağlar, Sanal Gerçeklik vd. dir.

Zekâ, yetenekler bileşkesidir diye tanımlanabilir. Yalabık (1990) zekâyı, “Zekâ (us),
soyut bir kavramdır, fakat bu zekânın bilimsel bir temele oturtulmasına engel teşkil
etmez” diye açıklamıştır. Farklı amaçlara yönelik yeteneklerin, “us yapısı“ olarak
adlandırılan bir teori ile şekilsel olarak modellenebileceği belirlenmiştir.

Yapay zekânın bu çalışmada kullanım amacı, klasik bilgisayar programları ile elde
edilemeyecek elastikiyetin, yapay zekâ sistemleri tarafından sağlanabilir olmasıdır.
 2

Bu çalışmada yapay zekâ’nın uygulanacağı redüktörler, günümüz teknolojisini

sanayiye aktaran en önemli makine parçaları olan dişli çarklar ve bunların
oluşturduğu dişli sistemleridir. Redüktörler dişli çarklardan oluşan güç ve hareket
aktaran makine elemanlarıdır ve bilim adamlarının üzerinde sürekli uğraştığı
mükemmel tasarımlardır. Üç bin yıl öncesine kadar dişli çark düzenlerinden
yararlanıldığı bazı arkeolojik kalıntı ve varsayımlarından anlaşılmaktadır.

Tahta dişlilerin kullanımı 19.yüzyıl sanayi devrimi ile bırakılmış, bu tarihten sonra
metal dişlilere geçilmiş olup, metalurji ve mekanikteki ilerlemeler sayesinde yepyeni
malzemelerle üretilen dişliler, günümüzde endüstrinin vazgeçilmez bir parçası haline
gelmiştir.

Redüktörler de, sanayi devrimi sonrası sanayileşme hareketlerinde, ilk maden

ocaklarında geniş çapta kullanım alanı bulmuş ve sanayinin başlangıcı sayılabilecek
buhar kuvvetinin makineye uygulanması ile gerçek teknolojisini bularak hemen
hemen yaşantımızın bir parçası olarak en geniş anlamda günümüze kadar gelmiştir.
Redüktör farklı güç ve hız iletiminde kullanılan dişlilerden oluşan bir sistem olarak
geliştirilmiş ve mekanik sistemlerin vazgeçilmez bir elemanı olmuştur.

Çeşitli firmalar tarafında üretilen redüktörlerin tüketici tarafından seçimi, çeşitli

girdiler göz önünde bulundurularak sağlanmaktadır. Firmalar bu seçimi
kolaylaştırmak için, internet sitelerinde farklı programlar kullanmaktadırlar. Bu
doğrultuda yapılan araştırmada firmaların ağırlıklı olarak Visual Basic tabanlı
programlar kullandıkları saptanmıştır. Visual Basic, yapısı gereği veri tabanı
girdilerini kullanarak işlem yapabilen bir program olduğundan, verilen değerler
belleğinde olmadığında istenilen sonuca varamamakta, çoğu durumda kullanıcının
ihtiyaçlarına cevap vermekte sorunla karşılaşmakta ve ihtiyaca uygun ya da ihtiyaca
en yakın redüktör seçiminde yetersiz kalmaktadır.

Yapılan literatür taramalarında redüktör seçimi ve yapay zekâyı bağdaştıran bir

çalışma ile karşılaşılmamıştır.
 3

1.1. Çalışmanın Amacı

Bu çalışmada, yapay zekâ temeline oturan ve ihtiyaca en yakın sonucu verebilen bir
yapı oluşturulmaya ve yapay zekâ programı kullanılarak, verilen ara değerler ile en
uygun redüktörün en kısa sürede seçimi sağlanmaya çalışılmıştır.

Çalışmaya temel olarak Yılmaz Redüktör firmasının kataloğu kullanılmış, Katalog

verileri Excel sayfasına aktarılarak, kullanılabilir veri tabanı oluşturulmuştur.

1.2. Yöntem

Yapay zekâ yardımı ile redüktör seçimi yapabilmek amacıyla yaptığımız çalışmada
bir yapay zekâ programı olan QwikNet 2.23 programı kullanılmış. Programın
öğrenme aşamasında, katalog verilerini içeren Excel tablosundan yararlanılmıştır.
 4

2. LİTERATÜR ARAŞTIRMASI

Yapay zekâ programlarının, dişli imalinde ve dişli kutusu tasarımında uzun süredir
kullanıldığı bilinmektedir. Bu konularda pek çok araştırma yapılmış, tez ve makaleler
yayımlanmıştır. Yapılan araştırmada, redüktör kataloğu baz alınarak, katalog
içerisinde seçim yapmaya yönelik yapay zekâ üzerinde bir çalışmaya rastlanmamış,
firmalar tarafından yapılan çalışmaların Windows tabanlı Visual Basic programını
ağırlıklı olarak kullandıkları görülmüştür. Literatür taraması sırasında yapay zekâ
programlarının pek çok alanda kullanıldığı görülmüş ve yine dişliler üzerine yapılmış
çalışmalara rastlanmıştır. Yapay zekâ ve dişlilerle ilgili yapılan çalışmalardan bazıları;

Arslan, bilgisayar yardımı ile tek kademeli düz, helis, konik dişli çark tasarımı
yapmış; tasarım çıktılarını kullanarak GWBASIC programının bu dişlilerin çizimi
amacıyla kullanılabilirliğini göstermiştir [Arslan, 1994].

Cânânâu, yaptığı çalışmada MSC Nastran 2.1 programını kullanarak düz dişli
çarkların farklarını iki ve üç boyutlu modellerinin üzerinde incelemiştir. İncelemeler
sonucunda aynı diş formuna sahip iki ve üç boyutlu modelde gerilme dağılımının
aynı olduğunu ortaya koymuştur [Cânânâu, 2003].

Chen, kademeli düz dişlilerin küçük hacimli olarak üretimi üzerine çalışmıştır. Bu
çalışmada rasgele seçilmiş karmaşık dişli mekanizmalarının uygulanabilirliği için
optimum tasarım formülleri ile çoklu amaçlar kullanılmıştır. Metodoloji aynı
yükleme ve tasarım kriterlerine sahip iki ve üç kademeli redüktörlerin tasarımında
kullanılmıştır. Bu yöntem, çok amaçlı optimizasyon prosedürünü kullanarak,
minimum hacim ve yüzey aşınma ömrü ile oluşan faydaları gösterilmiş ve bu şekilde
geleneksel tasarım prosedürünün de geliştirilmesine yardımcı olmuştur [Chen, 1998].

Deb, mekanik parça tasarımı için esnek üretim yöntemi isimli makalede,
mühendislik tasarım optimizasyon problemlerinin çözümü için farklı değişkenleri
içeren, bir esnek algoritma sunmuştur. Algoritma problem çözümünde sadece
değişkenlerin izin verdiği değerleri araştırmakla sınırlandırılmış olduğundan, daha
 5

kısa sürede optimum çözüme ulaşmıştır. Bu metodun uygulama kolaylığı ve

etkinliği, literatürden bulunan farklı problemlere uygulanarak gösterilmiş. Dişli
tasarımında iki kademeli bir tasarımda, her bir dişlinin diş sayısı bulunarak bunlardan
elde edilen iletim oranı ile gerekli iletim oranı arasındaki hata payı minimum
yapılmaya çalışılmıştır [Deb, 1998].

Duan, ve ark., GA'yı saat hareketlerindeki dişli parametrelerinin çözümü için

kullanmışlardır. Özel problemlerin GA'nın kullanabileceği şekilde modellenmesi zor
olduğundan, iletim mekanizmalarındaki değişik dişli parametreleri diziler şeklinde
düzenlenmiş ve dişli parametrelerinin çözüm işlemi gerçekleştirilmişlerdir. Bu
şekilde saat dişli hareketlerini geleneksel yöntemlerle çözmenin daha zor olduğu
yönündeki görüşlerini ispatlamışlardır [Duan, Zha, Lin ve Weng, 1998].

Fan, ve ark., geometrik yapıların boyut toleransları için hiyerarşik optimizasyon

isimli çalışmalarında, geometrik boyut toleransının optimizasyonu için bir
matematiksel model geliştirmişler ve optimum tolerans tasarım algoritması
önermişlerdir. Algoritma, optimizasyon işlemini iki ayrı alanda yapmaktadır. Birisi
tasarım merkezli problemleri çözmekte ve ikincisi ise maliyetin daha fazla
düşürülmesi için istatistiksel optimizasyon yapmaktadır. Matematik model, dişli
tasarım problemine uygulanmış ve önerilen sistemin etkili olduğu görülmüştür
[Fan, Ma, Yan ve Chen, 1999].

Fetvacı ve İmrak, kavramadaki dişli çiftindeki diş dibi gerilmelerinin incelenmesine

imkân sağlayan dişli çark sonlu eleman modelini elde etmiş, ANSYS programı
kullanılarak analizlerini gerçekleştirmiş, oluşturulan sonlu eleman modeli ile
analiz sonuçlarını, literatürdeki modeller ve analizleriyle karşılaştırarak bu modelin
dişli çarkların sayısal analizinin yapılabilmesinde kullanılabilirliğini ortaya
koymuşlardır [Fetvacı ve İmrak, 2004].

Flodin, dişlerin temas hatalarını, iletim sorunlarını ve temas şekillerini, yatak

sürtünmesinin fonksiyonu olarak ifade edip, Visual Basic programı ile sonsuz vida-
 6

dişli çark mekanizmasını simüle etmiş; sonuçları, dişli çark sistemlerinin

iyileştirilmesi amacıyla kullanabilmek için listelemiştir [Flodin, 2000].

Fetvacı ve İmrak’ın düz dişli çarkların bilgisayar ortamında elde edilmesi üzerine bir
çalışma yapmış, GWBASIC yazılımını kullanarak, diş sayısı, modül, kavrama açısı,
profil kaydırma faktörü vb. parametreleri girdi olarak kullanıp, diş profilini oluşturan
noktaların koordinatlarını hesaplamışlar, dişlilerin imalatı ile ilgili simülasyon ile
kremayer takım geometrisinin ve takım yerleşiminin diş geometrisi üzerindeki
etkileri incelenmişlerdir. Evolvent düz dişli profiline ait nokta koordinatlarının
bulunmasında, evolvent ve trokoid yapıdaki eğrilerin parametrik formüllerini
kullanmışlardır Bu yazılım, GRAPHER programı ile birlikte kullanılarak yapısal
analiz uygulamalarında kullanılmak üzere 2D ya da 3D model elde edilebilmektedir
[Fetvacı ve İmrak, 2004].

Li, ve ark., GA'nın kompleks şekil metodu birleştirilmesi ile karma GA

geliştirmişler ve bunu mekanik problemlerinin çözümünde kullanmışlardır.
Algoritmanın oluşturulabilmesi için sistem analizi ve araştırması yapmışlar, bu yeni
yapı ile yaptıkları çalışmalar sonucu bu yöntemin etkinliğini ortaya koymuşlardır [Li,
Zhou ve Zheng, 1999].

Liu, ve ark., çok etkenli sistemlerde, bilgi alış verişlerinin oldukça karmaşık olması
ve iletişimdeki güçlükler nedeniyle ve işlemi etkileyen pek çok etken olması sebebi
ile optimal çözümlerinin gerçekleştirilmesi zor bir iştir. Bu nedenle, çözüm
aşamasında GA kullanılmıştır. GA’ların, sonuçlar için daha iyi çözümlere ulaştığı
görülmüştür. İşlemin hızını artırmak için sayaç önerilmiştir. Tatmin edici sonuçlar
dişli pompa tasarımlarında görülmüş, ayrıca GA ile çok etkenli sistemlerin
birleşimlerinin, süreci hızlandırdığı ve bunun yanında en iyi çözümü bulduğu
gözlemlenmiştir [Liu, Hu, Yan, Zheng, ve Yang, 1998].

Myint, GA tabanlı bir sistem oluşturulmuş ve bu sistem var olan bir ürünün
değiştirilmesi veya tekrar tasarlanması gerektiği durumlarda uygulanmıştır. Bu
yaklaşım iki bölümden meydana gelmekte, birinci bölüm üretimin realizasyonu
 7

ikinci bölüm üretimin optimizasyonu olarak adlandırılmaktadır. Bu yöntem dişli

kutularının tasarlanmasında kullanılmış, ürünün yeniden tasarlanması ve maliyeti
aşamalarında faydalar sağlamıştır. [Myint, 1999].

Peng, ve ark., planet dişli sitemlerin hareket iletimlerini sadeleştirmek için reel
kodlu GA isimli bir çalışmada, planet dişli sistemlerin hareket iletimlerinin açı
değişiklikleri ile global olarak optimize edilmeleri, çok modelli fonksiyon
optimizasyon problemidir sonucuna varmışlardır [Peng, Yang ve Zhong, 1999].

Shariat, ve Toogood, makine parçaları tasarımında GA tabanlı programlar

kullanmış, parçaların çalışma şartları program için sınırlandırıcı veri olarak
kaydedilmiş. Sonuçta sınırlar içerisinde kalan çözüm kümesi elde edilmiştir. Bu
çalışma parça tasarımında GA’ların kullanılabilirliğini göstermiştir [Shariat, ve
Toogood, 1995].

Song ve Im, CAD sistemi kullanarak, düz dişli çarkların soğuk ekstrüzyon metodu
ile imal edilebilmesi üzerine bir çalışma yapmışlar ve bu çalışmada dişli çark
geometrisinde etkili olan diş sayısı, modül gibi değerleri bir sonlu eleman
programında kullanarak, bu değerlerin dişli çarkı etkileyen kuvvetlere etkilerini
araştırmışlardır. Bu çalışma dişli boyutlandırmasında ve buna bağlı üretim
aşamasında, imalat maliyet hesaplarını kolaylaştırmıştır [Song ve Im, 2004].

Toktaş, yaptığı çalışmada, mekanik sistemlerin kavramsal tasarımında karar verme

aşamasının otomasyonu için YSA tabanlı bir tasarım modeli geliştirilmiştir. Bu
modelle elde ettiği sonuçlar YSA genellikle problemin türüne göre belirli oranlarda
hata ile sonuca ulaşabildiği. Fakat bu hatanın dişli çark sistemlerinin
boyutlandırılması probleminin birçoğu için önemsiz mertebede kaldığı, dişli çarklar
için, eğilme-basmaya ve yüzey basıncına göre elde edilen modül değerinin en büyük
değer alındığında bu değerden büyük değere sahip standart modül atandığında
varılan sonuçlar göz önüne alınırsa problemin çözümünde yapılan %5-10
mertebesindeki hataların birçok problemde önemli olmadığı sonucuna varılmıştır
[Toktaş, 2003].
 8

Türkoğlu, web tabanlı YSA tekniğinin planet dişli mekanizmalarının kinematik

tasarımında kullanılması amacı ile bir program oluşturmuş, bu programın kullanımı
ile tasarım işleminin daha az insan gücü harcayarak ve düşük maliyetle
yapılabileceğini ortaya koymuştur [Türkoğlu, 2008].
 9

3. REDÜKTÖR

3.1. Redüktör Tanımı

Motordan alınan dönme hareketinin, ihtiyaçtan yüksek olduğu yerlerde, giriş dönüş
hızının, istenen çıkış dönüş hızına düşürülmesi amacıyla kullanılan dişli sistemlerine
redüktör denir. Redüktörler ihtiyaç duyulan sisteme eklenen bağımsız elemanlardır.

Redüktörlü sitemler, sisteme güç veren bir motor, redüktör ve hareket-güç ihtiyacı
olan iş sisteminden meydana gelirler. Kullanılan motorlar genellikle elektrik
motorları olmasına rağmen ihtiyaç duyulduğunda içten yanmalı motorlardan da
faydalanılır. Hareket ve güç, miller vasıtası ile iletilir. Güç ve hareket iletiminde
sarsıntı ve merkez kaçıklığı nedeni ile oluşabilecek sakıncalar, birleşme
noktalarında kaplinler kullanılarak giderilir (Şekil 3.1).

Şekil 3.1. Redüktör ve çalışma sistemi [Akkurt, 2005]

3.2. Kullanım Alanları

Redüktörler kuvvet ve hareketin olduğu her yerde kullanılabilirler. Yürür ızgaralar,

pompalar, takım tezgahları, asansörler, vinçler, tekstil makineleri, sac bükme
makineleri, şahmerdanlar, döner tamburlar, konveyörlerde v.b. gibi bir çok dönme
 10

hareketinin mevcut olduğu yerlerde kullanılırlar. EK-1’de çeşitli kullanım

alanlarına örnekler verilmiştir.

Günümüzde yiyecek, içecek, gıda endüstrisi, kimya ve ilaç sanayinde ve hassas

ürün alanlarında hijyenik bir ortam oluşması oldukça önemlidir. Çoğu durumlarda
ortamın bakterilerden tamamen arınmış olması istenir. Günümüze kadar
kullanılmakta olan tahrik çözümleri, üretim tesislerindeki temizleme işlemlerini
oldukça sınırlıyordu. Çünkü standart motorlarda mevcut olan soğutma
kanatçıklarında ve fanlarda biriken pisliklerin temizlenmesi, buralara zor
erişilebildiğinden kolay değildir. Bunun sonucu mikrop oluşumudur. Bu sorun
hijyenik tip özel redüktör motorlarla çözüldü (Şekil 3.2). Yüzeylerinin düz olması
sayesinde, hijyenik tipte helis dişli, paralel milli, konik dişli ve sonsuz dişli
redüktörler kolayca temizlenebilir ve böylece mikrop ve bakteri oluşumu önlerler.

Şekil 3.2 Hijyenik tip redüktör

3.3. Redüktör Çeşitleri

Redüktörler içerdikleri dişli tipine tertipleme şekillerine göre ve kademe

sayısına göre sınıflandırılırlar.

3.3.1. Kademe sayısına göre redüktörler

• Tek Kademeli,
• Çok kademeli olarak;
 11

3.3.2. Dişli tipine göre redüktörler

Alın dişli redüktörler

Şekil 3.3. Alın dişli redüktörler

Alın dişli redüktörler birbirine paralel miller arasında düz dişli, helis dişli ya da
V (Çavuş) dişlileri kullanarak hareket iletmekte; hız düşümü dişliler arasındaki
çap farkı ve bağlı olarak diş sayısı farkı ile oluşturulmaktadır (Şekil 3.3).

Sonsuz vidalı redüktörler

Şekil 3.4. Sonsuz Vidalı Redüktör

Hız düşümünün çok fazla olduğu ya da hız yerine güç ihtiyacı duyulan
sistemlerde kullanılırlar (Şekil 3.4). Sonsuz vida ve karşılık dişlisinden oluşan
bu sistemlerde, vidanın her dönüşünde dişli bir diş ilerlemektedir. Örneğin dişli
 12

üzerinde 50 diş olduğunda, bu sistemde 1/50 lik hız düşümü oluşmaktadır. Bu

sistemler 90 o açılı hareket iletimi için uygundur.
Sonsuz vidalarda dişliler birbiri üzerinde kayarak hareket ettiklerinden verimleri
düşük ve aşınmalar fazladır. Bununla birlikte düşük hacimlerde yüksek çevrim
oranları ve çıkış doğrultusunun 90° oluşu sonsuz vidalı redüktör seçmenizi
sağlayabilir.

Günümüzde firmalar konik dişli çifti ekleyerek helis dişli redüktörleri de 90° çıkışlı
yapabilmektedirler. Fiyat olarak daha pahalı ve daha büyük olacaktır. Fakat yüksek
verim ve uzun ömür gereken yerlerde sonsuz vidalı redüktörlere tercih edilecektirler.

Sonsuz vidalı redüktörlerin otoblokaj özelliği onu diğer redüktörlerden ayırır.

Otoblokaj, redüktörün çıkış tarafındaki hiçbir döndürücü momentin girişi çeviremez
olmasıdır. Bu özellik yük taşıma uygulamalarında, yükün geriye kaçma ihtimalini
ortadan kaldırır. Fakat otoblokaj yüksek devir oranlarında geçerlidir. İstediğiniz
sonsuz vidalı redüktörün otoblokajlı olup olmadığını belirtmeniz gerekir.

Planet dişli redüktörler

Şekil 3.5. Planet dişli redüktör

Küçük hacimde yüksek iletme oranı istendiğinde kullanılan dişli sistemleridir

[Türkoğlu, 2008]. Bir planet dişli sisteminde en dıştaki çember şeklindeki
dişliye çember dişli, merkezdeki dişliye güneş dişli, bu iki dişli arasında kalan
ve iki dişli arasında hareket ve kuvveti ileten farklı sayıdaki dişlilere de planet
dişliler adı verilir (Şekil 3.5).
 13

Konik dişli redüktörler

Şekil 3.6. Konik dişli redüktör

Konik dişli redüktörler her iki tork yönünde ve her giriş hızında yüzde 96'nın
üzerinde yüksek bir verime sahiptirler. Bu olağanüstü yüksek verim değeri konik
dişli redüktörleri, enerji tasarruflu dik açılı hareket iletebilen redüktörler haline
getirmektedir. Bakım gerektirmeden uzun süre çalışma özellikleri sayesinde hem
AC-senkron motorlar ve hem de asenkron ve senkron servo motorlar olarak her
yerde kullanılabilirler. Hassas pozisyonlandırma görevleri için az diş boşluklu tipleri
de mevcuttur (Şekil 3.6).

Eğik konik dişli redüktörler

Şekil 3.7. Eğik konik dişli redüktör

Dişleri helisel şekilde açılmıştır. Dişli çifti teması kesmeden diğer dişliler temasa
geçtikleri için bu tip redüktörler kinematik olarak düzgün çalışabilen, düz konik
dişlilere göre daha yüksek hızlarda kullanılabilirler. Bu tip redüktörlerin düz konik
 14

dişli redüktörlere göre bir avantajı da daha sessiz çalışmasıdır. Değişik türde helis
eğrileri bu tür dişliler için kullanılabilir. Spiral, çember yayı ve evolvent bu tür
dişliler için kullanılan eğri türleridir (Şekil 3.7).

