Servo motorlardan gelen çok sensörlü telemetri verileri (akım, voltaj, sıcaklık, nem, titreşim) denetimsiz yapısal kümeleme, izolasyon tabanlı anomali tespiti ve fizik tabanlı risk haritalama kullanılarak işlenir. Bu çerçeve, durum izleme için deterministik ikili sözde etiketler ve son derece doğru gerçek zamanlı tanı durumları üretir.
Bu içeriği görüntülemek için JoVE aboneliğiniz gereklidir. Giriş yapın veya ücretsiz denemenizi bugün başlatın.
Yöntem makalesi
Çoklu sensör sinyalleri ve sözde denetli makine öğrenimi kullanarak soğuk başlatma motor durumu izleme
Bu makalede
Özet
Özet
Öngörücü bakım, Endüstri 4.0'ın veri odaklı paradigmasından sürdürülebilir, insan odaklı Endüstri 5.0 çerçevesine geçerken, servo motor durumlarının teşhisi veri kıtlığı ve etiketlenmiş hata örneklerinin derin eksikliği gibi çift zorluklarla karşı karşıyadır. Bu soğuk başlatma sorununu çözmek için, 199 servo motor telemetri örneğini (akım, voltaj, sıcaklık, nem ve titreşim) içeren özel beş kanallı veri setinde değerlendirilen sözde denetli bir makine öğrenimi çerçevesi sunuyoruz. Metodoloji, önceden açıklama yapılmadan çalışma modlarını karakterize etmek için sert yapısal bölünme (k-ortalamalar) ve yumuşak arka güven tahmini (Gauss Karışım Modelleri) entegre edilir. Eş zamanlı olarak, bir İzolasyon Ormanı modeli anomali yoğunluğunu nicelikle ölçüyor ve dinamik bir quantile tabanlı eşik belirler. Bu araştırmanın kritik yeniliklerinden biri, mühendislik önceliklerinden türetilen deterministik risk haritalamasıdır; "yüksek riskli" (anormal) durumu, sensörlerin fiziksel güvenlik marjlarını ters ağırlıklandırarak tanımlar. Bu mekanizma, denetimsiz kümeleri kesin olarak ikili sözde etiketlere eşlerliyor. Bu etiketler daha sonra aşağı akış ayrımcılarını (Random Forest ve Support Vector Machine) denetlemek için kullanılır. Son çevrimiçi tanı, sınıflandırıcı olasılığı ile GMM posteriorunun puan düzeyinde birleşimini çıkarır; bu işlem anomali eşiği tarafından belirlenir. Nicel değerlendirme, Random Forest modelinin mükemmel F1 puanı olan 1.000 olduğunu, karşılaştırmalı SVM'nin ise 0.997 F1 puanı verdiğini ve çerçevenin soğuk başlangıçta endüstriyel sağlık izleme için sağlam, yorumlanabilir ve son derece hassas bir çözüm olduğunu kanıtladığını göstermektedir.
Giriş
Servo motor kontrol sistemlerinin güvenilirliği, tarihsel olarak endüstriyel otomasyonda kritik bir performans göstergesi olmuştur. Öngörücü bakım, Endüstri 4.0'ın veri odaklı paradigmasından sürdürülebilir, insan merkezli Endüstri 5.0 çerçevesine doğru evrilirken, sistemler yüksek hassasiyet sağlarken enerji verimliliği ve operasyonel dayanıklılığı aktif olarakteşvik etmelidir 1,2,3. Uzun süreli iyon sırasında sert ortamlarda meydana gelen arızalar, yıkıcı ekipman kapanmalarına, ciddi yapısal hasarlara ve önemli ekonomik kayıplara yol açabilir 4,5,6. Sonuç olarak, başlangıçtaki kusurların erken teşhisi lüksten temel bir gerekliliğe dönüştü. Sağlam durum değerlendirmesi sağlamak için modern endüstriyel sistemler giderek çok sensörlü teknolojiye dayanır. Mühendisler, akım, voltaj, sıcaklık ve titreşim gibi çeşitli sinyal modalitelerini aynı anda edinerek, motorun sağlığının kapsamlı ve yüksek boyutlubir görüntüsünü oluşturabilirler 7,8. Çok kaynaklı sensör verilerinin birleşimi, tek sensörlü yaklaşımlara kıyasla tanı sistemlerinin sağlamlığını ve doğruluğunuönemli ölçüde artırır 9,10.