3.4. Redüktörü Oluşturan Parçalar ve Özellikleri

Redüktörler, üretici firmalar tarafından standart boylarda imal edilirler. Redüktör

seçiminde çevrim oranı, güç ve hareket iletme kabiliyeti, verim, boyut ve ağırlık gibi
faktörleri göz önüne alınır.

Redüktörler, gövde, dişli çarklar, miller, yataklar, v.s gibi elemanlardan oluşan
sistemlerdir. Redüktörlerde kullanılan dişliler hıza ve güce dayanıklı malzemeden
imal edilirler, yataklar genellikle rulmanlı yataklardır. Ancak bazı durumlarda çok
alçak ve çok yüksek hızlarda kaymalı yataklar da kullanılmaktadır. Redüktör,
gövdeleri sarsıntıya darbeye ve çalışma koşulları düşünüldüğünde dış etmenlere
dayanacak şekilde imal edilmektedir.

Aşağıda, redüktörlerde kullanılan makine parçaları hakkında bilgi verilmiştir.

3.4.1. Dişli çarklar

Birbirine paralel yada belirli bir açıda (genelde 90º) duran, birbirine çok uzak
olmayan miller arasında hareket ve kuvvet iletmek amacıyla kullanılan makine
elemanlarına dişli çark adı verilir.

Dişli çark mekanizmaları, bir milden diğer bir mile hareket ve güç iletiminde, devir
sayısını küçültüp/büyütmek ve momenti değiştirerek iletmek için kullanılır [Zeyveli,
2005].

Bir dişli çark mekanizmaları en az iki dişli çarktan meydana gelir. Bir dişli çiftinden
küçük olan pinyon, büyük olana çark adı verilir. Milleri konumları ve çalışan uygun
dişli çiftleri EK-2’de gösterilmiştir [Akkurt, 2005].
 15

Dişli çarkların malzemeleri

Redüktörlerde kullanılan dişliler, sementasyon çeliği DIN 16MnCr ve SAE

8620 den imal edilmektedir. Dişlilerin semente derinliği ve sertliği, modül
büyüklüğüne uygun olarak yapılmaktadır. Sulama işleminden sonra, dişli delikleri
dişli profilleri taşlanır. Dişlilerin mukavemeti DIN 3990'a göre ve profil
kaydırmaları da DIN 3992'e göre yapılmaktadır. Dişlilerde yapılan profil
kaydırmalarla, özellikle pinyon dişlilerdeki alt kesilmeler önlenmiş olur. Diş
profillerinin taşlanması redüktörün sessiz çalışmasını sağlar. Sonsuz vidalı
redüktörlerinde vida malzemesi 16MnCr5 olup, sertleştirilip taşlanmaktadır.
Sonsuz vida çarkı malzemesi SnBzl2 den yapılmaktadır. Teknolojinin gelişimi ile
birlikte farklı malzemelerden de dişli çiftleri imal edilmeye (21NiCrMo2),
(Gz12SnCuNi) başlanmıştır. Dişli Çark Malzemelerinin Mekanik Değerleri EK-3 de
gösterilmiştir [Akkurt, 1982].

Dişli çarklara, dişli modülüne uygun sementasyon derinliği ve 58 - 60 HRC yüzey

sertliği sağlanacak şekilde ısıl işlemler uygulanır. Isıl işlemlerinden sonra dişli
millerin rulman yerleri, dişli delikleri ve dişlilerin diş profilleri taşlanır.

Dişli çarkların ölçüleri

Dişli çarkların ölçülendirmesinde kullanılan eşitliklerde bulunan alt indislerdeki g

yada 1 değeri döndüren, çeviren; ç yada 2 değeri, döndürülen, çevrilen dişlileri ifade
eder.

Şekil 3.8’de bir düz dişli çark ve çarkın oluşturulması için gerekli olan ölçü değerleri
görülmektedir. Bir dişli çarkın hesaplanabilmesi için modül (m) değerine (Çiz. 3.1)
ve dişli çarkın diş sayısına (z) ihtiyaç vardır. Modül diş büyüklüğünü etkileyen bir
katsayıdır. Diş sayısı ise iletme oranı (i), dişli çapı büyüklüğü (da) ve iletilecek
kuvvet (Fn) göz önünde tutularak belirlenir.
 16

Şekil 3.8. Düz dişli çark

Modül ve diş sayısı bilindiğinde, aşağıdaki eşitlikler kullanılarak dişliye ait ölçülere
ulaşılır.

Bölüm dairesi çapı ( d 0 ):

π d 0 = zt (3.1)

eşitliğinden çekilerek

t
d0 = z (3.2)
π

d0 = m z (3.3)

olur.

Diş Üstü çapı (da) :

d a = d 0 + 2m (3.4)
 17

Diş dibi çapı (dt) :

d t = d 0 + 2,5m (3.5)

Diş üstü yüksekliği (ha) :

ha = m (3.6)

Diş dibi yüksekliği (ht) :

ht = m1,25 (3.7)

Diş yüksekliği (h) :

h = m2,25 = ha + ht (3.8)

Adım (t) :

t =π m (3.9)

Diş kalınlığı ( S 0 ) :

t π m
S0 = = (3.10)
2 2

Dişler arasındaki boşluk ( e ) :

t
e= (3.11)
2

Modül değerinin bulunması

Modül değeri Çizelgelerden seçilir. Fakat kritik çalışma alanları için modülün
hesaplanması (Eş. 3.12, 3.16, 3.20, 3.21, 3.22 ve 3.24) daha uygun ve güvenlidir.
 18

Hesaplamalarda malzeme emniyet değerlerinin yanı sıra çalışma şartlarını ifade eden
çok sayıda faktör de kullanılır.

Çizelge 3.1. Standart modül değerleri (m)

Modül m (mm) Modül m (mm) Modül m (mm)

Seri 1 Seri 2* Seri 1 Seri 2* Seri 1 Seri 2*
0.05 0.055 0.7 0.55 6 7
0.06 0.07 0.8 0.75 8 9
0.08 0.09 0.9 0.85 10 11
0.1 0.11 1 0.95 12 14
0.12 0.14 1.25 1.125 16 18
0.16 0.18 1.5 1.375 20 22
0.20 0.22 2 1.75 25 28
0.25 0.28 2.5 2.25 32 36
0.3 0.35 3 2.75 40 45
0.4 0.45 4 3.5 50 55
0.5 0.55 5 4.5 60 70
0.6 5.5
*Zorunlu olmadıkça Seri 2 değerleri kullanılmamalıdır

Millerin konumuna ve diş şekillerine göre ayrı ayrı sınıflandırılan dişli çark
mekanizmalarının yaklaşık boyutlandırma hesapları da bazı farklılıklar gösterir.
Mekanizma hesaplarında fonksiyon emniyeti yani istenen gücün emniyetle nakli ön
plandadır. Bunun yanında; boyut, ağırlık ve gürültü azlığı da arzu edilir. Sayılan tüm
bu kriterlere uygun olarak mekanizmaları boyutlandırmak için çeşitli hesap
yöntemleri geliştirilerek standartlaştırılmıştır. [Babalık ve ark., 2002]

Düz dişli çarklar için diş kırılma dayanımı yönünden modül hesabı

Bu standarda göre; düz ve helisel dişli çark mekanizmalarında diş dibi mukavemeti
açısından modül (düz dişli çark mekanizmalarında alın modül, helisel dişli çark
mekanizmalarında da normal modül) değeri:

2 M bc
m≥3 K f Kv (3.12)
z ψ d σ em
2
1

m: Modül,
 19

z: Diş sayısı,
Mbc : Çalışma momenti [Nmm],
Kf : Form faktörü (Çiz. 3.3),
Kv : Dinamik hız faktörü (Çiz. 3.2),
σem : Malzeme emniyet gerilmesi [N/mm ], 2

ψd : Diş Genişlik Oranı (Çiz. 3.5),

Çalışma momenti hesabı için eşitlik 3.13 kullanılır.

955 P
M bc = K o [daNmm], (3.13)
n

Çizelge 3.2. Diş sayısına göre form faktörü (Kf )

Profil Kaydırma Faktörü x

Zn -0,6 -0,5 -0,4 -0,3 -0,2 -0,1 0 +0,1 +0,2 +0,3 +0,4 +0,5 +0,6 +0,7 +0,8 +0,9 +1 +1,1 +1,2 +1,3 +1,4
7 2,84
8 2,98 2,69 2,47
9 2,84 2,60 2,40 2,22
10 2,99 2,73 2,52 2,34 2,18
11 3,15 2,87 2,65 2,46 2,30 2,16 2,05
12 2,93 2,79 2,58 2,41 2,27 2,14 2,04
13 2,93 2,72 2,53 2,38 2,24 2,12 2,03 1,96
14 3,36 3,10 2,86 2,66 2,48 2,34 2,22 2,11 2,03 1,95
15 3,25 3,01 2,79 2,60 2,44 2,31 2,20 2,10 2,02 1,95 1,89
16 3,45 3,16 2,95 2,74 2,56 2,42 2,29 2,18 2,09 2,02 1,95 1,89
17 3,35 3,09 2,88 2,69 2,53 2,39 2,27 2,17 2,08 2,01 1,95 1,89 1,85
18 3,53 3,26 3,02 2,82 2,65 2,50 2,37 2,26 2,16 2,08 2,01 1,95 1,90 1,86
19 3,72 3,44 3,20 2,96 2,78 2,61 2,47 2,35 2,24 2,15 2,07 2,01 1,95 1,90 1,87 1,83
20 3,62 3,35 3,12 2,91 2,74 2,58 2,45 2,33 2,23 2,14 2,07 2,01 1,95 1,90 1,87 1,84
21 3,53 3,28 3,07 2,87 2,70 2,55 2,43 2,32 2,22 2,14 2,06 2,01 1,95 1,91 1,87 1,84 1,82
22 3,45 3,20 3,01 2,83 2,67 2,52 2,41 2,30 2,21 2,13 2,06 2,00 1,95 1,91 1,88 1,85 1,83
23 3,64 3,38 3,15 2,96 2,80 2,64 2,50 2,39 2,29 2,20 2,12 2,06 2,00 1,95 1,91 1,88 1,85 1,83 1,82
24 3,55 3,30 3,10 2,92 2,75 2,61 2,48 2,37 2,28 2,19 2,12 2,06 2,00 1,95 1,91 1,88 1,86 1,84 1,83
25 3,73 3,45 3,25 3,05 2,88 2,72 2,58 2,46 2,36 2,27 2,19 2,12 2,05 2,00 1,95 1,92 1,88 1,86 1,84 1,83
30 3,61 3,35 3,18 3,01 2,85 2,72 2,60 2,48 2,38 2,30 2,22 2,16 2,10 2,04 2,00 1,96 1,93 1,90 1,88 1,85 1,85
40 3,15 3,00 2,86 2,75 2,63 2,54 2,45 2,37 2,30 2,24 2,18 2,13 2,08 2,04 2,01 1,97 1,95 1,93 1,91 1,90 1,89
50 2,90 2,78 2,68 2,59 2,50 2,43 2,36 2,31 2,25 2,20 2,15 2,11 2,07 2,03 2,02 1,98 1,97 1,94 1,93 1,92 1,91
60 2,75 2,65 2,57 2,50 2,42 2,37 2,32 2,25 2,22 2,17 2,13 2,10 2,08 2,04 2,02 1,99 1,98 1,96 1,94 1,94 1,93
100 2,46 2,40 2,35 2,32 2,26 2,24 2,21 2,17 2,15 2,12 2,10 2,08 2,06 2,04 2,03 2,01 2,00 1,99 1,98 1,98 1,97
200 2,27 2,24 2,21 2,19 2,17 2,15 2,14 2,12 2,10 2,10 2,08 2,07 2,05 2,04 2,04 2,02 2,02 2,01 1,98 2,00 2,00
400 2,17 2,15 2,14 2,13 2,12 2,11 2,10 2,09 2,08 2,08 2,08 2,07 2,06 2,06 2,05 2,04 2,04 2,04 2,03 2,03 2,03
∞ 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07 2,07
 20

Çizelge 3.3. Dinamik hız faktörü (Kv)

Çevre hızı v, m/s

Yüzey
Kalite
sertliği HB
<3 3-8 8-12 12-18 18-25

≤350 1.4 - 1.2

6 - 11 1.1 1 1.2 1.1
>350 -

≤350
7 11 11 1.2 1.1 1.3 1.2 1.5 1.3
>350

≤350 1.1 1.3

8 1.413 - -
>350 1.1 1.2

≤350 1.4
9 1.2 1.2 - - -
>350 1.3

Emniyet gerilmesinin bulunmasında

σ D∗
σ em = (3.14)
S

eşitliğinden faydalanılır. Burada σ D∗ sürekli dayanım sınırıdır.

1
σ D∗ = σD (3.15)
Kç

Çizelge 3.4. Sürekli dayanım değeri ( σ D )

Sertleştirilmiş çelikler 0,35 σ K

Islah ve İmalat çelikleri 0,4 σ K
Dökme çelik 0,35 σ K
Dökme demir 0,3 σ K

Kç : Çentik faktörü (1,4…..1,6 alınabilir).

 21

Çizelge 3.5. Diş Genişlik Oranı (ψ d )

Yataklama durumu b/d01

Her iki taraftan yataklanmış normal dişli çark ≤ 0,5

Rijit ve doğru olarak yataklanmış iyi işlenmiş dişli çark ≤ 1,0
Türbin mekanizmalarında kullanılan kalitesi yüksek olan

dişli çark ≤2
İyi yataklanmamış veya kalitesi düşük olan dişli çark ≤ 0,4

Düz dişli çarklar için yan yüzey dayanımı açısından modül hesabı

1 2.M bc 2
m≥ 3 K v K E2 K α2 K i (3.16)
z1 ψ d p Hem
2

eşitlikleri ile hesaplanabilir.

m: Modül ,
z: Diş sayısı,
Mc: Çalışma momenti (Eş. 3.13)

Çizelge 3.6. Yuvarlanma faktörü (Kα)

αo 15 16 17 18 19 20 21 22 23 24 25 26 27
Kα 2 1,94 1,89 1,84 1,80 1,76 1,73 1,70 1,67 1,64 1,62 1,60 1,57

Çevrim oranı faktörünün bulunmasında ise

i12 + 1
Ki = (3.17)
i12

eşitliği kullanılır.
 22

Çizelge 3.7. Eşdeğer elastiklik modülü ve malzeme faktörü (KE)

Pinyon Çark KE
E1 104 E1 104
Malzeme Malzeme √daN/mm2
daN/mm2 daN/mm2a
St 2,1 85,3
GS-60 2,05 85,2
GS-52 2,05 85,2
GGG-50 1,76 81,9
St 2,1 GGG-42 1,75 81,7
G-SnBzl4 1,05 70,0
SnBz-8 1,15 72,1
GG-25 1,28 74,6
GG-20 1,20 73,1
GS-52 2,05 84,7
GS-60 2,05 GGG-50 1,76 81,4
GG-20 1,20 72,8
GGG-42
GGG-50 1,76 1,75 1,20 78,4 70,7
GG-20
GG-20 1,20 64,8
GG-20 1,20
GG-25 1,28 65,8
St-çelik; GS-dökme çelik; GGG-küresel grafit; G-SNBz-dökme kalay bronzu;
Sn3z- dövme kalay bronza; GG-dökme demir

Diş emniyet yüzey basıncı (PHem) aşağıdaki eşitlikten hesaplanır.

PHD∗
PHem = (3.18)
S

S : Emniyet katsayısı (1,2…1,5 alınabilir)

PHD∗ = K L K R K Y PHD (3.19)

Çizelge 3.8. Yüzey basıncına bağlı ömür faktörü (KL)

Yük tekrar sayısı KL

1 000 1
10 000 1,5
100 000 1,3
1 000 000 1,1
10 000 000 1
 23

Çizelge 3.9. Güvenirlik faktörü (KR)

Verim η (%) KR
50 1
90 0,897
95 0,868
99 0,814
99,9 0,752
99,99 0,704

Çizelge 3.10. Yağlama faktörü (KY)

Kinematik viskozite ν 6,3 68 100 200 300

KY 0,7 0,9 1,0 1,2 1,35

Çizelge 3.11. Yüzey sertliğine bağlı dayanım sınırı (PHD)

Malzeme PHD
Sementasyon çeliği 0,25 HB
Sertleştirilmiş çelik 0,2 HB
Islah çelikleri 0,3 HB
Genel imalat çeliği 0,22 HB
Dökme demir 0,2 HB

Helis dişli çarklar için modül hesabı

2.M bc
mn ≥ 3 cos 2 βK f K v (3.20)
z ψ d σ em
2
1

eşitliğinden hesaplanır.

mn : Normal modül,
β : Eğim açısı,
 24

Konik dişli çark mekanizmalarında, ortalama çaptaki yaklaşık modül hesabı

a. Diş dibi dayanımı açısından

18,5M bc sin δ 1
m=3 K f Kv (3.21)
z12σ em

m: Modül,
z: Diş sayısı, (14…18 alınması önerilir),
Mbc : Çalışma momenti [Nmm],
Kf : Form faktörü (Bkz. Çiz. 3.2),
Kv : Hız faktörü (Bkz. Çiz. 3.3),
σ em : Malzeme emniyet gerilmesi [N/mm ], 2

δ1 : Dişliye ait koni açısı,

ψ d : Diş Genişlik Oranı (Bkz. Çiz. 3.5),

b. Yüzey dayanımı açısından

2 M bc 2
mm ≥ 3 K v K E2 K α2 K i (3.22)
ψ d z1 p Hem
2 2

eşitliği kullanılır.

mm : Ortalama modül,
z1 : Diş sayısı, (14…18 alınması önerilir),
Mbc : Çalışma momenti [Nmm],
Kf : Form faktörü (Bkz. Çiz. 3.2),
Kv : Hız faktörü (Bkz. Çiz. 3.3),
KE : Malzeme faktörü (Bkz. Çiz. 3.7),
Kα : Yuvarlanma faktörü (Bkz. Çiz. 3.6),
Ki : Çevrim oranı faktörü (Eş. 3.23),
 25

1
Ki = i122 + (3.23)
i12

PHem : Emniyetli yüzey basıncı (Çiz. 3.13).

Sonsuz vida karşılık dişlisi mekanizmalarında dişli modül hesabı

2M bc 2
ma ≥ 3 (3.24)
π ψ z 2 p Hem
2

eşitliğiyle yapılabilir. Basit hesaplamalarda çizelge 3.12 den uygun bir değer seçilir.
Bu bağıntılarda kullanılan sembollerin anlamları da şöyle özetlenebilir:

ma : Alın modülü (Çiz. 3.12),

z2 : Dündürülen dişli diş sayısı, (14…18 alınması önerilir),
Mbc : Çalışma momenti [Nmm],
ψ : Genişlik faktörü. (1,5…3 arasında alınabilir),
PHem : Emniyetli yüzey basıncı(Çiz. 3.13),

Çizelge 3.12. Sonsuz vida mekanizması için modül değerleri (m)

modül
1 1.3 1.6 2 2.5 3.2 4 5 6.3 8 10 13 16 20
m

Çizelge 3.13. Yüzey basınç değerleri (PHem)

Kayma hızı
≤2 3 4 5 6 8 10 15 20
va [m/s]
PHem
0.80 0.70 0.60 0.52 0.48 0.40 0.35 0.24 0.22
[daN/mm²]
 26

Dişli çark dayanım hesapları

Düz dişli çarkların dayanım hesapları

Fr
Fn
O α
Ft

Şekil 3.9. Dişli çarkı etkileyen kuvvetler

a. Düz dişli çarklarda diş dibi gerilme hesabı

O noktasına etki eden Fn kuvveti, bileşenleri olan Fr ve Ft kuvvetlerine ayrılır.

Dişliyi etkileyen en büyük kuvvet, diğer dişlinin tepe noktasına Fn kuvveti ile dişliye
temas ettiği andır. Bu anda dişli dibinde Çekme, Basma, Kesme ve eğilme
gerilmeleri oluşur. Levis hesaplarında yalnızca eğilme gerilmesini hesaba katmıştır
[Akkurt, 2005]

DIN normlarında ise hem Fn hem da Ft kuvvetleri, dişi etkileyen kuvvetlerin

hesaplamasında kullanılmaktadır (Şekil 3.9).

Ft = Fn cos α (3.25)

Çalışma momenti (Mbc) göz önüne alındığında

2 M bc
Ft = (3.26)
do
 27

eşitliği kullanılır. Bu eşitlikte

M bç = K o M b (3.27)

dir.

Ko: Çalışma faktörü (Çiz.3.14)

Çizelge 3.14. Çalışma faktörü değerleri (Ko)

Motorun cinsi
İş makinesı
(Yük ifadesi Elektrik veya Çok silindirli, içten Tek silindirli, içten
ile) türbün yanmalı yanmalı

Düzgün 1,00 1,25 1,50

Orta darbeli 1,25 1,50 1,75
Ağır darbeli 1,75 2,00 2,25
Düzgün ifadesi: santrifüj pompalar,sıvı karıştırıcı;
Orta darbeli ifadesi: körüklü pompalar, katı ve yarı katı karıştırıcılar, bantlı konveyörler;
Ağır darbeli ifadesi: haddeleme, presleme, değirmenler vb.

Mb : Döndürme momenti

9550 P
Mb = [Nm] (3.28)
n

P: Güç [kW]
n : Devir sayısı [d/d]

Sistemi etkileyen tüm faktörler göz önüne alındığında etkili diş kuvveti (Fnc)
hesaplanmak istediğinde ise;

Fnc=KvKmKεFn (3.29)

eşitliği kullanılır.

Fn : Diş kuvveti
 28

Fnc : Etkili diş kuvveti

Kv : Dinamik hız faktörü (Şekil 3.10),
Km : Yük dağılım faktörü (Çiz. 3.15),
Kε : Kavrama faktörü (EK-4),

A: Yüksek hassasiyetle traşlanmış

veya taşlanmış, önemli yük
gelmeyen dişlilerde
Dinamik faktör Kv

B: Yüksek hassasiyetle traşlanmış

veya taşlanmış, az dinamik yüke
maruz dişlilerde
C: Orta dinamik yüklerde
D: Azdırma freze veya Felows
yöntemi ile açılmış dişlilerde

Taksimat dairesindeki çevre hızı v

Şekil 3.10. Dinamik hız faktörü (Kv)

Çizelge 3.15. Yük dağılım faktörü (Km)

Her iki taraftan Asimetrik olarak yerleştirilmiş olan dişli Karışık şekilde
ψ d = b / d 01 simetrik olarak Çok rijid mil Rijidliği daha az yerleştirilmiş
yataklanmış dişli olan, mil dişli
0,2 1 1 1,05 1,15
0,4 1 1,04 1,10 1,22
0,6 1,03 1,08 1,16 1,32
0,8 1,06 1,13 1,22 1,45
1 1,10 1,18 1,29
1,2 1,14 1,23 1,36
1,4 1,19 1,29 1,45
1,6 1,25 1,35 1,55

b. Diş dibi dayanım hesabı

Ft
σ Top = K f Kv (3.30)
bm

eşitliğinden faydalanılır.

σ Top : Toplam gerilme

 29

Kf : Form faktörü (Bkz.Çiz. 3.2),

Kv : Dinamik hız faktörü (Bkz.Çiz. 3.3),
c. Yüzey basıncı hesabı

Ft
PH = K E K α K i Kv (3.31)
bd 01

eşitliğinden faydalanılır.

Helisel dişli çark dayanım hesabı

a. Dayanım hesabı

Ft
σ= K fe K v (3.32)
bmn

Kfe : Form faktörü (Çiz. 3.16)

Çizelge 3.16. Form faktörü (Kfe)

ze 12 14 15 16 17 18 19 20 21 22 23 24 25 26
Kfe 3.7 3.33 3.23 3.15 3.08 3 2.98 2.95 2.9 2.86 2.82 2.78 2.73 2.7
ze 27 28 29 30 35 40 45 50 65 70 80 90 100 ∞
Kfe 2.67 2.64 2.62 2.6 2.51 2.45 2.41 2.37 2.29 2.28 2.25 2.23 2.21 2.2

ze : Helis dişli, düz dişli eşdeğer diş sayısı

z
ze = (3.33)
cos β g cos β 0
2

β g : Temel dairesine karşılık gelen eğim açısı

β 0 : Dişli helis açısı

b. Yüzey basıncı hesabı
 30

2 M bc
PH = K E K α K β K i Kv (3.34)
bd 01

eşitliklerinden faydalanılır.

Kβ : Eğim açısı faktörü (Çiz. 3.17).

Çizelge 3.17. Eğim açısı faktörü (Kβ)

β 0 10 12 14 16 18 20 22 24 26 30 32 35

Kβ 1 0.99 0.99 0.98 0.97 0.96 0.95 0.94 0.93 0.92 0.91 0.89 0.86

Konik dişli çarkların dayanım hesapları

Ft
σ= K fe K v (3.35)
bmm

mm : Ortalama modül (Eş. 3.21)

Sonsuz vida ve karşılık dişlisi sisteminde dayanım hesapları

Dayanım hesabı, dişli çarkın dış dibindeki kırılma olayını yansıtmaktadır. Sonsuz
vida mekanizmalarında diş dibi kırılması çok ender, ancak büyük darbelerin altında
meydana gelmektedir. Bu nedenle mukavemet hesabı, bir fikir verme mahiyetinde
olup ancak kontrol şeklinde yapılır. Buna göre silindirik dişlileri esas alarak, diş
dibindeki gerilmeler,

Ftc 2
σe = ∩
⋅Kf2 (3.36)
m. b

eşitliği ile hesaplanır. Sonsuz vida ve karşılık dişlisi sisteminde dayanım hesapları
eşitliklerinde alt indiste gösterilen 1 değeri döndüren yani sonsuz vidaya ait, 2 değeri
döndürülen yani karşılık dişlisine ait değerler için kullanılmıştır.
 31

2.M bc 2
Ftc 2 = (3.37)
d 02

m : Modül (Bkz. Çiz. 3.12)

Kf2 : Form faktörü (Çiz. 3.18)

Çizelge 3.18. Form faktörü (Kf2)

z 20 25 30 35 40 50
Kf2 2.9 2.72 2.6 2.5 2.45 2.35

∩
b : Dişler arası temas yayı,

∩
⎛ π ⎞
b = ϕ rf ⎜ D ⎟
(3.38)
⎝ 180 ⎠

ϕ : Diş kenarı eğim açısı,

r f : Diş dibi kavisi,

⎛d ⎞
r f = ⎜ b1 ⎟ + S b (3.39)
⎝ 2 ⎠

S b : Baş boşluğu

S b = 0,2m (3.40)

d a1 : Diş üstü dairesi çapı

d a1 = d 01 + 2.hb1 (3.41)

hb1 = ma

ma = Alın modülü
 32

3.4.2. Miller

Redüktörlerin giriş milleri genellikle pinyon dişli millerdir ve sementasyon

çeliğinden imal edilirler. Redüktör giriş milindeki pinyon dişli, giriş miline geçme
olarak takılacak ise giriş mili malzemesi Ç 1040 veya Ç 1050 imalat çeliğidir.
Çıkış milleri de yine Ç 1040 veya Ç 1050 imalat çeliklerinden imal edilip,
sulanmazlar. Miller üzerindeki kama yerleri DIN 6885'e uygun yapılmaktadır.
Çıkış milleri taşlandığından, keçe yerlerinden yağ sızdırmazlar.
Giriş ve çıkış milleri Ø50 mm çap ölçüsüne kadar k6 toleransta, Ø50mm den büyük
çaplarda ise m6 toleransta taşlanır. Mil uçlarına DIN 332` ye uygun olarak vidali
merkezleme ve çektirme deliği delinir. Giriş ve çıkış milleri üzerindeki kama
yuvaları ve kamalar DIN 6885/1`e göre işlenir.

Millerin bağlanması

Redüktör çıkış milleri, iş makinesine elastik veya rijit kavramalarla, alın dişlilerle,
zincir dişli sistemleri ile bağlanabilir. Kavramalarla bağlamada mil eksenlerinin çok
iyi ayarlanması, mil eksenleri arasındaki açısal ve doğrusal sapmaların minumuma
indirilmesi, millerin, rulmanların ve kavramanın ömrünü uzattığı gibi, sistemin
titreşimsiz çalışmasını da sağlar (Şekil 3.11). Dişlilerle bağlamada millerin birbirine
paralel olması ve dişlilerin tüm diş yüzeyi boyunca birbirini kavraması gerekir.
Redüktör giriş millerini motora, kayış-kasnak sistemleri, elastik kavramalar, hidrolik
veya elektromanyetik lamelli kavramalarla bağlamak uygundur. Redüktör
girişlerinde rijit kavrama kullanmaktan kaçınılmalıdır.

Kavramalarla bağlamada millerin koaksiyal (eşeksenli); kayış-kasnak sistemlerinde

ise millerin birbirine paralelliğinin sağlanması; bağlama elemanlarının, motor ve
redüktör mili rulmanlarının ömrü ve sistemin titreşimsiz çalışması için gereklidir.
 33

Şekil: 3.11. Elastik kavrama ile bağlantı ve elastikiyet

3.4.3. Yataklar

Redüktör mil ve dişlilerin yataklarında konik masuralı veya oynak silindirik masuralı
rulmanlar kullanılmaktadır. Rulman ömürleri en az 50 000 saat olacak şekilde
seçimleri yapılır.

3.4.4. Gövdeler

Redüktör gövdeleri GG 22 kalitede gri pik dökümdür. Gövdeler istek üzerine GGG-
42 kalite sfero dökümden yapılabilir. Özel redüktör gövdeleri çelik kaynaklı
konstrüksiyon yapılabilmektedir. Gövdelerin üzerinde yağ doldurma ve boşaltma
tapaları, yağ seviye göstergesi bulunur. Bazı redüktör modellerinde bütün dişlilerin
görülebileceği gözetleme kapakları ve ağır redüktörlerde kaldırma halkaları vardır.
Redüktörlerin yağ doldurma tapaları aynı zamanda havalandırma deliği görevini
üstlenir.

3.4.5. Sızdırmazlık

Redüktör, çalışma alanları bakımından oldukça ağır şartlarda çalışabilirler. Bu

nedenle dış etkenlerin dişli sistemini etkilememesi için gövde bağlantı noktalarının
sızdırmaz olmasına ihtiyaç vardır. Redüktörlerde, gövde ve kapaklar arasındaki
sızdırmazlık sıvı conta ile giriş ve çıkış millerinin sızdırmazlığı ise lastik yağ keçeleri
ile sağlanır.
 34

3.4.6. Dişli çarkların yağlanması

Yatay konumda çalışan redüktörlerde yağlama, banyolu çarpma yağlama yöntemi ile
sağlanmaktadır. Redüktörün taşıyacağı güç, termal güç sınırına yakın veya onun
üstündeyse, redüktörün yağlanması basınçlı, püskürtmeli ve gerekirse soğutmalı
yağlama sistemleri ile sağlanır. Düşey konumda çalışan redüktörlerde yatay konumlu
redüktörler gibi banyolu yağlama ile yağlanır. Ancak düşey konumlu redüktörlerde
çarpma yağlama imkanı olmadığı için redüktörün yağ seviyesinin yüksek olması,
genellikle de redüktörün tamamen yağla doldurulması gerekir. Düşey konumlu
redüktörlerin yağlanmasında ikinci çözüm yolu basınçlı yağlamadır. Redüktörün üst
kısmında bulunan dişli ve rulmanlara yağ direkt olarak püskürtülerek yağlanmaları
sağlanır. Basınçlı yağlama sisteminde redüktörün tamamının yağla dolması
gerekmediği için yağın ısınması ve taşması gibi sorunlar da ortadan kalkar.

3.4.7. Dişli çarkların verimi (η)

Redüktörlerde verim η=Pç/Pg oranından elde edilir. Bu değer redüktörün normal

şartlarda çalıştığı, iyi yağlama yapıldığı ve yükün nominal değere yakın olduğu
taktirde geçerlidir. Sonsuz Vidalı redüktörlerde ilk 50 saatlik çalışma süresi içinde
verim sonsuz vida tablolarında verilen değerlerden daha düşük olacaktır;

Statik verim (ηs) start anında oluşan verimdir ve dinamik verim η'nın çok altındadır.
Motor nominal devrine ulaştığında redüktörün verimi kataloglarda verilen değerlere
ulaşacaktır.

Invers verim (ηınv) çıkış mili tarafından redüktöre tahrik gelmesi ile oluşan verimdir
ve her-zaman η’dan küçüktür. Bu değer aşağıdaki gibi hesaplanır.

1
η inv = 2 − (3.42)
η

Benzer şekilde statik invers verim;

 35

1
η sin v = 2 − (3.43)
ηs

Çizelge 3.19’da çeşitli sistemlere ait verim değerleri verilmiştir.

Çizelge 3.19. Dişli çarklarda verim değerleri (η)

Dişli Çarklar Kademe başına Verim Diğer mekanizmalar Kademe başına Verim
η (%) η (%)
Silindirik dişli 96…99 Düz kayış kasnak 95…98
Konik dişli 95…98 V kayış kasnak 92…94
Sonsuz vida Dişli kayış kasnak 96…98
Kilitlemesiz 60…80 Zincir mekanizması 96…98
Kilitlemeli 25…40 Sürtünmeli çark 90…97
Helisel dişli 98 Yataklar 97

3.5. Redüktör Seçimi İçin Gerekli Parametreler

İşletme sırasında redüktörün sorun yaratmadan çalışması ve uzun ömürlü olması her
şeyden önce doğru seçim ile mümkündür. Redüktör seçiminin doğru yapılabilmesi
için redüktöre ait teknik bilgilerin ve işletme koşullarının bilinmesi gerekir.

Aşağıda belirtilen teknik bilgiler ve işletme koşulları göz önüne alınarak işletme için
en uygun redüktör seçilir. Redüktör seçimi yapılırken ekonomik koşullar da göz
önüne alınır ve aynı iş için birden çok redüktör tipi mevcut ise en ekonomik olan
seçilir.

Tüm dişli sistemlerinde olduğu gibi redüktörlerde de çevrim oranı ile beraber dönme
yönü de önemlidir. Bu bakımdan döndüren ve döndürülen elemanların dönme yönleri
birbirine göre ters olduğu durumda (-) işareti, aynı yönde olduğu durumda (+) işareti
ile gösterilir. Redüktörlerde sistemi oluşturan herhangi bir dişlinin diş sayısı çevrim
oranını etkiler. Bu kural tüm paralel dişli dizileri için geçerlidir. İki dişliden oluşan
bir mekanizma birey olarak kabul edilirse, redüktörü oluşturan mekanizmaların
sayısı, hızın kaç kez değiştiğini yani redüktörün kademelerini gösterir [Akkurt, 2005]
 36

Şekil 3.12’de teknik resmi görülen redüktör iki kademelidir. Yani hareket giriş
milinden çıkış miline kadar iletilirken; devir iki kere değişir. Teknik resmi

Şekil 3.12. İki kademeli redüktör

incelemeye devam edersek; giriş milinin üzerindeki dişli en ufak dişlidir ve hız
burada en yüksektir, çıkış milinin üzerindeki dişli ise en büyük dişlidir ve hız burada
en düşük, tork en yüksektir. Giriş milinden itibaren dişlilere sırasıyla z1,z2,z3 ve z4
dişlileri dersek, z diş sayılarını ve i de çevrim oranlarını göstermek üzere toplam
çevrim oranını;

− z2 − z4 z2 z4
itop = i12 i34 = = (3.44)
z1 z 3 z1 z 3

şeklinde gösterebiliriz. Ayrıca kademelerin sayısı, giriş çıkış ile dönme hızlarının
birbirine göre dönme yönlerini belirler. Kademe sayısının tek sayı olması durumunda
giriş çıkış dönme yönleri ters, çift sayı olması durumunda aynıdır.

Redüktörü oluşturan kademelerin verimi η12, η34, şeklinde gösterilirse ve yatak

verimi ηy ile ifade edilirse, sistemin toplam verimi;
 37

ηtop = η12 η34 ηy (3.45)

olarak ifade edilebilir. Şöyle ki, çıkış ve giriş dönme momentlerinin arasında
aşağıdaki bağıntı vardır;

Mbç= Mbg ηtop (ng/nç) ;

Mbç = Mbg .ηtop itop (3.46)

Pg 9550
M bç = η top itop (3.47)
ng

Ancak toplam verim hesabında dişli çarkları taşıyan millerin yataklarının da

verimlerinin göz önüne alınması gerekliliği unutulmamalıdır.

3.6. Redüktör Seçim Aşamaları

Redüktör seçimi Redüktör tipinin seçimi ve Seçilen redüktör tipinin büyüklüğünün

tespiti olmak üzere iki aşamada yapılır.

3.6.1. Redüktör tipinin seçimi

İş makinesi veya tesise uygun redüktör tipi genellikle proje safhasında seçilir. Proje
sorumlusu mühendis veya konstrüktör hangi makined, hangi tip redüktörü
kullanacağına tecrübelerine dayanarak veya daha önce yapılmış örnekleri inceleyerek
karar verir. Küçük güç taşıyan tesislerde, motoru redüktöre direkt bağlanmış motorlu
redüktörler akla ilk gelen çözümdür. Motorlu redüktörler montaj kolaylığı ve
ekonomik oluşları yüzünden tercih edilen tiplerdir. Mile geçme redüktörlerde yine
montaj kolaylığı ve ucuz oluşları yüzünden çok kullanılan tiplerdir.

3.6.2. Redüktör büyüklüğünün tespiti

Redüktör büyüklüğünün tespiti, redüktör güç çizelgeleri yardımı ile yapılır. Her
 38

redüktör tipi için ayrı ayrı olmak üzere redüktör imalatçısı firmalar tarafından güç
çizelgeleri düzenlenmiştir. Her redüktör boyunun taşıyabileceği güç (P) kw. olarak,
redüktör giriş devir sayısı (ng) ve çevrim oranına (i) bağlı olarak bu çizelgelerde
verilmiştir. Redüktörlerin taşıyabilecekleri çıkış döndürme momentleri (Mbç) de ayrı
bir çizelgede verilmiştir. Çizelgelerde yer alan güç ve döndürme momentleri nominal
değerlerdir. İş makinesı için gerekli olan güç ve döndürme momenti, redüktörün
taşıyabileceği nominal güçten, dolayısıyla döndürme momentinden küçük olmalıdır
ki redüktör, iş makinesı için gerekli gücü belirli bir emniyetle taşıyabilsin.
Redüktörün taşıması gereken (Pre) gücü, redüktörün çalıştırdığı iş makinesi için
gerekli olan (Piş) gücünün, işletme emniyet faktörü (fs) ile çarpımıyla bulunur.
Seçilecek redüktörün nominal gücü bu Piş değerine eşit veya daha büyük olmalıdır.
Nominal gücü (Pg) bu değere eşit veya daha büyük olan redüktör ilgili güç
çizelgesinden bulunur.

Pre = Piş . fs (3.48)

Redüktörü çalıştıracak motorun gücü (Pmot) ve devir sayısı (ng)

Redüktöre bağlanacak motorun gücü, iş makinesi için gerekli olan Piş gücünden
büyük seçilmelidir. Redüktör seçiminde olduğu gibi, motor gücünü tespit ederken, iş
makinesi için gerekli olan güç belirli bir emniyet katsayısı ile çarpılarak motorun
gücü bulunur. Motor gücü tespiti için alınacak emniyet katsayısı (E) ile redüktör
seçiminde alınacak emniyet katsayıları (fs) farklı olabilir. Motor gücünün gereğinden
büyük seçilmesi ekonomik olarak uygun değildir, ayrıca elektrik kullanımı motor
gücü ile orantılı olduğundan işletme giderlerini arttıracaktır. İşletmenin cinsine,
günlük çalışma süresine bağlı olarak motor emniyet katsayısı (E) 1,25 ile 1,8
arasında alınabilir. Redüktör seçilirken, motor emniyet katsayısının kaç alındığı veya
iş makinesinin gerçek güç ihtiyacının (Piş ) kaç kw. olduğu bilinmelidir. Redüktör de
kullanılacak ideal motor devir sayısı 1500 ve 1000 d/d`dır. Redüktörler de yüksek
devirli motor kullanmak sakıncalıdır. Yüksek devir, redüktörün sesini artıracağı gibi,
rulman ve dişlilerin ömrünü azaltır. 3000 d/d`lik motor kullanmak zorunluluğu varsa
 39

motor ile redüktör arasına kayış-kasnak sistemi koyarak redüktör giriş devrini 1500
veya 1000 d/d`ya düşürmek uygun olacaktır.

Pmot = Piş . E (3.49)

Termik güç (Pt)

Redüktörün ısınmadan taşıyabileceği güçtür. Redüktörün termik gücü, redüktör

gövdesinin dış yüzeyinin büyüklüğüne, çevre sıcaklığına, çalışma ortamına ( kapalı
alan, açık saha ), redüktörün bir saat içindeki çalışma süresine ( ED ) bağlıdır.
Redüktörlerin güç çizelgelerinde her redüktör boyunun taşıyabileceği termik güç
verilmiştir. Çizelgede verilen termik güç (Pt) redüktörün kapalı ortamda
bulunması, 20-30 °C çevre sıcaklığı ve sürekli çalışma ( ED = % 100 ) için
geçerlidir.

40 °C çevre sıcaklığı için çizelgede verilen değerin % 75`i,

50 ° C çevre sıcaklığı için çizelgede verilen değerin % 60`ı alınmalıdır.

Redüktör bir saat içinde yarım saat çalışıyorsa ( ED = % 50 ), Nt % 25 oranında

artırılabilir.

Bir saatte 15 dakika çalışma ( ED = % 25 ) için Pt, 1,5 kat artırılabilir.

Redüktörün hava ile soğutulması veya redüktör yağının soğutulması durumlarında
termik güç, soğutmanın etkisine bağlı olarak % 10 - % 50 oranında artırılabilir
[Akkurt, 2005].

3.6.3. Redüktör firması tarafından kataloğunda kullanılan temel eşitlikler

a. Motorun harcadığı güç

P = 3UICosϕ / 1000 (3.50)

b. Motorun verdiği güç

 40

P = 3UICosϕη / 1000 (3.51)

P: Güç [kW]
U: Gerilim [Volt]
I: Akım [Amper]
Cos ϕ : Güç Faktörü
η : Verim

c. Harcanan güç (kw)

• Doğrusal hareket

Fv
P= (3.52)
1000η

• Dönme hareketi

Mn
P= (3.53)
9550η

d. Döndürme momenti

P
M = 9550 (3.54)
n

e. Atalet momenti

• Dolu silindir için

J = 98 ρlD 4 (3.55)

• Delikli silindir için

J = 98ρl ( D 4 − d 4 ) (3.56)
 41

f. Lineer hareket ataletinin motor miline indirgenmesi

v2
J ind = 91,2m 2 (3.57)
n1

g. Dönen hareket ataletinin motor miline indirgenmesi

J × n22
J ind = (3.58)
n12

h. Farklı devirlerde dönen hareket ataletlerinin motor miline indirgenmesi

J 2 × n22 + J 3 × n32 ....

J ind = (3.59)
n12

3.6.4. Redüktör Seçimi

a. Çalışma şartlarına bağlı olarak emniyet faktörü (fs) belirleyiniz

Emniyet faktörü (fs) redüktörün çalıştığı şartlar ile uyumlu olması için gerekli olan
emniyet katsayısıdır. Örneğin "fs = 1" Düzgün ve sakin yüklerde, günlük sekiz saat
ve saatte yüz start çalışmayı karşılar.