Sensör füzyonu ve makine öğrenimindeki gelişmelere rağmen, gerçek dünyada dağıtımda kritik bir darboğaz hâlâ devam ediyor: "soğuk başlatma" meydan okuması. Tipik bir üretim ortamında, makineler yaşam döngülerinin büyük çoğunluğunda normal çalışır ve sağlıklı örneklerin arızalılardan çok daha fazla olduğu aşırı sınıf dengesizliklerine yol açar. Standart denetimli derin öğrenme modelleri, etkili bir şekilde birleşmek için devas, dengeli ve hassas şekilde notlanmış veri setlerigerektirir 11,12. Etiketler tamamen erişilmez veya elde edilmesi çok pahalı olduğunda, bu denetimli paradigmalar13 parçalanır. Bu nedenle, bu çalışmada ele alınan temel sorun, etiketlenmemiş çok sensörlü motor verilerini, manuel olarak etiketlenmiş eğitim verisi gereksiz olarak güvenilir, ikili bir tanı uyarı sinyaline dönüştürmektir.
Veri kıtlığı sorununa yanıt olarak, son araştırmalar denetimsiz anomali tespit tekniklerine yönelmiştir. Yaygın yaklaşımlar arasında tek sınıflı destek vektör makineleri (OC-SVM), derin otomatik kodlayıcılar ve doğrudan izolasyona dayalı anomalipuanlama 14 bulunur. Bu yöntemler istatistiksel sapmaları etkili bir şekilde işaretlese de, motor arızası teşhisine doğrudan uygulanması önemli sınırlamalar taşır. OC-SVM'ler, dinamik endüstriyel yüklerin sabit olmayan özelliklerine karşı duyarlıdır ve genellikle yüksek yanlış pozitif oranlar verir. Otomatik kodlayıcılar, yeniden yapılandırma hatalarını en minimlendirmedegüçlü olsalar da, yorumlanamayan kara kutular olarak işlev görürler; Matematiksel yeniden yapılandırma kaybını eyleme alınabilir, fiziksel bir hatakategorisi 16'ya çevirmekte zorlanırlar. Ayrıca, standart izolasyonormanları 17 gibi doğrudan anomli puanlama yaklaşımları, sadece bir örneklemin istatistiksel bir istisna olduğunu gösterir. Mühendislik gerçekliklerine dayanan "çalışma" ve "başarısızlık" durumları arasında deterministik bir karar sınırı kuramazlar. Temelde, bu yaklaşımlar, denetimsiz veri kümelerini açık tanı etiketleriyle eşlemek için gereken anlamsal köprüden yoksundur.
Bu metodolojik boşluğu kapatmak için bu çalışma, birleşik bir sözde denetlemeli makine öğrenimi çerçevesi önermektedir. Önerilen iş akışının tasarım mantığı, bağımsız anomali dedektörlerinden temelde farklıdır. Tek bir küresel yeniden yapılandırma hatasına veya sınırına güvenmek yerine, boru hattı önce çok sensörlü özellik alanını denetimsiz sert-yumuşak kümeleme (k-means ve Gauss Karışım Modelleri) kullanarak ayırt eder ve farklı çalışma modlarını belirler. Bunun sonucunda, rastgele etiketler atamak yerine, belirlenmiş mühendislik önceliklerine (yani, titreşim ve sıcaklık için fiziksel güvenlik marjları) dayalı olarak deterministik bir risk haritalama fonksiyonu oluşturulur. Bu fiziksel eşleme, denetimsiz kümelere otomatik olarak ikili sözde etiketler ("Çalışma" veya "Başarısızlık") atayan sezgisel bir çapak görevi görür. Bu fizik bilgili sözde etiketler, daha sonra denetli ayrımcıların (Random Forest ve SVM) karmaşık, doğrusal olmayan sınırları öğrenmesi için eğitilmek için kullanılır. Aynı zamanda, bir İzolasyon Ormanı bağımsız bir anomali kapısı olarak hizmet verir ve herhangi bir yerleşik kümeye uymayan aşırı istisnaları filtreler. Bu birleşik pipeline, denetimli öğrenmenin ayırt edici gücünden yararlanırken denetimsiz kümeleme özerkliğini korurken oldukça avantajlıdır.