• Basit eşitlikle emniyet faktörünün hesaplanmasında;

fs = KA Ko ft fdk (3.60)

eşitliğinden faydalanılır.

KA: İşletme faktörü (Bkz. Çiz. 4.5)

Ko: Çalışma faktörü (Bkz. Çiz. 3.14)
ft : Günlük çalışma süresi faktörü
 42

Günde 3-10 saat arasında çalışan işletmelerin ft faktörü 1 olarak alınır. Günde 3
saatten az çalışan işletmelerin ft faktörü 0,8 olarak, günde 10-24 saat arasında
çalışan işletmelerin ft faktörü 1,25 olarak alınır.

fdk: Start sayısı

Bir saat içerisinde en fazla 5 defa start yapan işletmelerin fdk faktörü 1 olarak
alınır. Bir saat içerisinde 5`den fazla duruş-kalkış yapan işletmeler için özel
önlemler almak gerekebilir. Motorla redüktörü birbirine hidrolik veya
elektromekanik kavramalarla bağlamak duruş-kalkışlardaki darbe etkisini azaltır.
5` ten fazla duruş-kalkış yapması gereken işletmelerin fdk faktörü 1,25-2 arasında
alınmalıdır ve özel önlemler gerektirir.

3.60 eşitliğinden faydalanılarak servis faktörü hesaplanır.

• Emniyet faktörünün bulunmasında uygulanan diğer bir yöntem:

o Makinenin günlük çalışma süresini tespit ediniz.
o Makinenin ne türde yükler verdiğini tespit ediniz (EK-6 ).

U - Düzgün ve sabit yükler

M - Orta darbeli yükler
H - Ağır darbeli yükler

Yük sınıfının daha teknik seçimi için rotora indirgenmiş toplam atalet momenti
eşitliğinden faydalanabilirsiniz .

J ext
J ind = + J mot (3.61)
i2
J ind
Fi = (3.62)
J mot

J top : Toplam dış atalet momenti

 43

J ind : Motora indirgenmiş toplam moment

J mot : Motorun atalet momenti

Çizelge 3.20. Fi değerine bağlı Yük sınıfı

U Düzgün ve sabit yükler Fi<0,25

M Orta Darbeli Yük Fi<3,0
H Ağır darbeli yükler Fi<10,0

o Saatteki start sayısını tespit ediniz.

o ilk üç maddeye bağlı servis faktörünü aşağıdaki tablodan seçiniz.

M
Servis Faktörü

Start Sayısı /Saat**

* Günlük çalışma süresi (saat/gün)

** Start Sayısı, Tüm kalkış ve frenleme işlemleri ile düşük hızdan yüksek hıza (veya tersi) geçişler Start
Sayısına dahildir

Şekil 3.13. Servis Faktörü Belirleme Cetveli [Yılmaz Redüktör kataloğu,

11.04/02]
fs, redüktörümüzün tahrik tipine bağlı olarak "Ko" katsayısı ile çarpılarak arttırılır.

b. İş makinesi için gerekli olan döndürme momenti (M iş ), hesap yoluyla veya daha
önce yapılmış olan makinelerden edinilmiş tecrübelerle tesbit edilir.

c. İş makinesi için en uygun devir sayısı (n ç ), yine tecrübelerle veya deneme-

yanılma metoduyla bulunur.
 44

d. Makine için gerekli döndürme momentini, seçilen devir sayısında sağlayacak güç
ihtiyacı hesaplanır. İş makinesi için gerekli olan döndürme momenti sabit kalmak
şartı ile makineyi değişik devirlerde çalıştırmak gerekiyorsa güç ihtiyacı en
yüksek çalışma devri için hesaplanır.

M iş nç
Piş = (3.63)
9550

e. İş makinesi için gerekli olan güçle (Piş), Servis faktörü (fs) bize redüktörün
taşıması gereken gücü (Pre) verir. Bulunan bu Pre değeri redüktör seçiminde esas
alınır.

Pre = fs . Piş (3.64)

f. Seçilen redüktör tipine ait güç çizelgesinde, istenilen giriş ve çıkış devir
sayılarında redüktör boylarının taşıyabileceği nominal güç değerleri Pg [kw]
olarak verilmiştir. Nominal gücü, hesaplanan iş makinesi için gerekli
Pre gücüne eşit veya ondan büyük olan redüktör büyüklüğü, ilgili güç
çizelgesinden bulunur.

g. Redüktörün termik güç kontrolü; seçilen redüktör boyunun termik gücü Pt

çizelgelerden bulunur. Hesaplanan Pre gücü, termik güçten (Pt) küçük olmalıdır
(Pre < Pt ). Pre, termik güce yakın veya daha büyükse redüktör soğutulmalıdır.
Soğutma imkânı yoksa bir boy büyük redüktör seçilir. Böylece redüktör seçimi
tamamlanmış olur.

h. Redüktör ile makine arasında kullanılan bağlantı elemanına göre radyal yük
hesaplanır (EK-5). Sonsuz tip redüktörlerde çıkış gücü, çıkış devri,
değerlerine uyan servis faktörü ve radyal yükü bulduğunuzdan daha yüksek veya
eşit olan redüktör, güç-devir seçim tablolarından seçilir. Helisel tip
redüktörlerde verim yüksek olduğundan çıkış gücü verilmemiştir.
Hesapladığınız güç değerini giriş gücü olarak kabul edip seçiminizi yapınız.
 45

Çizelgelerde verilen Mç (Miş) çıkış momentinin hesapladığınız M ç (M iş) den

büyük olmasına dikkat ediniz. Eğer seçilen redüktörünki daha ufak ise bir
üst motor gücüne geçiniz. Motorsuz sonsuz vida redüktörler ve yatık tip
redüktörlerin seçiminde katalog termik gücünün(Ptg), hesapladığınız termik
gücün altında olmasına dikkat edilmelidir. (Çizelge 3.21).

Çizelge 3.21. Termik güç tablosu

Çalışma Şekli Duraksamalı (S1…S6)

Maximum Çevre Sürekli
[%] olarak 60 dakikada çalışma
Sıcaklığı (S 1)
kt

60 40 25 15
40 0.8 0.9 1 1.2 1.3
30 0.9 1.1 1.2 1.4 1.5
20 1 1.2 1.4 1.5 1.7
10 1.2 1.4 1.5 1.7 1.9

Örnek redüktör seçimi

a. Makine Cinsi
Lastik bantlı konveyör, dökme yük taşıyor.

b. Makine için gerekli moment

Makine için hesaplanan moment; M ç =470Nm

c. Makine gerekli çıkış devri; r >2 = 50 dev/dak.

d. Günlük çalışma süresi; 16 saat

e. Saatte start sayısı; Saatte 1 start

f. Makine ile bağlantı şekli; Zincir dişli (çap -130 mm)

• Yük sınıflandırma tablosundan yük sınıfı M olarak seçilir (EK-6)

 46

• Günlük çalışma süresi 16 saat

Saatte start sayısı 1 ve yük sınıfı M'ye tekabül eden servis faktörü
tablosundan, servis faktörü için fs = 1.3 değeri bulunur, (Bkz. Şekil 3.13)

• Makinenizin güç ihtiyacı (Redüktör Çıkış gücü);

M ç nç 470 × 50
P = = = 2,46kW
9550 9550

• Zincir dişli uygulaması için (EK-5) Fq değeri;

2100M ç 2100 × 470

Fq = = = 7592 N
D 130

• Ortaya çıkan redüktör ihtiyacı;

P ≥ 2,46 kW
M ç ≥ 470Nm
f s ≥ 1,3
n 2 =50 d/d
fq ≥ 7592 N

• Sonsuz vida seçimi

Güç-Devir tablolarından (EK-7)

Pf = 3 kW
n2= 54 d/d
P=2,52 kW>2,46
Fqgv=8200>7592
f s =1,6>1,3
olan EV125-100L/4b tipi (Yılmaz Redüktör Kataloğu 11.04/2) seçilir.
 47

• Helisel redüktör seçimi;

Güç-Devir tablolarından (EK-8)

Pf=3kW
n2= 55 d/d
Mç= 497 Nm > 470 Nm
Fqgv= 21196 N> 7592 N
f s =2,6>1,3
olan M42-100L/4b tipi (Yılmaz redüktör kataloğu 11.04/2) seçilir.

• Örnek motor seçimi

5,5 kW, 1415 d/d, 3 faz AC Asenkron motor

Motor kataloğundan;

M A / M N = 2,7, M n = 37,1Nm, J mot . = 0,093kg.m 2

Yükün motor miline indirgenmiş ataleti 3.58 nolu eşitlikten;

0.5 2
J ind . = 91,2 × 2995 × = 0,034kg.m 2
1410 2

Yük sınıfının tespiti için atalet faktörünü hesaplayalım;

J ind 0,034
Fi = = = 0,36 < 3
J mot 0,093

Fi>0,2 olduğundan yük sınıfı M'ye girmektedir. Günde 8 saatlik çalışma için fs =1,2
olmalı (Şekil 3.13).

Ortaya çıkan ihtiyaç; 5,5kW, 21 d/d, helisel dişli delik milli redüktör. fs =1,2 ve üzeri
(Geri kaçırmaması için fren veya kilit kullanmak gerekir. Ancak bu örnekte bu
dikkate alınmamıştır).
 48

• Redüktör seçimi;

5,5 kW,
21 d/d,
fs=1,3
olan D6300-100L/4b (Yılmaz redüktör kataloğu 11.04/2) tipi seçilir.
 49

4. YAPAY ZEKÂ

4.1. Tanımı ve Tarihçesi

Yapay zekâ fikrinin temelini sibernatik bilimi oluşturmaktadır. Sibernatik “insanlar

ve hayvanlar arasında iletişim ve kontrol bilimi” olarak Norbert WİENER
tarafından 1948 yılında ortaya konmuş, sonraları fizik, elektroteknik, bilgisayar,
felsefe, matematik, psikoloji, psikiyatri, sosyoloji, fizyoloji gibi farklı bilim
dallarında “iletişim ve kontrol için ortak olan problemlerin öğrenilmesi” düzeyine
gelmiştir. Sibernatiğin en önemli özelliği canlı ve cansız sistemler arasındaki farkın
bilerek önemsenmemesidir.

Yapay zekâ, sibernatik biliminin bir yan dalı olarak ortaya çıkmış, zaman içerisinde
kendi başına bir bilim dalı haline gelmiştir.

Yapay zekâ, kabaca; bir bilgisayarın ya da bilgisayar denetimli bir makinenin,

genellikle insana özgü nitelikler olduğu varsayılan akıl yürütme, anlam çıkartma,
genelleme ve geçmiş deneyimlerden öğrenme gibi yüksek zihinsel süreçlere ilişkin
görevleri yerine getirme yeteneği olarak tanımlanmaktadır [Nabiyev, 2005]. Yapay
zekâ kavramı çeşitli şekillerde tanımlanabilmektedir. Bu tanımlardan bazıları ise;

“Yapay zekâ; sezgisel programlama temelinde olan bir yaklaşımdır” [Abinov, 1989].

“Yapay zekâ; insanların yaptıklarını bilgisayarlara yaptırabilme çalışmasıdır”

[Nenov, 1999].

Genesereth ve Nilsson'a göre “yapay zekâ, akıllı davranış üzerine bir çalışmadır”.
Amacı, doğadaki varlıkların akıllı davranışlarını yapay olarak üretmeyi amaçlayan
bir kuramın oluşturulmasıdır [Akçakın, 1988]

Axe a göre yapay zekâ; bir bilim olarak akıllı programları içerir. Bu programlar
aşağıdakileri yapabilmelidir;
 50

• İnsan beyninin çalışma biçimini taklit ederek karmaşık problemleri çözebilmeli,

• Değişik durumlar karşısında uygun cevaplar verebilmeli,
• Öğrenerek uzmanlığını geliştirmeli ve eski bilgilerini yenilerle uyumlu biçimde
kullanarak bilgi tabanını genişletebilmelidir [Atkinson ve ark, 1999].

Görüldüğü gibi, verilen her tanım kendi içinde doğru olmasına rağmen, farklılıklar
da içermektedir. Ayrıca (şu ana kadar yapılamayanlar) veya (bir akıl teorisinin) daha
ayrıntılı açıklanması bizi, yeni kavramların hiyerarşik olarak tanımlanmasına
götürmektedir. Bu araştırmaların daha derinden anlaşılabilmesi için, zekânın
kendisinin ne olduğunu anlamak gerekmektedir. Biz yapay zekâyı “İnsana özgü akılcı
hareketlerin makine tarafından taklidi” biçiminde tanımlanabilir.

Yüzyıllardan beri akıllı yapay varlıkların yaratılması insanoğlunu meşgul etmesine

rağmen Yapay Zekânın doğuşu olarak 1956 yazında Dartmouth College'de
düzenlenen konferans baz alınmaktadır. Bu konferansa katılan, Marvin Minsky,
Ailen Newell ve Herbert Simon Yapay Zekâ'nın kurucuları olarak anılmaktadırlar.
İlk Yapay Zekâ kitabı E. Feigenbaum ve J. Feldman tarafından derlenerek 21 maka-
leden oluşan ve 1963 yılında basılan "Bilgisayar ve Düşünce" (Computer and
Thought) kitabıdır. Alan Turing'in 1950'de yazdığı Testiyle ilgili makaleyi de içeren
bu makaleler Yapay Zekânın klasikleri olarak görülmektedir. Turing testi
“bilgisayar düşünebilir mi?” Sorusuna cevap arayan ve bir makinenin düşünmesi ile
ilgili açıklamaların mantıksal olarak mümkün olup olmadığını araştıran bir testti.

Bu testte Sorgulayıcı dediğimiz kişi aynı soruları bir paravanın ötesindeki bir insan
ve bir bilgisayara yönelterek; aldığı cevaplara bakarak insan, bilgisayar ayrımı
yapmaya çalışmaktaydı. Sorgucunun ayrım yapamaması ya da yanlış sonuca
ulaşması bilgisayarın düşünebilirlik düzeyi hakkında bir fikir oluştururdu (Şekil
4.1).
 51

Sorgucu

Şekil 4.1. Turing testi

Yapay zekânın, insan davranışını taklit etme, benzeştirme veya modelleme

amacıyla bilgisayar programlarının geliştirilmesi biçiminde tanımlanabileceğine
değindik. Yapay zekânın diğer bilim alanları ile olan yaklaşık ilişkisi şematik olarak
şekil 4.2'de gösterilmiştir. Görüldüğü gibi yapay zekânın birçok farklı bilimsel alanla
ilişkisi bulunmaktadır.[Nabiyev, 2005]

Felsefe Mantık

Psikoloji
Dil Bilgisi
YAPAY ZEKA
Bilgisayar

Fizyoloji Güzel Sanatlar

Matematik
Biyoloji
Fizik-Elektronik

Şekil 4.2. Yapay zekâ bilimsel alan ilişkisi [Nabiyev, 2005]

Yapay zekâ, kullanım alanları ve çalışma mantığı açısından incelendiğinde alt

oluşumlara ayrıldığı görülür. Bunlardan önemli olanları inceleyelim.
 52

4.2. Önemli Yapay Zekâ Teknikleri

4.2.1. Bulanık mantık (BM)

Bulanık mantık (Fuzzy Logic) kavramı ilk kez 1965 yılında California Berkeley
Üniversitesinden Prof. Lotfi A. Zadeh’in bu konu üzerinde yazdığı bir makale
sayesinde duyulmuştur. O tarihten günümüze önemi gittikçe daha çok anlaşılan ve
teknolojinin çeşitli dallarında daha geniş alanlarda kullanılmaya başlanmış olan
bulanık mantık, belirsizliklerin anlatımı ve belirsizliklerle çalışılabilmesi için
kurulmuş katı bir matematik düzen olarak tanımlanabilir. Bilindiği gibi istatistikte ve
olasılık kuramında, belirsizliklerle değil kesinliklerle çalışılır ama insanın yaşadığı
ortam daha çok belirsizliklerle doludur. Bu yüzden insanoğlunun sonuç çıkarabilme
yeteneğini anlayabilmek için belirsizliklerle çalışmak gereklidir. Belirsizlikler
düşünüldüğünde bulanık mantık, Siyah, beyaz arasındaki grilerle çalışabilen bir
kavram olarak algılanabilir.

1 0,8 0,6 0,4 0,2 0

Doğru Yanlış
Dolu Boş
Sıcak Soğuk

Şekil 4.3. BM çalışma alanı mantığı

BM kuramının merkez kavramı Bulanık mantık (fuzzy) kümeleridir. Küme kavramı

anlaşılması kolay bir kavramdır. Örneğin “genç” kavramını inceleyecek olursak, bu
kavramın sınırlarının kişiden kişiye değişiklik gösterdiğini görürüz. Genç kavramı
kesin sınırlarla belirlenmiş bir kavram olmadığından matematiksel olarak da kolayca
formüle edemeyiz. Ama genel olarak 18 ile 35 yaşları gençlik sınırları olarak
düşünülebilir. Burada görüldüğü gibi genç tanımında 18-35 yaşları kullanılmıştır,
 53

oysa yaşamda 17 veya 36 yaşındaki kişiler içinde genç terimi kullanılabilmektedir.

Buradaki örnek, kesin sınırlı kümeler oluşturmanın zorluğunu bize göstermektedir.
BM bu tür kesin doğru ve yanlışın oluşmadığı durumlarda kullanılmaya uygundur.

Bir fuzzy kümesi kendi aitlik fonksiyonu ile temsil edilir. Böyle bir aitlik fonksiyonu
ile “kesinlikle ait (doğru)” veya “kesinlikle ait değil(yanlış)” arasında istenilen
incelikte ayarlama yapmak mümkündür. Farklı ve çelişen iki nesne aynı bulanık
kümesinin üyeleri olabilirler. "Doğru" ve "Yanlış"'ı tanımlamadaki fark şekil 4.4'de
keskin kümeler ve bulanık kümeleriyle tanımlanmıştır. Bir bulanık kümesinde
önemli olan, her bir elemana atanan doğruluk derecesidir [Aydemir, 2001].

Şekil 4.4. Doğru ve Yanlış'ın tanımı; a) keskin kümeler, b) bulanık kümeler [Toktaş,
2003]

Daha sonra, girdi ve çıktı üyelik fonksiyonları arasındaki ilişkiyi belirleyen kuralların
bulunduğu kural tabanı oluşturulur. Kural tabanı oluşturulurken ya mevcut verilerden
hareket edilir veya tecrübelerden yararlanılır. Kural tabanı sözel cümleciklerden
oluşur. BM ile modellemede, kural tabanı bir çeşit mantıksal ifade olan EĞER-İSE
yapısıyla oluşturulur. EĞER kısmı, girdi bulanık kümelerinden, İSE kısmı çıktı
bulanık kümesinden değişkenleri içerir. EĞER-İSE ifadeleri VE veya VEYA bağlaçları
ile birbirine bağlanır [Toktaş, 2003].

BM ile matematik arasındaki temel fark bilinen anlamda matematiğin sadece aşırı uç
değerlerine izin vermesidir. Klasik matematiksel yöntemlerle karmaşık sistemleri
 54

modellemek ve kontrol etmek işte bu yüzden zordur, çünkü veriler tam olmalıdır.
BM kişiyi bu zorunluluktan kurtarır ve daha niteliksel bir tanımlama olanağı sağlar.
Bir kişi için 40 yaşında demektense sadece orta yaşlı demek birçok uygulama için
yeterli bir veridir. Böylece azımsanamayacak ölçüde bir bilgi indirgenmesi söz
konusu olacak ve matematiksel bir tanımlama yerine daha kolay anlaşılabilen
niteliksel bir tanımlama yapılabilecektir.

BM’da fuzzy kümeleri kadar önemli bir diğer kavramda linguistik değişken
kavramıdır. Linguistik değişken “sıcak” veya “soğuk” gibi kelimeler ve ifadelerle
tanımlanabilen değişkenlerdir. Bir linguistik değişkenin değerleri fuzzy kümeleri ile
ifade edilir. Örneğin oda sıcaklığı linguistik değişken için “sıcak”, “soğuk” ve “çok
sıcak” ifadelerini alabilir. Bu üç ifadenin her biri ayrı ayrı fuzzy kümeleri ile
modellenir.

BM nin uygulama alanları çok geniştir. Özelliği ise “insana özgü tecrübe ile
öğrenme” olayının kolayca modellenebilmesi ve belirsiz kavramların bile
matematiksel olarak ifade edilebilmesine olanak tanımasıdır. Bu nedenle lineer
olmayan sistemlere yaklaşım yapabilmek için özellikle uygundur.

BM konusunda en çok araştırma Japonya’da yapılmakta, “fuzzy process controller”

olarak isimlendirilen özel amaçlı bulanık mantık mikroişlemci çipinin üretilmesine
çalışılmaktadır. Bu teknoloji fotoğraf makineleri, çamaşır makineleri, klimalar ve
otomatik iletim hatları gibi uygulamalarda kullanılmaktadır. Uzay araştırmaları ve
havacılık endüstrisinde kullanıma da uygundur. Yine bir başka uygulama olarak
otomatik cıvatalamaların değerlendirilmesinde Bulanık mantık kullanılmaktadır. BM
yardımıyla cıvatalama kalitesi belirlenmekte, cıvatalama tekniği alanında bilgili
olmayan kişiler açısından konu şeffaf hale getirilmektedir. Burada bir uzmanın
değerlendirme sınırlarına erişilmekte ve hatta geçilmektedir [Toktaş, 2003].
 55

4.2.2. Genetik algoritmalar (GA)

Genetik algoritmalar, doğada gözlemlenen evrimsel sürece benzer bir şekilde çalışan
arama ve eniyileme yöntemidir. Karmaşık çok boyutlu arama uzayında en iyinin
hayatta kalması ilkesine göre bütünsel en iyi çözümü arar.

İlk olarak Michigan Üniversitesi'nden John Holland, evrim yasalarını GA’lar içinde
eniyileme problemleri için kullanmıştır. GA’ların temel ilkeleri Holland tarafından
ortaya atılmıştır. Holland 1975 yılında yaptığı çalışmaları “Adaptation in Natural and
Artificial Systems” adlı kitabında toplamıştır.

GA’lar problemlere tek bir çözüm üretmek yerine farklı çözümlerden oluşan bir
çözüm kümesi üretir. Böylelikle, arama uzayında aynı anda birçok nokta
değerlendirilmekte ve sonuçta bütünsel çözüme ulaşma olasılığı yükselmektedir.
Çözüm kümesindeki çözümler birbirinden tamamen bağımsızdır. Her biri çok
boyutlu uzay üzerinde bir vektördür.

GA’lar problemlerin çözümü için evrimsel süreci bilgisayar ortamında taklit ederler.
Diğer eniyileme yöntemlerinde olduğu gibi çözüm için tek bir yapının geliştirilmesi
yerine, böyle yapılardan meydana gelen bir küme oluştururlar. Problem için olası pek
çok çözümü temsil eden bu küme GA terminolojisinde nüfus adını alır. Nüfuslar
vektör, kromozom veya birey adı verilen sayı dizilerinden oluşur. Birey içindeki her
bir elemana gen adı verilir. Genler probleme özgü bilgileri içeren belirli uzunluktaki
dizilerdir. Nüfustaki bireyler evrimsel süreç içinde genetik algoritma işlemcileri
tarafından belirlenirler (Şekil 4.5 ).

Problemin bireyler içindeki gösterimi problemden probleme değişiklik gösterir.

GA’ların problemin çözümündeki başarısına karar vermedeki en önemli faktör,
problemin çözümünü temsil eden bireylerin gösterimidir. Nüfus içindeki her bireyin
problem için çözüm olup olmayacağına karar veren bir uygunluk fonksiyonu vardır.
Uygunluk fonksiyonundan dönen değere göre yüksek değere sahip olan bireylere,
nüfustaki diğer bireyler ile çoğalmaları için fırsat verilir. Bu bireyler çaprazlama
 56

işlemi sonunda çocuk adı verilen yeni bireyler üretirler. Çocuk kendisini meydana
getiren ebeveynlerin (anne, baba) özelliklerini taşır. Yeni bireyler üretilirken düşük
uygunluk değerine sahip bireyler daha az seçileceğinden bu bireyler bir süre sonra
nüfus dışında bırakılırlar. Yeni nüfus, bir önceki nüfusta yer alan uygunluğu yüksek
bireylerin bir araya gelip çoğalmalarıyla oluşur. Aynı zamanda bu nüfus önceki
nüfusun uygunluğu yüksek bireylerinin sahip olduğu özelliklerin büyük bir kısmını
içerir. Böylelikle, pek çok nesil aracılığıyla iyi özellikler nüfus içersinde yayılırlar ve
genetik işlemler aracılığıyla da diğer iyi özelliklerle birleşirler. Uygunluk değeri
yüksek olan ne kadar çok birey bir araya gelip, yeni bireyler oluşturursa arama uzayı
içerisinde o kadar iyi bir çalışma alanı elde edilir. Probleme ait en iyi çözümün
bulunabilmesi için bireylerin gösterimi doğru bir şekilde yapılmalı;

• Uygunluk fonksiyonu etkin bir şekilde oluşturulmalı,

• Doğru genetik işlemciler seçilmeli.

Şekil 4.5. Çözüm Kümesi

Bu durumda çözüm kümesi problem için bir noktada birleşecektir. GA’lar, diğer
eniyileme yöntemleri kullanılırken büyük zorluklarla karşılaşılan, oldukça büyük
arama uzayına sahip problemlerin çözümünde başarı göstermektedir. Bir problemin
bütünsel en iyi çözümünü bulmak için garanti vermezler. Ancak problemlere makul
bir süre içinde, kabul edilebilir, iyi çözümler bulurlar. GA’ların asıl amacı, hiçbir
çözüm tekniği bulunmayan problemlere çözüm aramaktır. Kendilerine has çözüm
teknikleri olan özel problemlerin çözümü için mutlak sonucun hızı ve kesinliği
açısından GA’lar kullanılmazlar. Genetik algoritmalar ancak;
 57

• Arama uzayının büyük ve karmaşık olduğu,

• Mevcut bilgiyle sınırlı arama uzayında çözümün zor olduğu,
• Problemin belirli bir matematiksel modelle ifade edilemediği,
• Geleneksel eniyileme yöntemlerinden istenen sonucun alınmadığı alanlarda etkili
ve kullanışlıdır.

GA’lar parametre ve sistem tanılama, kontrol sistemleri, robot uygulamaları, görüntü

ve ses tanıma, mühendislik tasarımları, planlama, yapay zekâ uygulamaları, uzman
sistemler, fonksiyon ve kombinasyonel eniyileme problemleri ağ tasarım
problemleri, yol bulma problemleri, sosyal ve ekonomik planlama problemleri için
diğer eniyileme yöntemlerinin yanında başarılı sonuçlar vermektedir.

Diğer yöntemlerden farkı

GA’lar problemlerin çözümünü parametrelerin değerleriyle değil, kodlarıyla arar.

Parametreler kodlanabildiği sürece çözüm üretilebilir. Bu sebeple GA’lar ne yaptığı
konusunda bilgi içermez, nasıl yaptığını bilir.

• GA’lar aramaya tek bir noktadan değil, noktalar kümesinden başlar. Bu nedenle
çoğunlukla yerel en iyi çözümde sıkışıp kalmazlar.

• GA’lar uygunluk fonksiyonunun değerini kullanır. Bu değerin kullanılması

ayrıca yardımcı bir bilginin kullanılmasını gerektirmez. GA’lar gerekirci kuralları
değil olasılıksal kuralları kullanır.

Genetik algoritmanın çalışması

GA’nın çalışmasını aşağıdaki adımlarla özetleyebiliriz (Şekil 4.6)

 58

Çocuklar

Oluşan yeni bireylerden bir kısmı tanımlanan

UYGUNLUK FONKSİYONU tarafından elimine edilir.

Şekil 4.6. Genetik Algoritmalarda çözüm kümesi oluşumu

1. Adım: Olası çözümlerin kodlandığı bir çözüm grubu oluşturulur. Çözüm

grubuna biyolojideki benzerliği nedeniyle nüfus, çözümlerin kodları da
birey olarak adlandırılır. Bu adıma nüfusta bulunan birey sayısı
belirlenerek başlanır. Bu sayı için bir standart yoktur. Genel olarak
önerilen 100-300 aralığında bir büyüklüktür. Büyüklük seçiminde yapılan
işlemlerin karmaşıklığı ve aramanın derinliği önemlidir. Nüfus bu
işlemden sonra rasgele oluşturulur.

2. Adım: Her bireyin ne kadar iyi olduğu bulunur. Bireylerin ne kadar iyi olduğunu
bulan fonksiyona uygunluk fonksiyonu denir. Bu fonksiyon işletilerek
bireylerin uygunluklarının bulunması ise hesaplama (evalution) adı
verilir. Bu fonksiyon genetik algoritmanın beynini oluşturmaktadır.
GA'da probleme özel çalışan tek kısım bu fonksiyondur. Çoğu zaman
GA'nın başarısı bu fonksiyonun verimli ve hassas olmasına bağlı olmaktadır.

3. Adım: Bu bireyleri eşleyerek yeniden kopyalama ve değiştirme operatörleri

uygulanır. Bu sayede yeni bir nüfus oluşturulur. Bireylerin eşlenmesi
 59

bireylerin uygunluk değerlerine göre yapılır. Bu seçimi yapmak için rulet

tekerleği seçimi, turnuva seçimi gibi seçme yöntemleri vardır.

4. Adım: Yeni bireylere yer açmak için eski bireyler ortadan kaldırılır. Eski bireyler
çıkartılarak sabit büyüklükte bir nüfus sağlanır.

5. Adım: Tüm bireylerin uygunlukları tekrar hesaplanır. Tüm bireyler yeniden

hesaplanarak yeni nüfusun başarısı bulunur.

6. Adım: GA, defalarca çalıştırılarak çok sayıda nüfus oluşturulup hesaplanır. Eğer
zaman dolmamışsa 3. adıma gidilir.

7 . Adım: O ana kadar bulunan en iyi birey sonuçtur. Çünkü nüfusların

hesaplanmasında en iyi bireyler saklanmıştır [Korukoğlu, 2003].

4.2.3. Uzman sistemler (US)

Uzman sistemler 1960’larda, J.Lederberg’in spektrograf verilerini bilgisayarla

yorumlama çabaları sonucu ortaya çıkmış, yapay zekânın problem çözme alanı dışına
taşarak yeni bir dal haline gelmiştir. Uzman sistemler belirli bir alanda sisteme
girilen verileri yorumlayarak karar verme işlemlerini modelleyen programlardır.

US’ler parasal analiz, mühendislik, tıp başta olmak üzere pekçok alanda günümüzde
aktif olarak kullanılmaya başlanmıştır. US’lerin genel yapısı şekil 4.7’de verilmiştir.

Bilgi tabanında bilgiler genel olarak kurallar; (EĞER-İSE), bilinen gerçekler, bilgi
sınıfları, prosedürler ve algoritmalar şeklindedir.

Uzmanların bilgi ve tecrübesinden yararlanarak oluşturulan US’lerin en önemli

yararları şunlardır [Baraçlı ve Kulak, 2000];
 60

• Uzmanlardaki yorgunluk ve stres sebebiyle sürekli yüksek verimde

çalışamamalarının aksine, her an hazırdırlar ve muntazam bir şekilde çalışırlar.
Yüksek performans, uygun yanıt süresi, yüksek güvenilirlik, anlaşılabilirlik ve
esneklik gibi kaliteyi arttıran genel karakteristiklere sahiptirler.

• Kullanıcıya, sistemin sonuç çıkarma yöntemini açıklaması ve o konudaki

uzmanlığı rahat ve kolay bir şekilde sunarak yardımcı olması itibariyle zeki bir
öğreticidir.

• Tasarımın tutarlığını bir organizasyon dahilinde geliştirir.

• Problem çözümünde hataları azaltır.

• Mühendislik analizi için geliştirilmiş yazılımlara uyumludur.

• İçerik, eleman ve materyalin en uygun seçimi için geniş bilgi bankasını kısa
sürede tarar ve çok fazla miktardaki bilgiyi, belirli bir uygulama problemin
çözümü için beceriyle kullanırlar.

UZMAN
BİLGİ TABANI BİLGİ KAZANMA (BİLGİ
MODÜLÜ GÜNCELLEME)

VERİ
TABANI
MANTIKSAL YARDIMCI
ÇIKARIM YORUMLAMA
MODÜLÜ MODÜLÜ

VERİ SONUÇLAR
GİRİŞ

Şekil 4.7. Uzman Sistemlerin genel yapısı [Toktaş, 2003]

Bunların yanında uzman sistemlerin bazı kısıtlamaları vardır.

• Bugün US’leri geliştirmedeki en önemli darboğazlardan birisi bilginin

toplanması ve uzmandan alınması problemidir. Uzman sahip olduğu bilgileri,
 61

tecrübesini, yeteneklerini kurallar halinde ortaya koyamayabilir. Bunların bir

kısmının kurallar halinde programlanması söz konusu da olamayabilir. Bilgi
edinme işlemleri konusunda oldukça yoğun bir araştırma süre gelmektedir.

• Bir US genelde, bilgiyi sembolik olarak ifade eder, kıyaslama işlemini inceler
ve açıklar, ayrıca probleme ait alanları belirler. Bu işlemi yapacak bir uzmanın
uzun bir süre ileri düzeyde bir eğitim alması ve yıllarca bu konuda tecrübe
edinmesi gerekecektir ki bu da oldukça maliyetli ve zaman alıcı bir iştir. Bunun
yanında, bir US'in uygunluğu, bir problem karşısında konunun uzmanı tarafından
çıkarılan sonuca yakınlığı ile ölçülür.

US, veritabanında bulunan bilgiler ve bu bilgilerin yerleştirilmesi için gerekli işlemin

özelliği ile kısıtlıdır. Bilgi tabanında kesin olarak belirlenmemiş yeni durumlar
ortaya çıktığında probleme çözüm üretilemez. Yani problemi çözmek için gerekli
bütün bilgiler sınırları ile önceden bilinmelidir. Diğer bir deyişle, elde mevcut olan
durum bilgi tabanındaki EĞER-İSE şeklinde tasarlanmış kuralların EĞER
kısmında belirtilen durumlara %100 uyum sağlamaz ise problemlere çözüm
getirilemez. Mesela oda sıcaklığı 20 derece olduğunda termostatın kapanması
istendiğinde oda sıcaklığı 19,9999 olsa bile sistem termostatı kapat önerisi
vermez. Hayatta her şeyi böyle kesin sınırları ile söylemek mümkün değildir.
Yüksek, alçak, yaklaşık olarak, tahmini olarak, yeterince vb. gibi sıfatlara
uzmanların bilgilerini anlatırken oldukça fazla rastlanır. Bunların yorumu ise
kişiden kişiye değişmektedir [Denning, 1986].

Bu sebeple, US'ler beklenmeyen durumlarda önemli açıklar verebilirler. Ayrıca

programdaki hataları bulmak için yapılan testlerin de doğal olarak güvenilmez olduğu
söylenmektedir. Bu kısıtlamaların yanı sıra uzman sistemler için sahip olunan ortak
kanı, beklenmeyen durumlar için yaratıcı yanıt bulma, öğrenme ve algılama
yoluyla tecrübe vb. özelliklere sahip olmama gibi dezavantajları da vardır.

US’lerin kullanıldığı uygulama alanları fonksiyonlarına göre; teşhis, sınıflandırma,

seçim, veri analiz ve yorumu, analiz, tasarım, tahmin, simülasyon, izleme,
 62

danışmanlık, zeki yardım-destek, planlama ve programlama, kontrol ve eğitim

olarak sınıflandırılmıştır [Geren ve Baysal, 2001].

Bir tasarım uygulamasında kullanılması planlanan bir uzman sistem geliştirme

aracı aşağıda verilen özellikleri sağlamalıdır [Denning, 1986].

• Kullanıcıya sonuç alma işlemi süresince soru sorma kabiliyeti ve sonuç

alma işleminin her adımı için nedenlerin kullanıcı tarafından belirlenmesine
izin veren bir açıklama mekanizması,

• Sonuç çıkarma işleminin kullanıcı tarafından kolaylıkla kontrolü için

mekanizmalar (arama yönü vs: ileri doğru (forward) veya geriye doğru
(backward) araştırma kabiliyeti),

• Bilgi tabanının grafiksel gösterimi,

• Çakışan veriler bulunduğunda kullanıcıyı uyarabilme ve kurallara öncelik ve

ağırlık verme kabiliyeti,

• Karşılıklı etkileşim kabiliyetleri, kullanıcıya her bir kural ve veriye, çoklu

özellikleri açıkça belirtmesine olanak sağlayan çerçeve (frame) tabanlı bilgi
temsil şemasının istenilir olduğuna işaret etmektedir.

Tasarım uygulamalarında uzman sistemler, tasarımcının aktivitelerini modeller,

tasarımcının bilgi birikimini tasvir eder ve tasarımcıya yardımcı olacak sistemleri
veya tasarım yapacak sistemlerin kurulmasını içerir [Brown, 1997].

4.2.4. Yapay sinir ağları (YSA)

Yapay sinir ağları düşüncesi, beyin çalışma biçiminin bilgisayarlara adapte edilmesi
fikri ile ortaya çıkmış ve ilk çalışmalar beyni oluşturan biyolojik hücrelerin
 63

(nöronların) matematiksel olarak modellenmesi üzerine yoğunlaşmıştır.

YSA biyolojik sinir sistemini bilgisayar ortamında canlandırmak amacıyla tasarlanan

bir programdır. Bu programı daha iyi anlayabilmemiz için önce biyolojik sinir
sistemini ve bu sistemi oluşturan sinir hücresini tanımamız gerekmektedir.

YSA da çeşitli yollarla birbirine bağlı birimlerden oluşmuş topluluklardır. Her birim
iyice basitleştirilmiş bir nöronun niteliklerini taşır. Nöron ağları sinir sisteminin
parçalarından olup, olanı biteni taklit etmekte, işe yarar ticari cihazlar yapmakta ve
beynin işleyişine ilişkin genel kuramları sınamakta kullanılır. Sinirsel ağ içindeki
birimler, herbirinin belli işlevi olan katmanlar şeklinde örgütlenmiştir ve bu yapıya
YSA mimarisi denir.

YSA’ların temel yapısı, bilgisayarın yapısından daha fazla bir beynin çalışma
yapısına benzemektedir. Yine de gerçek nöronlar kadar karmaşık bir yapıya sahip
değildirler ve ağların çoğunun yapısı, beyin kabuğundaki bağlantılarla
karşılaştırıldığında büyük ölçüde basit kalmaktadır. Günümüzde, sıradan bir
bilgisayarda, beynimizdeki sinir ağı yapısının akla uygun bir sürede taklit
edilebilmesi için bu ağın son derece küçük olması gerekiyor. Gittikçe daha hızlı ve
daha komplike çalışan bilgisayarlar piyasaya çıktıkça zamanla gelişmeler
sağlanacaktır.

YSA daki her bir işlem birimi, basit anahtar görevi yapar ve şiddetine göre, gelen
sinyalleri keser ya da iletir. Böylece sistem içindeki her birim belli bir yüke sahip
olmuş olur. Her birim sinyalin gücüne göre açık ya da kapalı duruma geçerek basit
bir tetikleyici görev üstlenir. Yükler, sistem içinde bir bütün teşkil ederek, karakterler
arasında ilgi kurmayı sağlar. YSA araştırmalarının odağındaki soru, yüklerin,
sinyalleri nasıl değiştirmesi gerektiğidir. Bu noktada herhangi bir formdaki bilgi
girişinin, ne tür bir çıkışa çevrileceği, değişik modellerde farklılık göstermektedir.
Diğer önemli bir farklılık ise, verilerin sistemde depolanma şeklidir. Nöral bir
tasarımda, bilgisayarda saklı olan bilgiyi, tüm sisteme yayılmış küçük yük
birimlerinin birleşerek oluşturduğu bir bütün evre temsil etmektedir. Ortama yeni bir
 64

bilgi aktarıldığında ise, yerel büyük bir değişiklik yerine tüm sistemde küçük bir
değişiklik yapılmaktadır.

YSA beynin bazi fonksiyonlarını ve özellikle öğrenme yöntemlerini benzetim yolu

ile gerçekleştirmek için tasarlanır ve geleneksel yöntem ve bilgisayarların yetersiz
kaldığı sınıflandırma, kümeleme, duyu-veri işleme, çok duyulu makine gibi alanlarda
başarılı sonuçlar verir. YSA özellikle tahmin problemlerinde kullanılabilmesi için
çok fazla bilgi ile eğitilmesi gerekir. Ağların eğitimi için çesitli algoritmalar
geliştirilmiştir.

Günümüzde sinirsel ağ uygulamaları ya geleneksel bilgisayarlar üzerinde yazılım

simülatörleri kullanılarak veya özel donanım içeren bilgisayarlar kullanarak
gerçekleştirilmektedir. Kredi risk değerlemesinden imza kontrolü, mevduat tahmini
ve imalat kalite kontrolüne kadar uzanan uygulamalar yazılım paketlerinden
faydalanılarak yapılmaktadır.

Doğal sinir hücresi ve yapısı

YSA, insan beyninin bi sinir hücresine benzetilerek, onun fonksiyonlerını taklit

etmeye çalışan bir programdır. Bir insan beyninde 1011 nöron ve her bir nörona ait
104 bağlantı bulunur. Sonuçta beyin son derece verimli bir yapıdır. Özellikle beynin
enerjik verimliliği, her saniyede her bir işlem için yaklaşık 10-16 joule’dur, bu değer
bugünün en iyi bilgisayarlarında yaklaşık 10-6 joule’dur. Her nöron vücuttaki diğer
hücreler ile birlikte ortak birçok karakteristikler paylaşırlar. Ayrıca nöronlar, beynin
haberleşme sistemini oluşturarak sinyal alma, işlem yapma, ve sinyallarin sinir ağları
içinde iletimini sağlarlar [Türkoğlu, 2008]. Sinir sisteminin en küçük birimi nöronun
biyolojik yapısı Şekil 4.8’de görülmektedir.

Bir sinir hücresinin bölümleri ve görevleri, YSA oluşturulurken esas alınacaktır.

Sinir hücreleri sinir sistemi içerisindeki görev ve yerine bağlı olarak farklı
büyüklükte olabilir.
 65

Şekil 4.8. Bir sinir hücresinin biyolojik yapısı [Söğüt, 2009]

Nöron, bir çekirdek ve gövdeden oluşur, çevresinde dentrit ve akson olmak üzere
iki türlü uzantı bulunur. Dentritler, kısa ve dallanmış uzantılar olup, görevleri
hücreye dışarıdan gelen bilgileri (sinyalleri) almaktır. Diğer uzantı ise aksondur.
Bunun görevi, çıkış bilgilerini diğer nöronlara taşımaktır. Akson tek bir uzantı
olmasına rağmen diğer nöronlarla birleşme esnasında dallara ayrılarak iki veya
daha fazla dentrit'e de sinyal gönderebilir. Sinyal ilk anda elektronik bir kavramı
hatırlatmasına rağmen bu mucizevî yapı içerisindeki görevi açısından çok
yerinde bir terimdir. Çünkü bilgilerin nöronlar arasında elektrik sinyalleri halinde
aktarıldığı belirlenmiştir.