Bu araştırmanın temel bilimsel amacı, sıkı soğuk başlatma kısıtlamaları altında çalışabilecek otomatik bir durum izleme sistemi geliştirmektir. Denetimsiz yapısal kümelemeyi, mühendislik öncesi yönlendirilmiş bir sahte etiketleme mekanizmasıyla birleştirmenin, manuel açıklamalı veriler üzerinde eğitilmiş modellerle rekabet eden bir tanısal performansa sahip denetimli bir sınıflandırma sınırı oluşturabileceği hipotezini açıkça test ediyoruz. Bu yarı denetimli çerçeveyi özel çok sensörlü servomotor veri setinde doğrulayarak, bu çalışma, klasik özellik yorumlanabilirliğini anomli kapı ile entegre etmenin, etiketlenmiş eğitim verileri olmadan yüksek hassasiyetli hata sınıflandırması sağladığını, böylece saha mühendislerinin bilişsel yükünü azalttığını ve Endüstri 5.0'ın iş birliği anlayışını ilerlettiğini göstermektedir.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Protokol
1. Deneysel kurulum ve veri ön işleme
NOT: Bu çalışmada önerilen veri işleme ve modelleme çerçevesi, yüksek seviyeli bir programlama dilinde geliştirilen özel betikler aracılığıyla uygulanmıştır; bu betikler sayısal hesaplama ve makine öğrenimi için standart açık kaynak kütüphanelerinden faydalanmıştır. Deneysel doğrulama, çok çekirdekli işlemci ve ayrık grafik işlemci (GPU) ile donatılmış yüksek performanslı hesaplamalı bir iş istasyonunda gerçekleştirildi. Tüm yazılım ortamları, hesaplama donanımı ve sensör bileşenleriyle ilgili özel detaylar Materyaller Tablosu'nda yer almaktadır. Önerilen çerçevenin şematik bir özeti, çevrimdışı denetimsiz öğrenmeden çevrimiçi çift eşik karar sürecine veri akışını gösteren ve Şekil 1'de sunulmuştur. Veri seti, servo motor farklı yük rejimleri altında çalışırken toplanan anlık ham ölçümler yerine 203 toplamlanmış zaman penceresi örneğinden oluşuyor ve gerçekçi atölye koşullarını simüle ediyor.
- Sensör düğümlerini stratejik olarak yerleştirin.
- Titreşim ivmeölçerleri motor kasasına monte edilirken, akım, gerilim ve sıcaklık probları sürücü devresine entegre edilirdi.
- Tüm sensör sinyallerini 10 kHz örnekleme frekansında merkezi veri toplama (DAQ) kartı üzerinden senkronize edin.
- Özellik çıkarımından önce yüksek frekanslı elektromanyetik gürültüyü ortadan kaldırmak için standart kalibrasyon prosedürleri ve dijital alçak geçirimli filtreleme uygulanır.
- Her 203 örneklem için 1 saniyelik ölçüm döngüsünden istatistiksel bir özet (örneğin, ortalama veya Kök Ortalama Karesi) çıkarın. Bu beş özel değişken—akım (A), voltaj (V), sıcaklık (°C), nem (%) ve titreşim (mm/s 2 veya g)—kasıtlı olarak seçildi.
- Eksik değerleri (NaN) içeren kayıtları kaldırarak modelleme kararlılığını sağlamak ve 199 geçerli örnekten oluşan geliştirilmiş bir veri seti oluşturulur.
- Uzaktan tabanlı yapısal öğrenme algoritmaları için kritik ölçek farklılıklarını ortadan kaldırmak amacıyla, her örnek
için her sensör kanalına 
Z-skor normalizasyonu uygulanır:
(1)
burada xij ham değeri temsil eder, μj j özelliğinin ortalamasıdır ve σj standart sapmadır. - Normalize matrisi sonraki tüm işlem adımları için Xs olarak sakla.
NOT: Ana Bileşen Analizi (PCA), yalnızca görselleştirme için X s'nin iki boyutlu bir gömme matrisine
yansıtılması için kullanıldı (Şekil 5) ve sonraki modellere giriş olarak hizmet etmedi.
2. Denetimsiz Yapı Öğrenimi
- Aday K değerlerini (2 ile 10 arasında değişen) değerlendirerek optimal küme sayısını (K*) belirleyin.
- Bir dirsek eğrisi oluşturmak için küme içi karelerin toplamını (WCSS) hesaplayın (Şekil 3):
(2) - Her K için aynı anda Silüet Katsayısı S(I)'yi hesaplayarak yapısal uyum ve ayrımı değerlendirin:
(3) - Optimal küme sayısını maksimum ortalama Silhouette puanında belirleyin (örneğin, K*=2).
- K-ortalama algoritmasını Xs'ye uygulayın, WCSS'yi en aza indirerek μc centroidleri ve her örnek için sert küme etiketlerini
elde edin. - K * bileşenleriyle bir Gauss Karışım Modeli (GMM) eğitileyerek koşul sınırlarının doğal belirsizliğini yakalayın.
- Parametreler
tahmin edildikten sonra her örneklem için posterior olasılığı 
hesaplayın ve yumuşak bir güven metriği olarak maksimum posterior olasılığı çıkarın:
(4)
3. Anomali modelleme ve dinamik eşik belirleme
- Ana küme yapılarından sapan dışnamaları belirlemek için X s üzerinde İzolasyon Ormanı modeli eğitin.
- Beklenen yol uzunluğu E[h(z)]'ye dayanarak 0 ile 1 arasında değişen anomali skorlarını hesaplayın:
(5) - Çekirdek Yoğunluk Tahmini (KDE) kullanarak anomali skoru (sif) dağılımını analitik olarak modelleyerek statik anomali eşiği τanom belirlenir.
- Normal operasyonel varyansın %90 güven aralığını sınırlamak için quantili matematiksel olarak türetin.
NOT: Bu veri setinde, τanom = 0.592 deterministik eşik elde edildi; bu nedenle sif(z) > 0.592 olan örnekler anomali olarak işaretlendi. - En son N telemetri örneğini kapsayan bir kaydırma penceresi oluşturarak anomali skor dağılımını periyodik olarak yeniden hesaplayın.
- Eşiği Üssel Ağırlıklı Hareketli Ortalama (EWMA) kullanarak dinamik olarak güncelledin:
, burada α unutma faktörü olarak hizmet eder ve Ylocal, mevcut operasyonel pencereden türetilen kuantildir.
4. Risk haritalama yoluyla sözde etiket oluşturma
- Her örneklem için risk puanır i'yi, normalize edilmiş özelliklerin doğrusal kombinasyonu olarak hesaplayarak anlamsal boşluğu kapatın:
(6) - Her küme merkez için risk puanı R'yi, normalize özellik ortalamalarının ağırlıklı lineer kombinasyonunu uygulayarak tanımlayın.
- Her ağırlığın özgün değerini (wj) ilgili sensör kanalının fiziksel güvenlik marjının tersi olarak hesaplayın.
- Bu ters kenarları aşağıdaki denklemi kullanarak normalleştirin; burada vj , kanal için ters güvenlik marjını temsil eder:
(7)
\mu_r()g\max_cm - Bu başlangıllaştırılmış ağırlıkları, küme risk puanları ile medyan İzolasyon Ormanı anomali puanları arasında pozitif bir Spearman sıralama korelasyonu (
) sağlayarak doğrulayın. - Her k-ortalama kümesi için ortalama risk puanını
hesaplayın. - Arıza modu olarak maksimum ortalama riski gösteren kümeyi belirleyin:
. - Tüm örnekler için ikili sözde etiketler ysuper üretin, yüksek riskli kümeye 0 (Başarısızlık) ve 1 (Çalışıyor) atayın:
(8)
5. Denetimli Sınıflandırıcı Eğitimi ve Çevrimiçi Füzyon
- Model performansını titizlikle değerlendirmek ve bilgi sızıntısını önlemek için 5 katlı çapraz doğrulama şeması uygulayın.