Hücreler elektrik sinyalini hücre duvarındaki voltajı değiştirerek üretirler. Bu ise

hücrenin içinde ve dışında dağılmış bulunan iyonlar vasıtasıyla olur. Bu iyonlar;
sodyum, potasyum, kalsiyum ve klor gibi iyonlardır. Bir hücre diğer bir hücreye
elektrik enerjisini bu kimyasal iyonlar vasıtasıyla transfer eder. Bazı iyonlar
elektriksel ve manyetik kutuplaşmaya sebep olurken bazıları kutuplaşmadan
kurtulup hücre zarını açarak iyonların hücreye geçmesini sağlar. Sinyallerin bir
hücreden diğerine akmasını sağlayan da bu kutuplaşmanın azalmasıdır.
Sinyaller hücrelerin etkinliğini (dürtüsünü) belirler. Bir hücrenin etkinliği,
hücreye gelen synaps sayısı, synaps'lardaki iyonların konsantrasyonu ve bir de
synaps'ın sahip olduğu güç olmak üzere üç faktöre bağlıdır. Bir hücre sahip olduğu
 66

dürtü miktarmca diğer hücreleri etkiler. Bazı hücreler diğerlerinin dürtülerini

pozitif yönde bazı hücreler de negatif yönde etkiler [Toktaş, 2003].

Akson ve Dentrit'in birleşim yerine Synaps adı verilir. Bunlar diğer

nöronlardan aldığı sinyalleri kontrol ederler ve duruma göre bir sonraki hücreye
iletirler. Bir nöronun kendi aksonu ile birleşme yerine ise Soma adı verilir.

Yapay sinir ağı hücresi

Temel bir yapay sinir ağı hücresi biyolojik sinir hücresine göre çok daha basit bir
yapıya sahiptir. En temel nöron modeli aşağıdaki şekilde görülmektedir. Yapay sinir
ağı hücresinde temel olarak dış ortamdan ya da diğer nöronlardan alınan veriler yani
girişler, ağırlıklar, toplama fonksiyonu, aktivasyon fonksiyonu ve çıkışlar
bulunmaktadır. Dış ortamdan alınan veri ağırlıklar aracılığıyla nörona bağlanır ve bu
ağırlıklar ilgili girişin etkisini belirler. Toplam fonksiyonu ise net girişi hesaplar, net
giriş, girişlerle bu girişlerle ilgili ağırlıkların çarpımının bir sonucudur. Aktivasyon
fonksiyonu işlem süresince net çıkışını hesaplar ve bu işlem aynı zamanda nöron
çıkışını verir. Genelde aktivasyon fonksiyonu doğrusal olmayan (nonlineer) bir
fonksiyondur. Şekilde görülen b bir sabittir, bias veya aktivasyon fonksiyonunun eşik
değeri olarak adlandırılır. Nöronun matematiksel modeli şekil 4.9’deki gibidir.

Çıkış, o = f (W.X + b)

şeklinde nöron çıkışı hesaplanır. Buradaki W ağırlıklar matrisi, X ise girişler

matrisidir. n giriş sayısı olmak üzere;

W= w1,w2, w3, ...., wn

X = x1, x2, x3, ..., xn

Şeklinde yazılabilir. Formülize edersek;

n
net = ∑w x
i =1
i i + b ve o = f (net) (4.1)
 67

n
o = f (∑ wi xi + b) (4.2)
i =1

şeklinde de yazılabilir.

Yukarıdaki formülde görülen f aktivasyon fonksiyonudur. Genelde nonlineer olan

aktivasyon fonksiyonunun çeşitli tipleri vardır [Keleşoğlu ve Fırat, 2006].

b ±1

x1 w1
x2 w2
w3 f o
x3 Σ
wn
xn

Şekil 4.9. Temel yapay sinir ağı hücresi

Yapay sinir ağı ve yapay nöron modelinin yapısı

Yapay nöronlar biyolojik (doğal) nöronları, girdi, işlem, çıktı gibi görevler
açısından taklit eder. YSA, girdi katmanı, gizli katman(lar) ve çıktı
katmanından oluşur (Şekil 4.10).

Çıktı katmanı hariç bütün katmanların nöronları bir sonraki katmandaki

nöronların hepsine, belli ağırlık değerlerine sahip bağlarla bağlıdır. Her nöron,
kendisine gelen girdiyi aktivasyon fonksiyonuna aktararak kendi çıktısını üretir.
Toplam girdi miktarı, bir nörona gelen bütün girdilerin, kendi ağırlık değerleriyle
çarpılıp toplanmasıyla bulunur.

Şekil 4.10’de basit şekil’de gösterildiği gibi, gizli katmana girdi katmanı yoluyla
girilen bilgiler, gizli katmandaki hücrelere(nöron) iletilir, sinir ağlarında kaç tane
gizli katman kullanılacağı ve her bir gizli katmanda kaç nöron olacağı günümüze
kadar belirlenememiştir, bu sayı deneme yanılma yoluyla bulunur. Gizli katmanda
 68

işlenen bilgiler buradan çıkış katmanına aktarılır. Çıkış katmanın da düzenlenen

bilgiler çıktı olarak kullanılırlar [Keleşoğlu ve Fırat, 2006].

ÇIKTI

GİRDİ KATMANI GİZLİ ÇIKIŞ KATMANI

KATMAN(LAR)

Şekil 4.10. Yapay Sinir Ağı yapısı

Gizli katman sayısının belirlenmesinde takip edilecek genel kurallar şunlardır:

• Girdi verisi ve istenilen çıktı arasındaki ilişkinin karmaşıklığı artınca, gizli

katmanlardaki işleme elemanlarının sayısı artmalıdır.

• Süreç, çok aşamalı ise fazla sayıda gizli katman kullanılmalıdır,

• Sistem içindeki eğitim verisi miktarı, gizli katmandaki işleme elemanlarının

sayısı için üst bir sınır oluşturmaktadır.

Bir ağ oluşturmak için yukarıdaki belirtilen kurallar uygulandıktan hemen sonra,

öğretme süreci başlar. Bu süreçte eğitim verisi ağın giriş katmanına uygulanır ve
istenen çıktılar çıkış katmanında karşılaştırılır, öğrenme süreci esnasında, ağ boyunca
bir ileri tarama yapılır ve bir düğümün çıktısı katman katman hesaplanır. En son
katmanın çıktısı ve istenilen çıktı arasındaki fark, genellikle aktarım işlevinin
türevi tarafından değiştirilen bir önceki katmana geri yayılır ve bağlantı bağıl değerleri
Delta kuralını kullanarak ayarlanır. Bu kurala göre beklenen çıktı ile gerçekleşen
 69

çıktı arasındaki farklılığı azaltmak için YSA'nın elemanlarının bağlantılarının

ağırlık değerlerinin sürekli değiştirilmesi ilkesine dayanarak geliştirilmiştir. Ağın
ürettiği çıktı ile üretilmesi gereken çıktı arasındaki hatanın karelerinin ortalamasını en
aza indirmek hedeflenmektedir [Civelek, 1997].

YSA'lar, giriş ve çıkışları olan kara kutular gibi düşünülebilirler. Bu kara

kutunun işlevi, basitçe, matematiksel bir fonksiyonu temsil etmek şeklinde
açıklanabilir. Ama aslında bu fonksiyonun tam olarak bir matematiksel
karşılığının olması gerekmez. YSA’daki her bir işlem birimi, basit anahtar
görevi yapar ve şiddetine göre, gelen sinyalleri söndürür ya da iletir. Böylece sistem
içindeki her birim belli bir yüke sahip olmuş olur. Her birim sinyalin gücüne göre
açık ya da kapalı duruma geçerek basit bir tetikleyici görev üstlenir. Yükler,
sistem içinde bir bütün teşkil ederek, karakterler arasında ilgi kurmayı sağlar. Yapay
sinir ağları araştırmalarının odağındaki soru, yüklerin, sinyalleri nasıl değiştirmesi
gerektiğidir. Geliştirilen YSA modellerinin temel bileşenleri şunlardır (Şekil 4.11).

Girdiler
Ağırlıklar
Birleşme (Toplama) Fonksiyonu
Transfer (Aktivasyon) Fonksiyonu
Çıktı

bk
X1 W1
X2 s1 Çıktılar
W2 h(s1)
.
. Birleştirme Aktivasyon
Fonksiyonu Fonksiyonu
.
Wn
Xn

Şekil 4.11. YSA modellerinin temel bileşenleri [Söğüt, 2009]

 70

a. Girdiler

Girdiler, diğer hücrelerden ya da dış ortamlardan hücreye giren bilgilerdir.

b. Ağırlıklar

Bilgiler, bağlantılar üzerindeki ağırlıklar üzerinden hücreye girer ve ağırlıklar, ilgili girişin
hücre üzerindeki etkisini belirler. Ağırlıklar bir nöronda girdi olarak kullanılacak
değerlerin göreceli kuvvetini (matematiksel katsayısını) gösterir. Yapay sinir ağı içinde
girdilerin nöronlar arasında iletimini sağlayan tüm bağlantıların farklı ağırlık değerleri
bulunmaktadır. Böylelikle ağırlıklar her işlem elemanının her girdisi üzerinde etki
yapmaktadır.

c. Birleştirme fonksiyonu

Birleştirme fonksiyonu, bir hücreye gelen net girdiyi hesaplayan bir fonksiyondur ve
genellikle net girdi, girişlerin ilgili ağırlıkla çarpımlarının toplamıdır. Birleştirme
fonksiyonu, ağ yapısına göre maksimum alan, minimum alan ya da çarpım fonksiyonu
olabilir.

v = Σxi wi + θ , (4.3)

y = F (v) (4.4)

w: Hücrenin ağırlıklar matrisi

x: Hücrenin giriş vektörü
v: Hücrenin net girişi
y: Hücre çıkışı

d. Aktivasyon fonksiyonu

• Transfer fonksiyonu olarak da geçen aktivasyon fonksiyonu, birleştirme

 71

fonksiyonundan elde edilen net girdiyi bir işlemden geçirerek hücre çıktısını
belirleyen ve genellikle doğrusal olmayan bir fonksiyondur.

• Hücre modellerinde, hücrenin gerçekleştireceği işleve göre çeşitli tipte aktivasyon

fonksiyonları kullanılabilir.

• Aktivasyon fonksiyonları sabit parametreli ya da uyarlanabilir parametreli seçilebilir.

En uygun aktivasyon fonksiyonu tasarımcının denemeleri sonucunda belli olur.

• Aktivasyon fonksiyonunun seçimi büyük ölçüde yapay sinir ağının verilerine ve ağın
neyi öğrenmesinin istendiğine bağlıdır.

• Aktivasyon fonksiyonları bir YSA’da nöronun çıkış genliğini, istenilen değerler

arasında sınırlar. Bu değerler genellikle [0,1] veya [-1,1] arasındadır.

• YSA’ da kullanılacak aktivasyon fonksiyonlarının türevi alınabilir olması ve

süreklilik arz etmesi gereklidir. Lineer veya doğrusal olmayan transfer
fonksiyonlarının kullanılması YSA’ların karmaşık ve çok farklı problemlere
uygulanmasını sağlamıştır.

e. Çıktı

Aktivasyon fonksiyonundan geçirildikten sonra elde edilen değer, çıktı değeridir.

Yapay sinir ağlarının çalışma stratejileri

Bir problem YSA’çeşitli şekillerde çözülebilir;

1. ilk seçenek öğrenme mekanizması üzerindedir. Literatürde iki tip öğrenme

stratejisinden bahsedilmektedir. Bunlar öğreticili öğrenme ve öğreticisiz
öğrenme olarak isimlendirilmektedir [Haykin, 1994 ]. Örneğin fizik kurallarının
 72

öğrenilmesi yaşantıya bırakıldığında öğrenme süreci uzun ve öğrenme tam

olamayacağı için önceden belirlenen kurallar bir öğretici tarafından öğretilir, bu
öğreticili öğrenme. Oysa bir bebeğin yürümesi öğretici gerektirmeyen, zaman,
deneme yanılma, ve gelişim sürecine bağlı olarak gelişen bir olgudur, bu ise
öğreticisiz öğrenme dir.

2. YSA’ları çalışma yöntemi olarak kendilerine verilen bilgiler doğrultusunda

bir sonuca ulaşabilen sistemlerdir. Verileri alır, önceki girdilerle kıyaslar ve
bir sonuç üretirler. Bunu yaparken iki tip ağ yapısından birini
kullanmaktadırlar. Birincisi ileri sürümlü ağ yapısıdır (Şekil 4.12). İkincisi
geri beslemeli ağ yapısıdır (Şekil 4.13).

GİRD İ KATMANI ÇIKIŞ KATMANI

x(t) f (w.x) o(t)

Şekil 4.12. İleri sürümlü ağ

GİRDİ ÇIKIŞ KATMANI

x(t) f (w.x) o(t)

o(t)
Gecikme Δ

Şekil 4.13. Geri beslemeli ağ

En basit ve en genel yapay sinir ağları ileri sürümlü sinir ağlarıdır ve tek yönlü
sinyal akışını kullanırlar. İleri beslemeli yapay sinir ağlarında gecikmeler yoktur,
 73

işlem girişlerden çıkışlara doğru ilerler. Çıkış değerleri öğreticiden alınan istenen
çıkış değeriyle karşılaştırılarak bir hata sinyali elde edilerek ağ ağırlıkları
güncellenir.

Geri beslemeli yapay sinir ağlarında ise tıpkı kontrol uygulamalarında olduğu
gibi gecikmeler söz konusudur. Geri beslemeli nöral ağ, çıkışlar girişlere
bağlanarak ileri beslemeli bir ağdan elde edilir. Ağın t anındaki çıkışı o(t) ise, t +
Δ anındaki çıkışı ise o(t+ Δ)’dır. Buradaki Δ sabiti sembolik anlamda gecikme
süresidir. İleri beslemeli yapay sinir ağları notasyonu kullanılarak o(t+Δ) şöyle
yazılabilir.

o(t+Δ) = f [W.o(t)] (4.5)

bu formül aşağıdaki şekilde ifade edilmiştir. Dikkat edilmesi gereken nokta

başlangıç anında x(t)’ye ihtiyaç duyulmasıdır. Başlangıç anında o(0) = x(0)’dır.

3. Diğer önemli seçenek öğrenme algoritmasıdır. Öğrenme algoritması, öğrenme

olayını matematiğin kuralları ile ölçülebilir büyüklüklere dönüştürerek bir
ölçülebilir başarı değeri oluşturulmasına ve ölçülebilirliğin zaman içerisinde
arttırılmasını ya da bir maliyet ölçütünün oluşturulmasına ve bu ölçütün zaman
içerisinde azaltılmasını sağlayacak parametre değişikliklerinin
hesaplanmasına dayanırlar.

4. Bir başka seçenek ise parametre güncelleme işleminin zamanlamasıdır. Burada

problemin dayattığı fiziksel gerçekliğin, zamanlamanın seçimi üzerinde bir koşul
oluşturabileceği vurgulanmalıdır. Öğreticili öğrenme yaklaşımında parametre
güncelleme işlemi, normal çalışma esnasında, anlık gözlemlerden elde edilen
bilgi ile yapılıyorsa buna eşzamanlı öğrenme denir. Eğer sinir ağı daha
önceden belirlenen bir giriş/çıkış eşleştirmesini gerçeklemeye çalışıyorsa buna da
zamandan bağımsız öğrenme denir [Piche, 1994].
 74

5. Parametre güncelleme iki şekilde yapılabilir. Eğer ağ parametreleri, eğitim

çiftlerinin tamamının ağ üzerinden geçirilip her bir geçişte hesaplanan
değişim miktarlarının toplamı ile güncelleniyorsa toplumsal, her bir eğitim
çifti için hesaplanan değişim miktarı o anda uygulanıyorsa bireysel
güncellemeden bahsedilir [Efe ve Kaynak, 2000].
 75

5. YAPAY ZEKÂ YARDIMI İLE REDÜKTÖR SEÇİMİ

Bu çalışmada, temel tasarım değişkenlerine göre, bir redüktör kataloğundaki 1200

adet redüktör içinden en kısa sürede ve en uygun redüktör seçilmesi amaçlanmıştır.
YSA tabanlı programlar ile oluşturulan veri tabanı için. “Yılmaz Redüktör”
firmasının kataloğu esas alınmıştır. Çalışmada, Qwiknet 2.23 programı kullanılarak
önce YSA öğrenme düzeyi tespit edilmiş, daha sonra öğrenmenin yeterli olup
olmadığı kontrol edilmiştir.

Bir firmaya ait katalogların kullanımında kolaylık sağlamak ve katalogda değerleri

listelenmemiş redüktör seçim verilerinin katalog içinde bulunabilmesi amacıyla
kullanılacak YSA tabanlı ve geri yayılma algoritmalı (GYA) bir modelleme
oluşturulmuştur. Redüktör seçiminde kullanılan sistem modeli; ihtiyaç ve
sınırlandırma verileri, geri yayılma algoritmalı YSA programı (öğretme seti ve test
seti), ara yüz programı, olmak üzere üç ana aşamadan oluşmaktadır.

Araştırma kapsamında ele alınan ihtiyaç ve sınırlandırma verileri, ilgili firmanın

(Yılmaz Redüktör) kataloglarından alınmıştır. Model sınırlandırmaları katalog
değerleri çerçevesinde yapılmıştır. Veriler, program veri tabanı oluşturmak amacı ile
Excel ortamına aktarılmış ve bu verilerle Excel’in formül yazma, özelliğinden
faydalanılarak hazırlanan veritabanı ile teorik hesap analizleri yapılarak,
redüktörlerin temel elemanları dişli çarklardan oluşan dişli sistemlerinin YSA
modelinde kullanılmak üzere alternatif eğitim ve test setleri oluşturulmuştur.
Kullanılan YSA program özellikleri dikkate alınarak Excel sayfasında oluşturulan
veri tabanından, eğitim ve test setleri NotePad programına aktarılarak text dosyası
haline getirilmiş ve eğitim ve test seti dosyaları oluşturulmuştur. YSA modelleme
programı olarak Qwiknet programı kullanılmış, kullanılan programın kullanım
kolaylığının arttırılması amacı ile Delphi programı kullanan bir ara yüz
oluşturulmuştur. Program kullanımı esnasında geri yayılmalı ağ yapısından
faydalanılmış, sistemde tek gizli katman (beş nöronlu) oluşturulmuştur. Program
çalıştığında, öğrenme etkinlik katsayısının 0,98 düzeylerinde olduğu görülmüş, bu
 76

nedenle gizli katman sayısının arttırılmasına ve öğretme algoritmasının

değiştirilmesine gerek duyulmamıştır.

Program çalıştırılmadan önce redüktör katalog verilerinden alınan 1200 satırlık veri
tabanı içinden 0.12-37 kW’lık güç gruplarından grupların her birini kapsayacak
şekilde 500 satırlık veri öğrenme seti olarak kullanılmış ve öğrenme setinde
kullanılmayan 100 satırlık veri test seti olarak kullanılmıştır. Girdi değerleri olarak
redüktör giriş gücü (Pg, kW) çıkış devri (n2, dev/dak) ve çevrim oranı (i)
kullanılmış, çıktı değeri olarak çıkış momenti (M2, Nm) kullanılmıştır. Program
çalıştırılıp test sonuçları Excel grafik programı ile değerlendirildiğinde elde edilen
sonuç Şekil 5.8’de gösterildiği gibidir. Bu grafikte de görüldüğü gibi, pratikte elde
edilen sonuçlarla (redüktör katalog verileri) YSA tabanlı geri yayılma algoritmalı
modellerden elde edilen sonuçlar birbirine çok yakındır.

5.1. Yapay Zeka Yardımı İle Redüktör Seçimi İçin Gerekli Veri Tabanının
Oluşturulması

Katalogda bulunan monoblok gövdeli redüktörler bölümünden, 1200 adet redüktör

ve bilgilerini içeren veri tabanı Excel ortamı Şekil 5.1’de gösterildiği gibi
hazırlanmıştır.

Kataloğun, monoblok gövdeli redüktörler bölümü veri tabanı, motor güç değerleri,
redüktör çıkış devri (n2), redüktör çıkış momenti (M2), çevrim oranı, güvenli radyal
yük değerleri, servis faktörü ve redüktör tipi sütunlarından oluşmaktadır.

Bu bölümdeki veriler incelendiğinde, bir satır içerisindeki etkileşimli verilerin temel

eşitlik (Bkz.Eş.3.47) ile yapılan hesaplama sonucu elde edilen veriler ile tutarsızlık
gösterdiği görülmüştür. Firma yetkilileri ile kurulan temas sonucu, güvenliği yüksek
tutmak amacı ile çıkış momenti değerlerinin kataloğa farklı yansıtıldığı anlaşılmış ve
verilen değerlerden yola çıkılarak veri tabanında kullanılmak amacıyla Şekil 5.2’de
gösterilen yeni veriler oluşturulmuştur. Elde edilen yeni değerler ile veri tabanı
 77

Şekil 5.1. Excel ortamında hazırlanmış redüktör katalog verileri (Yılmaz Redüktör)

genişletilmiş, çıkış devri ve iletme oranına bağlı olarak giriş devri, dişli ve yatak
verim kayıpları ilave edilerek çıkış momentini etkileyecek toplam verim yeniden
hesaplanmıştır. Toplam verim kullanılarak, eşitlik 3.47’den çıkış devri yeniden
hesaplanmıştır. Şekil 5.2’deki Excel sayfasında gösterildiği gibi bulunan momentin,
katalogdaki moment değerine bölünmesi ile de düzeltme katsayısı bulunmuş ve veri
tabanına eklenmiştir.

Şekil 5.2. Monoblok redüktör için düzenlenmiş yeni değerler

 78

5.2. YSA Eğitim Aşaması

Bu aşamada, girdi değerleri olarak, güç (Pg, kW), çıkış devri (n2, dev/dak) ve çevrim
oranı (i) kullanılmış ve bunlara göre M2 (Nm) çıkış momenti hesaplanmıştır.