- Tüm sözde etiketleme boru hattını her katlama içindeki eğitim bölümüne sıkı sıkıca bağlayın.
- İzole doğrulama bölünmesini yalnızca eğitim katından öğrenilen parametrelerle dönüştürün.
- X s'yi özellik olarak kullanarak, dinamik olarak üretilen ysuper'i hedef olarak kullanarak bir Rastgele Orman (RF) sınıflandırıcısı eğitin. Model, işçi sınıfı için olasılık tahminini çıkarır ve bu değer prf(z) olarak gösterilir.
- RBF çekirdeği ile donatılmış bir Destek Vektör Makinesini (SVM) karşılaştırmalı doğrulayıcı olarak karar fonksiyonu değeri f(z) üretecek şekilde eğitin.
- Çevrimiçi çıkarım aşamasında puan seviyesinde bir füzyon mekanizması kurun.
- Yeni elde edilen bir örneklem
için denetimli RF olasılığı ile denetimsiz GMM güvenini birleştirerek birleşmiş bir s(z) skoru sentezleyin:
(9) - Nihai durumu çift eşik mantığı ile sınıflandırın: bir durum "Çalışan" olarak sınıflandırılır ancak VE
.
(.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Sonuçlar
Önerilen çerçeve, kendi toplanan çok sensörlü veri seti kullanılarak doğrulandı. Eksik kayıtlar kaldırıldıktan sonra, nihai veri seti 199 geçerli toplu zaman penceresi örneğinden oluşuyordu. Sistem ortamı ve algoritma parametreleri Tablo 1'de detaylandırılmıştır.
Özellik korelasyonu ve veri seti bileşimi
Modellemeden önce sensör kanallarının yedekliliği ve tamamlayıcılığını değerlendirmek için özellik korelasyon analizi yap...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Tartışma
Bu protokol, etiketlenmiş verilerin olmadığı soğuk başlatma senaryolarında motor durum tanımlaması için sağlam bir metodoloji sunar. Denetimsiz yapı öğrenimini sözde denetli sınıflandırmayla entegre ederek, yöntem geleneksel denetimli öğrenmenin sınırlamalarını aşar ve bu öğrenme büyük ölçüde insanaçıklamasına dayanır 13,18,19. Bu protokolte kritik bir adım, küme sayısının (K) seçilmesi...
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Açıklamalar
Yazarların açıklayacak hiçbir şeyi yok.
Teşekkürler
Hubei Su Kaynakları Teknik Koleji'ne deneysel platform ve hesaplamalı kaynaklar sağladığı için teşekkür ederiz. Bu çalışma, endüstriyel otomasyon için bölüm araştırma fonu tarafından desteklendi. Veri toplama ve sensör kalibrasyonuna yardımcı olan laboratuvar personelinin katkılarını da takdir ediyoruz.
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.
Malzemeler
| Ad | Şirket | Katalog numarası | Yorumlar |
|---|---|---|---|
| Kategori | Bileşen ve sürüm | ||
| İşletim sistemi | Windows 11 Professional 23H2 | ||
| İşlemci | Intel Core i9-14900HX | ||
| Bellek | 32 GB | ||
| Grafik işlemci | NVIDIA GeForce RTX 4070 Laptop GPU (8 GB) | ||
| Python | 3.12 | ||
| NumPy | 1.26 | ||
| pandas | 2.2 | ||
| scikit-learn | 1.5 | ||
| Matplotlib | 3.8 | ||
| Seaborn | 0.13 | ||
| Rastgele tohum |
Kaynaklar
- Achouch, M. On predictive maintenance in Industry 4.0: overview, models, and challenges. Appl Sci. 12 (16), 8081 (2022).
- Wu, M. An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Front Mech Eng. 10, 1383202 (2024).
- Zhang, B., Li, H., Kong, W., Fu, M., Ma, J. Early-stage fault diagnosis of motor bearing based on kurtosis weighting and fusion of current–vibration signals. Sensors. 24 (11), 3373 (2024).
- Luo, J., Zhu, L., Li, Q., Liu, D., Chen, M. Imbalanced fault diagnosis of rotating machinery based on deep generative adversarial networks with gradient penalty. Processes. 9 (10), 1751 (2021).