Şekil 5.3’de gösterildiği gibi eğitim sürecinde, redüktör kataloğunu oluşturan tablo
içinden 0.12-37 kW veri gruplarını kapsayacak şekilde seçilen 500 adet veri seti
kullanılmıştır. Programın özelliği nedeni ile veriler text dosyası olarak programa
aktarılmış ve farklı bilgisayarlarda yapılan öğretme çalışmaları sonucu, öğrenme
düzeyinin (R²) 0,98 olduğu görülmüştür. (Şekil 5.4).

Şekil 5.3. Text dosyası olarak öğrenme seti

 79

Şekil 5.4 Qwiknet programı veri seti yükleme kullanıcı arayüzü

Şekil 5.5’de gösterildiği gibi sistemin öğrenmesinde bir gizli katman ve bu katmanda
5 nöronlu geri yayılmalı ağ sitemi kullanılmıştır. Bu sistemde 3 girdi ve 1 çıktı değeri
mevcuttur.

Şekil 5.5 3:5:1 yapılı geri yayılma algoritmalı yapay sinir ağları
 80

Modellenen parametrelerin giriş, gizli bölge ve çıkış katmanlarındaki ağırlık

katsayıları Tablo 5.1’de verilmiştir.

Çizelge 5.1. Giriş, gizli bölge ve çıkış bölgesindeki bağlantı ağırlık katsayıları

Gizli Bölge Nöron Numarası

Giriş Katmanı
1 2 3 4 5
Bias 1.548 -22.417 -0.559 0.765 -4.206
Motor gücü -37.674 12.614 2.673 -3.899 1.359
Çıkış devri 2.522 2.800 -3.367 1.036 2.701
Çevrim oranı -35.668 -9.755 3.485 -3.026 -0.882
Gizli Bölge Nöron Çıkış Katmanı
Numarası
Çıkış Momenti (Nm)
Bias 23.847
1 -23.662
2 -4.752
3 5.398
4 -6.198
5 1.936

Programın, öğrenmeyi gerçekleştirme aşamasının ardından, Şekil 5.6’da görülen 100

veri satırından oluşan test seti kullanılarak Şekil 5.7’de gösterilen çıkış momentleri
elde edilmiştir.

Şekil 5.6. 100 satırlık test grubu

 81

Yapılan test sonucu elde edilen veriler, yapay sinir ağı programının bulduğu çıkış
momenti değerleri ile katalog değerlerini karşılaştırmalı olarak vermektedir. Şekil
5.7’de “Target1” sütununda redüktör kataloğu tablosunda verilen çıkış momenti
değerleri, “Output1” sütununda ise öğrenme işlemi sonucu programın bulduğu çıkış
momenti değerleri görülmektedir.

Şekil 5.7. YSA modelleme ve firma katalog çıkış momenti (M2) değer karşılaştırması

YSA programı kullanılarak elde edilen ve firma katalogundan alınan çıkış momenti
değerlerinin karşılaştırılması Şekil 5.8’de verilmiştir. Şekildeki yatay eksen,
katalogdan alınan çıkış momenti değerlerini; düşey eksen, test işlemi sonucu
program tarafından bulunan çıkış momenti değerlerini göstermektedir. Aynı satırda
bulunan katalog ve test çıkış momentlerinin çakışmaları nokta ile tespit edilmiş olup
bu noktaların ortalama değer doğrusuna yakınlıkları programın öğrenme başarısının
0.98 düzeyinde olduğunu göstermektedir.
 82

Şekil 5.8. YSA ve katalog çıkış momenti veri karşılaştırması

5.3. Arayüz Oluşturulması

Programın kullanımının kolaylaştırılması maksadı ile ara yüz oluşturularak kullanım

kolaylığı sağlanmıştır. Oluşturulan program, Delphi tabanlı olup, hazır program olan
Qwiknet programı ile bağlantılı olarak çalışması sağlanmıştır. Programın ara
yüzünde girdi değerleri olarak motor gücü, iletme oranı ve çıkış devri kullanılmıştır.

Şekil 5.9. Delphi programı arayüzü

 83

Programın oluşturulmasında kullanılan algoritma EK-10 da verilmiştir.

5.4. Delphi Tabanlı Programın Kullanılması ve Redüktör Seçimi

1. Exe dosyası ile programı çalıştırılır.

2. ”Giriş parametreleri oluştur” tuşu ile “giriş.text” dosyasında veri oluşturulur. Giriş
dosyası yeniden kaydedilir.
 84

3. ”QwikNet’i Çalıştır” tuşu ile program çalıştırılır.

4. Excel tablosu olarak oluşturulmuş veri tabanından, rasgele seçilerek

oluşturulmuş eğitim dosyası kullanılarak program eğitilir.
 85

5. ”Giriş parametreleri oluştur” tuşu ile oluşturulmuş giriş parametresi test verisi
olarak kullanılır.
 86

6. Sonuç “Sonuc.text” dosyasına kaydedilir.

 87

7. “Sonuç bul” tuşuna basıldığında redüktör seçimi yapılmış olur.

8. Oluşan son ekranda seçilen redüktöre ait tip tanımı belirtilmektedir.

88
 89

6. SONUÇ VE ÖNERİLER

Bu çalışmada oluşturulan YSA modeli değişik veri grupları için denenmiş olup
redüktör katalog verilerine çok yakın sonuçlar elde edilmiş olup modellemenin
redüktör katalog verilerine çok yakın sonuçlar verdiği görülmüştür.

Bu çalışmada, YSA tabanlı modelin aşağıdaki avantajları sağladığı görülmüştür:

• Geleneksel yazılım sistemlerinin yapısı, çözülecek probleme, programcının

seçeceği metodolojiye ve uygulama sırasındaki pek çok etkiye bağlıdır. Bu
farklılıklar nedeni ile redüktörlerin tasarımında, bazı değerler deneme yanılma
yöntemi ile verilip uygulamalar sonucu tekrar geri hesaplama yapılmakta ve her
değişken için aynı işlem tekrarlanmaktadır. Bu işlemler, sonuçta elde edilen
verilerin formüler sonuçlardan farklı değerlere sahip olmalarına neden
olmaktadır. YSA tabanlı sistemlerde farklı parametrelerle farklı çözümlere çok az
bir hata ile daha kısa sürede ulaşılmakta ve farklı kombinasyonlarda girilen giriş
parametreleri ile sonuca hızlı ulaşılmaktadır.

• YSA temelli sistemlerin, tablo yapısına sahip oluşumlar içinde arama yapmada
kullanılabilir olduğu; fakat YSA programları çıktı oluşturmada formüllerden
faydalanmayıp, yakınsama mantığı ile çalıştığından sonuç bulma hatalarının
giderilmesinde gerektiğinde uygun ağırlık değerlerinden faydalanılabileceği
görülmüştür.

• Tasarımı etkileyen birçok parametre olduğundan bu çalışmada ele alınan

örneklerde bazı kabuller yapılmış, firmadan kaynaklanan hesap hataları, basım
hataları ve güvenlik amaçlı yüksek değer girişleri doğru veri olarak
kabullenilmiş, tüm katalog içinde veri tabanı içinden 0.12-37 kW arası güç
grupları kullanılmış, katalog da güç, çıkış devri, çıkış momenti, çevrim oranı,
güvenli radyal yük, servis faktörü, anma akımı bilgileri bulunmasına rağmen
YSA programında giriş gücü, çıkış devri, çevrim oranı ve çıkış momenti
 90

değerleri kullanılmıştır. Bu kabullerin sınırları sistemi bozmayacak şekilde

genişletilip, YSA programlarının tablo yapısına sahip veriler kullanılarak,
redüktör seçilmesinden farklı alanlarda da kullanılabileceği sonucuna varılmıştır.

• Tabloyu oluşturan birimlerin, birbirleri ile matematiksel ilişkilerinin bulunması

sistem başarısını arttırdığı; bu nedenle, oluşturulan listelerin satır yapılarının
birbirleriyle uyumlu olmasının başarının artmasına yardımcı olacağı
düşünülmektedir.

Sonuç olarak, Yapay zeka teknikleri incelendiğinde, bu tip bir çalışmaya en uygun
tekniğin yapay sinir ağları olduğu görülmüş ve çalışmada yapay sinir ağları
kullanılmıştır. Bu çalışmada, bir firmaya ait redüktör veri katalogların kullanımında
kolaylık sağlamak ve katalogda değerleri listelenmemiş redüktörlerin katalog içinde
bulunabilmesi amacıyla kullanılacak YSA tabanlı bir modelleme oluşturulmuştur.
Redüktör seçiminin modellenmesinde, üç katmanlı (giriş katmanı, gizli katman, çıkış
katmanı), geri yayılma algoritmalı yapay sinir ağları modeli kullanılmıştır. Güç, çıkış
devri, çevrim oranı girdi olarak verilmiş; çıkış momenti ise çıkış değeri olarak
kullanılmıştır. YSA ile modellenen redüktör seçimi rasgele girdiğimiz redüktör
seçim parametreleri sonucunda uygun redüktörü seçebileceğimiz bir modelleme
oluşturulmuştur.

Yapay sinir ağı programları kullanılırken, eğitim bilgi seti belli bir kurala uygun
olarak oluşturulmalı ve girdi parametreleri uygun seçilmelidir. Bu, çıktı
hassasiyetinin artması ve buna bağlı olarak daha kararlı bir yapay sinir ağı modelinin
oluşturulması bakımından önemlidir. YSA programında kullanılan ağırlık
değerlerinin öğrenme oranını(R2) doğrudan etkilediği göz önünde bulundurulmalıdır.
YSA programının çalıştırıldığı bilgisayar sisteminin gücünün öğrenme oranına etki
ettiği dikkate alınarak, bu konuda yapılacak çalışmalarda sonucu olumlu yönde
etkileyeceği unutulmamalıdır.
 91

KAYNAKLAR

Abinov, A.G., “İnsan ve makine, 1”, Znaniye, Moskova, 48 (1989).

Akçakın, M., ”Zeka gerilikleri”, Önemli Psikolojik Bozukluklar Sempozyumu,

Sivas 32 (1988).

Akkurt, M., “Makine elemanları, I-II”, Birsen Yayınevi, İstanbul, 444-491 (2005).

Akkurt, M., “Makine elemanları, 1”, Birsen Yayınevi, İstanbul, 256-281 (1982).

Arslan, Y., “Bilgisayar yardımı ile tek kademeli düz, helis, konik dişli
mekanizmaları tasarımı” Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri
Enstitüsü, Ankara, 7-23 (1994).

Atkinson, R.L., Atkinson, R.C., Smith, E.E. ve Bem, D.J., “Introduction to

sychology”, 12 th Edition, Çeviri Yavuz ALOGAN , Arkadaş Yayınları, Ankara,
25-30 (1999).

Avcıl, Ö.A., “Dişli çarkların standartlara göre hesaplanması ve bilgisayar destekli

tasarımla kontrolü”, Yüksek Lisans Tezi, Yıldız Teknik Üniversitesi Fen Bilimleri
Enstitüsü, İstanbul, 42-85 (2006)

Aydemir, A., "Sonlu eleman gerilme analizinde fuzzy mantığı", Doktora Tezi,
Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya, 1-17 (2001).

Babalık F.C., Çavdar K. ve Karpat F., “Bilgisayar yardımıyla düz, helisel, konik ve
sonsuz vida dişli mekanizmalarının boyutlandırılması ve analizi” Mühendis Ve
Makine Dergisi, 510 (2002)

Baraçlı, H. ve Kulak, O., "Müşteri isteklerini ürün karakteristiklerine dönüştüren

bir uzman sistem yaklaşımı", 2000’li Yıllarda Uzay, Havacılık ve Savunma
Teknolojilerinin Öncelikleri Sempozyumu, İstanbul, 707-716 (1999).

Baysal, M.M. ve Geren, N., "Makine mühendisliğinde kullanılan ticari ve prototip

uzman sistem yazılımları", Makine Tasarım ve İmalat Teknolojileri Kongresi,
Konya, 241-251 (2001).

Brown, D.C. and Birmingham, W. P., "Understanding the nature of design",

IEEE Expert, 12 (2) : 14-16 (1997).

Brown, D.C. and Chandrasekan, B., "Expert systems for a class of design
activity", In Proceedings of the first International Conference on Applications
in Engineering, , UK, 17-20 (1986)

Chen, C.H., “Fuzzy logic and neural network handbook”, IEEE Press, 9: 17-20
(1996).
 92

Chen, M., "Expert system of designing cylindric gear transmission", Journal

o f Nanjing University of Science and Technology, 22 (5): 402-406 (1998).

Cholvy, L. and Fotsseau, J., “A cad object oriented and rule-based system",
Elsevier Science, 500-507 (1983)

Civalek, Ö., “The Analysis of time dependent deformation in r.c members by artifıcial
neural netvvork”,Journal of Pamukkale University Engineering Sci. 3: 321-335
(1997).

Deb, K., "A flexible optimization procedure for mechanical component design
based on genetic adaptive search", Journal of Mechanical Design Transaction
soft the ASME , 120: 161-164 (1998).

Denning, P. J., "Towards a sciense of expert systems", IEEE Expert,1: 80-83

(1986).

Duan, G., Zha, J., Lin, J. and Weng, Q., "Use of genetic algorithms in
designing movements of clocks and watches", Journal of Software, 9(7): 515-
519 (1998).

Duffey, M.R. and Dixon, J.R., “Automating the design of extrusions: A case study
in geometric and topological reasoning for mechanical design”, In Computers in
Engineering,1: 505-511 (1988)

Efe, Ö. ve Kaynak, O., ”Yapay sinir ağları ve uygulamaları, 1.cilt”, Boğaziçi

Üniversitesi Basımevi, İstanbul, 696, 3-5 (2000).

Erden, Z., "A Petri Net Based ınference network for design automation at functional
level applied to mechatronic systems", Doktora Tezi, ODTÜ, Ankara, 1-41, (1999)

Fan, X., Ma, D., Yan, J., and Chen, M., "Hierarchical optimization for
geometrical dimension tolerances", Journal of Shanghai Jiaotong University,
33 (7): 829-832 (1999).

Fenves, S.J. and Baker, N.C., "Spatial and functional representation language for
structural design", Expert Systems in CAD, 5: 2 (1987)

Fetvacı, M.C. ve İmrak, C.E., "Düz dişli çarkların sonlu elemanlar metodu ile
modellenmesi", Sigma Mühendislik ve Fen Bilimleri Dergisi, 2: 46 – 54 (2004)

Flodin, A., "Wear investigation of spur gear teeth", TriboTest, 7: 45-60 (2006).

Gaspersic, J. and Flasker, J., “Optimisation of gear assemblies with genetic

algorithms.” Proceeding of the Ninth World Congress, on the Theory of machines
and mechanisms, Milano, 364-368 (1995)
 93

Geren, N. ve Baysal, M.M.,"Uzman sistem geliştirme araçları ve mühendislik

uygulamalarında seçimi", Makine Tasarım ve İmalat Teknolojileri Kongresi,
Konya, 253-263 (2001).

Haykin, S., “Neural Networks, 1”, Macmillan College Printing Company, New
Jersey, 1-41 (1994).

Keleşoğlo, Ö. ve Fırat, A.,”İç basınç altında ince cidarlı kabukların yapay sinir ağları
ile çözümü”, Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü dergisi, 10
(3): 448-449 (2006).

Korukoğlu, S., “Genetik algoritma yaklaşımı ve yöneylem araştırmasında bir

uygulama”, Yönetim ve Ekonomi Dergisi, 10: 2 (2003)

Koller R., "Konstruktionslehre für den maschinen gerate und apparatebau, 1",
Springer Verlag, Berlin, 20-60 (1979)

Kusiak, A., Szczerbicki, E. and Vujosevic R., "CONDES: An Intelligent system

for conceptual design", Expert Systems, 3(2): 52-75 (1991)

Li, Q., Zhou, J. and Zhong, Y.,"Complex genetic algorithm for mechanicaldynamic
optimization design", Chinese Journal of Mechanical Engineering, 35
(5): 27-30, (1999).

Liu, P., Hu, Y., Yan, Y., Zheng, D. and Yang, S., "Using counter-proposal to
optimize genetic algorithm based cooperative negotiation", Proceedings of the
IEEE International Conference on Intelligent Processing Systems ,
Queensland, 891-895, (1998).

Maseeh, F., "Virtual prototype manufacturing software system for MEMS",

LEOS Summer Topical Meeting Advanced , Keystone, (1996)

Manohar, P.A., Shivathaya, S.S. and Ferry, M., "Design of an expert system for
the optimization of steel compasitions and process route",Expert System with
Applications, 17:129-134 (1999)

Mistree, F., Allen, J. K. and Attia, F., "Designing at the function level of
abstraction”, Proceedings of the 1993 NSF Design and Manufacturing Systems
Conference, North Carolina, 621-627 (1993)

Mittal, S.M., Dym, C.L. and Morjaria, M., "An Expert system for the design of
paper handling systems", IEEE Computer, 9: 102-114 (1985)

Myint, S., "Concurrent engineering (CE) in product design: a multicriteria

decision-making approach",Concurrent Engineering Research and Applications, 7
(1): 2-9 (1999).
 94

Myint, S. and Tabucanon, M. T., "The framework for an expert system to

generate alternative products in concurrent engineering design", Computers
in Industry, 37 (2): 125-134, (1998).

Marcelin, J. L., "Genetic optimisation of gear", International Journal of

Advanced Manufacturing Technology, 17: 910-915, (2001).

Nabiyev, V.V., “Yapay zeka, 1”, Seçkin Yayıncılık, Ankara, 33-35 (2005).

Nenov, R.S., ”Pratik psikoloji, 1”, Vlados, Moskova, 27 (1999).

Nicklaus, D.J., Tong, S.S. and Russo, C.J., " A Knowledge directed computer
aided design shell", Proceedings of the Third Conference On Al Applications, ,
Seattle, (1987).

Pahl, G. and Beitz, W., "Engineering design", Springer-Verlag, New York, 18:
199 (1996).

Peng, Z., Yang, H. and Zhong, T., "Real-coded genetic algorithm for planetary
gear transmission optimization", Journal of Shanghai Jiaotong
University, 33 (7): 833-836, (1999).

Piche, S. W., "Steepest descent algorithms for neural netvvork controllers and
filters," IEEE Transactions on Neural Netvvorks, 5(2): 198-212 (1994).

Ramachandran, N., Shah, A. and Langrana, N.A., "Expert system approach in design
of mechanical components", Technical report CAIP-TR-058, Rutgers-State
University of New Jersey, (1988).

Rao, S.S., Nahm, A., Shi, Z., Deng, X. and Syamil, A. "Artifical ıntelligence and
expert systems applications in new product development-a survey", Journal of
Intelligent Manufacturing, 10: 231-244 (1999).

Rodenacker W.G., “Methodisches konstruieren”, Spinger Verlag, Berlin, 1-75

(1970).

Roth K., “Konstruieren mit Konstruktionskatalogen, systematisierung und

zweckmassige aufbereitung technischen sachver fer das methodische konstruieren”,
Springer Verlag, Berlin, 1-50 (1982).

Shah, J.J. and Pandit, L., "Designer-An Expert system for conceptual from design
of structural parts", Proceedings of the ASME Computers in Engineering
Conference, Chicago, 2-25 (1986).

Shah, J.J., "Shape algebra for structural configuration synthesis", Proceedings

of the ASME Computers in Engineering Conference, San Francisco, 10-50
(1988).
 95

Shariat, P.M. and Toogood, R.W., "Genetic algorithm based approach to

parametric design of machine components", Intelligent Engineering Systems
Through Artificial Neural Networks, 375-380 (1995).

Song, J.H. and Im, Y.T., “Development of a computer- aided-design system of cold
forward extrusion of a spur gear”, Journal of Materials Processing Tech., 153: 821-
828 (2004)

Suh, N. P., "The Principle of design", Oxford University Press, Oxford, 12-110
(1990).

Suzuki, H. and Kimura, F., "Framework for constructing ıntelligent CAD systems",
Proceedings of the IFIP WG 5 2 Working Conference on Expert Systems in
Computer-Aided Design, Sydney, 17-78 (1987).

Sturges, R. H., Jr., O'Shaughnessy, K. and Reed, R. G., "A Systematic approach to
conceptual design", Concurrent Engineering: Research and Applications, 1: 93-
105 (1993).

Tan, J., Fan, W., Wei, X., and Xu, J., "Approach to graphic genetic
modelon", Journal of Computer Science and Technology,13: 116-125 (1998).

Toktaş, İ., “Mekanik sistemler için bir kavramsal tasarım modelinin gerilmesinde
yapay sinir ağlarının kullanılması”, Doktora Tezi, Gazi Üniversitesi Fen Bilimleri
Enstitüsü, Ankara, 30-46 (2003).

Toktaş, İ. ve Aktürk, N., “Makina tasarım işleminde kullanılan yapay zeka teknikleri
ve uygulama alanları”, Makine Teknolojileri Elektronik Dergisi, 2: 7-20 (2004)

Türkoğlu, A., “Temel dişli mekanizmalarının yapay sinir ağları ile web tabanlı
kinematik tasarımı”, Yüksek Lisans Tezi, Gazi Üniversitesi Fen Bilimleri Enstitüsü,
Ankara, 48-49 (2008).

Ullman, D.G., "The Mechanical design process, 1", McGraw-Hill, New York,
340 (1997).

Yıldız, S., ”Dişli çarkların bilgisayar destekli gerilme analizleri” Yüksek Lisans Tezi,
Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul, 3-17 (2005)

Zarefar, H., Lawley, T.J. and Etesami, F., "A Parallel axis gear drive expert
system", Computers in Engineering, American Society of Mechanical Engineers,
New York, 145-149 (1986).