- Aradi, A., Varga, A. K. Servo motor predictive maintenance by Kafka Streams and deep learning based on acoustic data. Eng Proc. 113 (1), 1 (2025).
- Thomas, K. Comprehensive fault diagnosis of three-phase induction motors using synchronized multi-sensor data collection. Sci Data. 12 (1), 1468 (2025).
- Qiu, S. Deep learning techniques in intelligent fault diagnosis and prognosis for industrial systems: a review. Sensors. 23 (3), 1305 (2023).
- Long, Q., Li, B., Chen, L. CNN-based feature fusion motor fault diagnosis. Electronics. 11 (17), 2746 (2022).
- Kullu, O., Cinar, E. A deep-learning-based multi-modal sensor fusion approach for the detection of equipment faults. Machines. 10 (11), 1105 (2022).
- Zhao, J., Wang, W., Huang, J., Ma, X. A comprehensive review of deep learning-based fault diagnosis approaches for rolling bearings: advancements and challenges. AIP Adv. 15 (2), (2025).
- Wang, H., Wang, H., Tang, X. A review of deep learning in rotating machinery fault diagnosis and its prospects for port applications. Appl Sci. 15 (21), 11303 (2025).
- Choi, Y., Joe, I. Motor fault diagnosis and detection with convolutional autoencoder (CAE) based on analysis of electrical energy data. Electronics. 13 (19), 3946 (2024).
- Cheng, X. A bearing fault diagnosis method in scenarios of imbalanced samples and insufficient labeled samples. Appl Sci. 14 (19), 8582 (2024).
- Velásquez, D. A hybrid machine-learning ensemble for anomaly detection in real-time Industry 4.0 systems. IEEE Access. 10, 72024-72036 (2022).
- Principi, E., Rossetti, D., Squartini, S., Piazza, F. Unsupervised electric motor fault detection by using deep autoencoders. IEEE/CAA J Autom Sin. 6 (2), 441-451 (2019).
- Hiruta, T., Maki, K., Kato, T., Umeda, Y. Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data. Procedia CIRP. 98, 336-341 (2021).
- Brito, L. C., Susto, G. A., Brito, J. N., Duarte, M. A. V. An explainable artificial intelligence approach for unsupervised fault detection and diagnosis in rotating machinery. Mech Syst Signal Process. 163, 108105 (2022).
- Nie, G. A novel study on a generalized model based on self-supervised learning and sparse filtering for intelligent bearing fault diagnosis. Sensors. 23 (4), 1858 (2023).
- Cheng, C., Liu, X., Zhou, B., Yuan, Y. Intelligent fault diagnosis with noisy labels via semisupervised learning on industrial time series. IEEE Trans Ind Inform. 19 (6), 7724-7732 (2023).
- Onumanyi, A. J., Molokomme, D. N., Isaac, S. J., Abu-Mahfouz, A. M. Autoelbow: an automatic elbow detection method for estimating the number of clusters in a dataset. Appl Sci. 12 (15), 7515 (2022).
- Ding, X. An edge intelligent method for bearing fault diagnosis based on a parameter transplantation convolutional neural network. Electronics. 12 (8), 1816 (2023).
- Zhou, Z. A deployment method for motor fault diagnosis application based on edge intelligence. Sensors. 25 (1), 9 (2025).
- Liu, L. A novel edge intelligence application model with lightweight network and antinoise ability for bearing fault diagnosis. Struct Health Monit. , 14759217251329165 (2025).
- Kfir, T., Tuvyahu, S., Moshe, B. B., Anidjar, O. H. Real-time detection of acoustic anomalies in drone servo motors using edge-based machine learning. Mach Learn Appl. 22, 100755 (2025).
- Jiao, X., Zhang, J., Cao, J. A bearing fault diagnosis method based on dual-stream hybrid-domain adaptation. Sensors. 25 (12), 3686 (2025).
- Zhao, X. A novel intelligent multicross domain fault diagnosis of servo motor-bearing system based on domain generalized graph convolution autoencoder. Struct Health Monit. 24 (3), 1485-1499 (2025).
Erişim kısıtlı. Bu içeriği görüntülemek için lütfen giriş yapın veya deneme sürümünü başlatın.