Zeyveli, M., “Genetik algoritma ile hız kutusu dişli tasarımı”, Doktora Tezi, Gazi
Üniversitesi Fen Bilimleri Enstitüsü, Ankara, 31 (2005).
 96

EKLER

EK-1 Redüktörlerin çeşitli kullanım alanları [Yılmaz Redüktör kataloğu, 11.04/02]
EKSKAVATÖRLER
Zincir Kovalı Ekskavatörler
Paletli Yürüyüşler
Ray Üzerinde Yürüyüşler
Manevra Mekanizmaları
Emiş Pompalan
Kovalı Çarklar
Dönüş Mekanizmaları
İNŞAAT MAKİNELERİ
İnşaat Asansörleri
Betoniyerler
Yol İnşaat Makineleri
KİMYA ENDÜSTRİSİ
Soğutma Tamburları
Karıştırıcılar
Çalkalayıcılar
(Hafif akışkanlar)
Çalkalayıcılar
(Ağır akışkanlar)
Tambur Kurutucuları
Santrifüjler
Santrifüjler
PETROL ENDÜSTRİSİ
Boru Hattı Pompaları
Kuyu Açma Mekanizmaları
KALDIRMA ve İLETME
TESİSLERİ
Kaveletalı Götürücüler
Mafsal Bantlı Götürücüler
Lastik Bantlı Konveyörler
(Dökme yükler)
Lastik Bantlı Elavatörler
Lastik Cepli Elavatörler
Lastik Bantlı Konveyörler
(Parça yükler)
Askılı Konveyörler
Yük Asansörleri
Kovalı Elavatörler
(Toı malzeme)
İnsan Asansörleri
97
VANTİLATÖR VE KAĞIT ENDÜSTRİ
ASPİRATÖRLER MAKİNALARI
Pistonlu Vantilatörler Düzleme Silindirleri
Vantilatör (Aksiyal ve radyal) Hollender
Aspiratörler Ağaç Yontma Makineleri
Kalander
KAUÇUK MAKİNALARI Taş Pireler
Ekstruderler ve Kanderler Vakum Presler
Yoğurma Makineleri Vakum Silindirler
Karıştırıcılar Kuru Silindirler
Silindirlerine Makineleri
POMPALAR
AĞAÇ İŞLEME MAKİNALARI Pistonlu Rompalar(Q 1/100)
Yontma Tamburları Pistonlu Pompalar
Planya Makineleri (0.1/100:1/20)-
Ağaç İşleme Tezgahları Türbin (Hafif akışkan)
Şerit Testereler Türbin (Ağır akışkan)
VİNÇ TESİSLERİ TAŞ VE TOPRAK
Bom Kaldırma MAKİNALARI
Vinç Yürüyüşerleri Kırıcılar
Yük Kaldırma Döner Fırınlar .
Dönüş Tertibatları Çekicili Değirmenler
Bİlyalı Değirmenler
METAL İŞLEME MAKİNALARI Çarpmalı Öğütücüler
Sac Bükme Makineleri Tuğla PreşfeıT
Şahmerdanlar
Planyalar TEKSTİL MAKİNALARI
Presler Sargı Makineleri (Q 1/100)
Makaslar (Giyotin) Pistonlu Kompresör
Sıcak Basma Presleri (Q/100:1/200)
Takım Tezgahları Basma ve Boyama Mak.
(Ana tahrik) Dokuma Tezgahları
Takım Tezgahlan
(Yardımcı tahrik) KOMPRESÖRLER
Turbo Kompresör
GIDA ENDÜSTRİ MAKİNALARI
Doldurma Kaminaları SİLİNDİRLEME VE
(Şişe kavanoz vs.) ÇEKME TESİSLERİ
Yoğurma Makineleri Saç Makaslan
Ambalaj Makineleri Blok BasmaTesisleri
Şeker Kamışı Kırıcıları Blok Nakil Tesisleri
Şeker Kamışı Kesicileri Saç Nakil Tesisleri
Şeker Kamışı Öğütücüleri Tel Çekme Tesisleri
 98

EK-2 Milleri konumlarına göre çalışan dişli çiftleri [Akkurt, 2005]

Düz, helis, ok, planet dişli çarklar

Konik dişli çarklar

Sonsuz vida ve karşılık dişlisi

 99

EK-3 Dişli çark malzemeleri ve mekanik özellikleri [Akkurt, 2005]

Malzeme σK Sertlik HB σ GD
∗ ∗
PGD

Grubu Simgesi daN/mm² Çekirdek Yanak daN/mm² daN/mm²

Genel St 50 50…60 150 19 34
İmalat St 60 60…70 180 21(20) 40
Çelikleri St 70 70…85 210 24(22) 46
C 22 50…60 140 17 44
C 45 65…80 185 20 54
C 60 75…90 210 22 62
Islah
34Cr4 75…90 260 26 65
Çelikleri
37MnSi5 70…80 230 30 64
42CrMo4 95…110 300 29 67
34CrMo6 100…130 310 32 77
C 15 50…65 190 636 23 160
16MnCr5 80…110 270 650 44 163
Sementasyo
20MnCr6 100…130 360 650 48 163
n Çelikleri
15CrNi6 90…120 310 650 50 163
18CrNi8 120…145 400 650 50 163
Ck 45 65…80 190 560 27 110
Endiksiyon
ve Alevle 34CrMo4 270 590 48 107
Sertleştirilmiş 42CrMo5 95…110 280 610 43 136
İslah Çelikleri 34CrNiMo 100…130 250 590 45 127
6
Ck 45 65…80 190 35 110
Nitrürleme
42CrMo4 95…110 275 43 122
Gaznitürle 31CrMoV9 320 700 50
Dökme Gs 52 52 150 15 34
Çelikler Gs 60 60 175 17 42
GG 20 20 170 5 27
Dökme Demir GG 25 25 200 6 31
GG 35 35 230 8 36
GGG 42 42 180 20 36
Sfero Döküm GGG 60 60 250 22 49
GGG 100 100 350 24 70
Temper GTS 35 35…40 140 19 32
Döküm GTS 65 65…70 235 23 46
Günümüzde sertlikler HV10 ve HV1 olarak ifade edilen Vickers ölçeğine göre verilmektedir.
 100

EK-4 Kavrama faktörü (Kε)

Atlama Oranı εβ =0 için (Düz dişli çarklar)

Kε
Helis açısı β
εα 0° 15° 20° 25° 30° 35° 40° 45°
1,0 1,00 0,98 0,97 0,96 0,94 0,92 0,89 0,86
1,5 0,92 0,90 0,89 0,88 0,86 0,84 0,82 0,79
2,0 0,80 0,80 0,79 0,78 0,76 0,75 0,73 0,71
2,5 0,70 0,70 0,69 0,68 0,66 0,65 0,63 0,61
Atlama Oranı εβ =0,2 için
Kε
Helis açısı β
εα 0° 15° 20° 25° 30° 35° 40° 45°
1,0 1,00 0,98 0,97 0,96 0,94 0,92 0,89 0,86
1,5 0,90 0,88 0,87 0,86 0,85 0,83 0,80 0,78
2,0 0,80 0,79 0,78 0,76 0,75 0,73 0,71 0,69
2,5 0,69 0,68 0,68 0,67 0,65 0,63 0,62 0,60
Atlama Oranı εβ =0,4 için
Kε
Helis açısı β
εα 0° 15° 20° 25° 30° 35° 40° 45°
1,0 1,00 0,98 0,97 0,96 0,94 0,92 0,89 0,86
1,5 0,88 0,86 0,85 0,84 0,82 0,80 0,78 0,76
2,0 0,77 0,76 0,75 0,74 0,73 0,71 0,70 0,67
2,5 0,68 0,67 0,66 0,65 0,63 0,62 0,60 <0,60
Atlama Oranı εβ =0,6 için
Kε
Helis açısı β
εα 0° 15° 20° 25° 30° 35° 40° 45°
1,0 1,00 0,98 0,97 0,96 0,94 0,92 0,89 0,86
1,5 0,86 0,84 0,83 0,82 0,80 0,78 0,76 0,74
2,0 0,75 0,74 0,73 0,72 0,70 0,69 0,67 0,65
2,5 0,66 0,65 0,64 0,63 0,62 0,60 <0,60
Atlama Oranı εβ =0,8 için
Kε
Helis açısı β
εα 0° 15° 20° 25° 30° 35° 40° 45°
1,0 1,00 0,98 0,97 0,96 0,94 0,92 0,89 0,86
1,5 0,84 0,83 0,82 0,80 0,79 0,77 0,75 0,73
2,0 0,73 0,72 0,71 0,70 0,69 0,67 0,65 0,63
2,5 0,65 0,64 0,63 0,62 0,61 0,60 <0,60
Atlama Oranı εβ =0 için
Kε
Helis açısı β
εα 0° 15° 20° 25° 30° 35° 40° 45°
1,0 1,00 0,98 0,97 0,96 0,94 0,92 0,89 0,86
1,5 0,82 0,80 0,78 0,78 0,76 0,75 0,73 0,70
2,0 0,71 0,70 0,68 0,68 0,67 0,65 0,63 0,61
2,5 0,63 0,62 0,60 0,60 <0,60
 101

EK-5 Kullanılan bağlantı elemanına göre radyal yük hesaplama çizelgesi [Yılmaz
Redüktör kataloğu, 11.04/02]

Radyal Yüklerin Hesabı

Radyal Yük Fq (N)'nun hesaplanmasında,
gerekli tahrik momenti M ( Nm ),
kasnak veya dişli çapı D(mm) olmak üzere
aşağıdaki formüller kullanılır.

a. Elastik Kaplin
Çalışma sırasında oluşan sapmalar kaplinin
güvenlik sınırları içinde ise kuvvetler ihmal
edilebilir.

b. Düz Dişli

2100 M 2
Fq =
D
c. Küçük Hızlarda Zincir Dişli

2100 M 2
Fq =
D
d. Triger Kayış

2500 M 2
Fq =
D
e. V Kayış

5000 M 2
Fq =
D
f. Gedirme makaralı kayış

5000 M 2
Fq =
D
 102

EK-6 Redüktörlerin kullanım alanlarına göre yük sınıflandırması [Yılmaz Redüktör

kataloğu, 11.04/02]

Krenler Yağ Sanayi Kağıt Makinaları

U Kaldırma Dişlileri M Besleme Pompaları H İşlak Presler

Palanga Dişlileri Döner Delme Kağıt Hamur

Teçhizatları Makinaları
M Bomlu Vinç Dişlileri Yiyecek Sanayi Kurutma Silindirleri
Yana Döndürme M Kutu Bıçaklar Perdahlama
işlileri Silindirleri
H Yürütme Dişlileri Kutu Kaplama Kauçuk Makinaları
Pompalar Mayalama Tekneleri M Kalenderler
U Santrifüj Pompalar H Kenar Açma Mikserler
(ince sıvı)
M Santrifüj Pompalar Çamaşır Yıkama Makinaları H Extruderler
(yarı sıvı)
H Basınçlı Pompalar M Döner Kurutucular Hamur Karma
Dalgıç Pompalar Yıkama Makinaları Silindirler

Taş ve Kil İşleme Makinaları Hadde Makinaları Kimya Sanayi

H Çekiçli Değirmenler M Hız Ayarlı M Agidatörler (yarı sıvı)
Silindirler
Döner Fırınlar Sabit Silindirler Kurutma Merdaneleri

Dövücü Değirmenler Sarma Makaraları Mikserler ve

Silindirleri
Kırıcılar Tel Çekme Konveyörler
Küreli Değirmenler H Çubuk Kesme M Bant cepli
Makinaları Konveyörler
Tuğla Presi Döner Tablalar Çelik Bantlı
(büyük) Konveyörler
Tüp Değirmenler Kabuk Sıyırma Dökme Yüklü Kayışlı
Makinaları Konv.
Tekstil Makinaları Plaka Haddeleme Yük Asansörleri
M Basma ve Boyama Silindir Haddeleme Parça Yüklü Kayışlı
Makinaları Konv.
Dokuma Tezgahları Soğuk Haddeleme
Hallaç Makinaları İnşaat Makinaları

Harman Makinaları M Beton Mikserleri

Taneleme (Debegat) Ağır Yük Asansörleri
Tekneleri
 103

EK-7 Çizelge 3.6. Yılmaz redüktör kataloğu 11-04/02 Sayfa 206

 104

EK-8 Çizelge 3.7. Yılmaz redüktör kataloğu 11-04/02 Sayfa 70

 105

EK-9 Çizelge 3.8. Malzemelerin emniyet gerilmesi ve basıncı değerleri

MALZEME σem [N/mm2] Pem [N/mm2]

Dökme demir GG20 35-45 220
GG25 48-55 270
GG30 60 330
Sfero döküm Ferritik 145 300
Perlitik 145 400
Çelik Döküm GS45 80 250
GS52 90 310
GS60 100 390
Alaşımsız ve St42 90-100 280-340
St50 110-125 340-400
St60 125-140 380-500
St70 140-160 440-570
Islah çelikleri C22 120 330
C45 135-150 450
C60 150-165 500
34Cr4 180-200 600
37MnSi5 190-200 550
42CrMo4 200 630
35NiCr18 200 900
Sementasyonla C10 100-115 1350
C15 110-125 1500
16MnCr5 190-210 1500
20MnCr5 210-230 1500
13Ni6 150 1350
15CrNi6 200-220 1500
13NiCr18 220 1400
18CrNi8 210-230 1500
Endüksiyon veya C60 160 1050
Ck45 180 1350
Ck53 220 1400
37MnSi5 200 1250
53MnSi4 200 1400
50CrV4 240 1400
42CrMo4 210 1500
Siyan banyosunda 41Cr4 190 1350
37MnSi5 200 1250
35NiCr18 220 1350
34Cr4 210 1200
42CrMo4 240 1200
Nitrürasyon ile C45 160 750
16MnCr5 170 720
42CrMo4 290 850
16MnCr5 210 880
 106

EK-10 Delphi programı algoritması

unit Unit1;

interface

uses
Windows, Messages, SysUtils, Variants, Classes, Graphics, Controls, Forms,
Dialogs, StdCtrls, ShellAPI;

const
PROGADI = 'C:\Program Files\QwikNet\QwikNet.exe';
DOSYA1 = '1.txt';
DOSYA2 = '2.txt';
DOSYA3 = '3.txt';
DOSYA4 = '4.txt';
GIRIS = 'giris.txt';
SONUC = 'sonuc.txt';

type
TForm1 = class(TForm)
Button1: TButton;
Button2: TButton;
ComboBox1: TComboBox;
Label1: TLabel;
ComboBox3: TComboBox;
Label3: TLabel;
Label4: TLabel;
Button3: TButton;
Edit1: TComboBox;
procedure Button1Click(Sender: TObject);
procedure FormCreate(Sender: TObject);
procedure ComboBox3Change(Sender: TObject);
procedure Button3Click(Sender: TObject);
procedure Button2Click(Sender: TObject);
private
{ Private declarations }
function ToReal(s : String) : Real;
function Ara(ad1, ad2, ad3, ad4 : String; a1, a2 : Real; var redadi:String) : Real;
public
{ Public declarations }
end;

var
 107

EK-10 (Devam) Delphi programı algoritması

Form1: TForm1;

implementation

{$R *.dfm}

function TForm1.ToReal(s : String) : Real;

var
p : Integer;
begin
p := Pos('.', s);
if p>0 then
s[p] := ',';
ToReal := StrToFloatDef(s, 1);
end;

function TForm1.Ara(ad1, ad2, ad3, ad4 : String; a1, a2 : Real; var redadi:String) :
Real;
var
s1, s2, s3, s4 : TStringList;
i, n : Integer;
t1, t2, t3, sonuc1, sonuc2 : Real;
begin
s1 := TStringList.Create;
s1.LoadFromFile(ad1);
s2 := TStringList.Create;
s2.LoadFromFile(ad2);
s3 := TStringList.Create;
s3.LoadFromFile(ad3);
s4 := TStringList.Create;
s4.LoadFromFile(ad4);

sonuc1 := 999.9;
sonuc2 := 999.9;
redadi := '';
n := s1.Count;
for i:=0 to n-1 do
begin
t1 := ToReal(s1[i]);
t2 := ToReal(s2[i]);
t3 := ToReal(s3[i]);

if abs(t1-a1) < 0.001 then

if abs(a2-t2) < abs(a2-sonuc1) then
begin
 108

EK-10 (Devam) Delphi programı algoritması

sonuc1 := t2;
sonuc2 := t3;
redadi := s4[i];
end;
end;

s1.Free;
s2.Free;
s3.Free;
s4.Free;
Ara := sonuc2;
end;

procedure TForm1.Button1Click(Sender: TObject);

begin
ShellExecute(0, 'open', PROGADI, '', '', 1);
Button2.Enabled := True;
end;

procedure TForm1.FormCreate(Sender: TObject);

begin
ComboBox1.Items.LoadFromFile('gg.txt');
ComboBox1.ItemIndex := 0;
ComboBox3.Items.LoadFromFile('cd.txt');
ComboBox3.ItemIndex := 0;
ComboBox3Change(Self);
end;

procedure TForm1.ComboBox3Change(Sender: TObject);

var
t1n2, t2n1 : Real;
begin
t1n2 := ToReal(ComboBox3.Text);
t2n1 := ToReal(Edit1.Text);
//Label2.Caption := 'İletim Oranı : ' + FloatToStr(t2n1/t1n2);

end;

procedure TForm1.Button3Click(Sender: TObject);

var
t1, t2, t3 : Real;
t1n2, t2n1 : Real;
s : TStringList;
str : String;
 109

EK-10 (Devam) Delphi programı algoritması

p, i : Integer;
begin
t1 := ToReal(ComboBox1.Text);
t2 := ToReal(Edit1.Text);
t3 := ToReal(ComboBox3.Text);
t1n2 := ToReal(ComboBox3.Text);
t2n1 := ToReal(Edit1.Text);

str := FloatToStr(t1) + ' ' + FloatToStr(t3/100) + ' ' + FloatToStr(t2n1/10000);

for i:=1 to 3 do
begin
p := Pos(',', str);
if p>0 then
str[p] := '.';
end;

s := TStringList.Create;
s.Add(str);
s.SaveToFile(GIRIS);
s.Free;

Button1.Enabled := True;
end;

procedure TForm1.Button2Click(Sender: TObject);

var
s : TStringList;
str, serino : String;
aranan1, aranan2, bulunan : Real;
p : Integer;
begin
s := TStringList.Create;
s.LoadFromFile(SONUC);
str := s[0];
p := Pos('.', str);
if p>0 then
str[p] := ',';
s.Free;
aranan2 := 1.03 * StrToFloat(str);

str := ComboBox1.Text;
p := Pos('.', str);
if p>0 then
 110

EK-10 (Devam) Delphi programı algoritması

str[p] := ',';
aranan1 := StrToFloat(str);

bulunan := Ara(DOSYA1, DOSYA2, DOSYA3, DOSYA4, aranan1, aranan2,

serino);

ShowMessage('Sonuç : redüktör numarası' + ' - ' + serino);

end;
end.
 111

EK-11 MetalMakina Dergisi'nde yayımlanan “Yapay Sinir Ağları (YSA) Metodu İle
Redüktör Seçiminin Modellenmesi” konulu makalenin yayın evrağı.

Sayın, 07.10.2009
Prof. Dr. Faruk Mendi(*)
Birol ÜNAL(*)
Uğur EŞME(*)
Onur GÜVEN(*)
Doç..Dr. Mustafa Kemal KÜLEKCİ (*),

“Yapay Sinir Ağları (YSA) Metodu İle Redüktör Seçiminin Modellenmesi” başlıklı
5 yazarlı makaleniz, MetalMakina Dergisi'nin 179. sayısında (Eylül-Ekim/2009),
238.sayfada yayınlanmıştır.

(*)- Prof.Dr. Faruk MENDİ, Gazi Üniversitesi Teknik Eğitim Fakültesi Makine
Eğitimi Bölümü, Ankara

- Birol ÜNAL, Gazi Üniversitesi Fen Bilimleri Enstitüsü Makine Eğitimi A.B.D.
Yüksek Lisans Öğrencisi, Ankara

- Uğur EŞME, Mersin Üniversitesi Tarsus Teknik Eğitim Fakültesi Makine Eğitimi
Bölümü, Mersin-Tarsus

- Onur GÜVEN, Mersin Üniversitesi Mühendislik Mimarlık Fakültesi Makine

Mühendisliği Bölümü, Mersin

- Doç.Dr. Mustafa Kemal KÜLEKCİ, Mersin Üniversitesi Tarsus Teknik Eğitim

Fakültesi Makine Eğitimi Bölümü, Mersin-Tarsus

Saygılarımla,

Erdem ÇAĞLAYAN
Yazı İşleri Müdürü
AJANSMİK YAYIN GRUBU
METALMAKİNA DERGİSİ

Perpa Ticaret Merkezi A-Blok 6. Kat

No:530 Okmeydanı-İSTANBUL
erdem@ajansmik.com

TELEFON: 0 212 222 93 71

FAKS : 0 212 222 93 74
 112

ÖZGEÇMİŞ

Kişisel Bilgiler
Soyadı, adı : ÜNAL, Birol
Uyruğu : T.C.
Doğum tarihi ve yeri : 23.05.1963 ANKARA
Medeni hali : Evli
e-mail : birolunaltr@hotmail.com.

Eğitim Derece Eğitim Birimi Mezuniyet tarihi

Yüksek lisans Gazi Üniversitesi /TEF Makine
Resim ve Konstrüksiyon Eğitimi
Ana Bilim Dalı 2009
Lisans Gazi Üniversitesi /TEF Makine
Resim ve Konstrüksiyon Eğitimi
Ana Bilim Dalı 1986
Lise Yenimahalle End.Mes.Lis. 1980

İş Deneyimi
Yıl Yer Görev
1986-1989 Afyon End. Mes. Lis. Öğretmen
1990-1991 Dikmen End. Mes. Lis. Öğretmen

Yabancı Dil
İngilizce

Hobiler
Bilgisayar teknolojileri, kitap okumak.