Akademik Veri Yönetim Sistemi
15th International Marmara Science And Social Sciences Congress (Imascon 2025 Autumn), Kocaeli, Türkiye, 28 - 29 Kasım 2025, ss.65-73, (Tam Metin Bildiri)
Ev tipi çamaşır makinelerinde dengesiz yük sorunu, yüksek devirli sıkma aşamasında makine performansını kısıtlayan önemli bir faktördür. Dengesiz yük nedeniyle oluşan aşırı titreşim ve gürültü, hem makine parçalarında strese neden olarak ömrü kısaltır hem de kullanıcı konforunu olumsuz etkiler (Martinello ve ark., 2021). Bu nedenle çamaşır makineleri, sıkma öncesinde yük dengesizliğini tespit edip giderecek mekanizmalara ihtiyaç duyar. Bu çalışmada, ilave sensör gerektirmeyen, algoritmik ve makine öğrenimi tabanlı dengesiz yük ağırlığı tahmini yöntemleri incelenmiştir. Literatürdeki yapay zekâ destekli veya model tabanlı yaklaşımlar kullanılarak tamburdaki dengesiz yükün kütlesini ve dağılımını tahmin etme teknikleri karşılaştırılmıştır. Temel yöntemler; bulanık mantık ve yapay sinir ağları, gözlemci tabanlı yöntemler, derin öğrenme yaklaşımları ve pekiştirmeli öğrenme tabanlı kontrol uygulamaları olarak gruplanmıştır. Sonuç olarak, sensörsüz yaklaşımların ek maliyetleri ortadan kaldırırken gerçek zamanlı dengesiz yük tespiti ve tahmininde başarılı olabildiği görülmüştür. Tartışma bölümünde yöntemlerin güçlü ve zayıf yönleri değerlendirilmiş ve gelecekte daha isabetli tahmin için olası çalışmalar ele alınmıştır.
The unbalanced load problem in household washing machines is a major factor that limits machine performance during the high-speed spin cycle. Excessive vibration and noise caused by the unbalanced load not only induce stress on machine components—shortening their lifespan—but also negatively affect user comfort (Martinello ve ark., 2021). Therefore, washing machines require mechanisms that can detect and correct load imbalance before the spin cycle. In this study, sensorless imbalance mass estimation methods based on algorithmic and machine learning approaches are investigated. Techniques for estimating the mass and distribution of the unbalanced load inside the drum are compared using artificial intelligence–assisted and model-based approaches found in the literature. The main methods are grouped as follows: fuzzy logic and artificial neural networks, observer-based methods, deep learning approaches, and reinforcement learning–based control applications. As a result, it has been observed that sensorless approaches can achieve successful real-time detection and estimation of unbalanced loads while eliminating additional costs. In the discussion section, the strengths and weaknesses of these methods are evaluated, and potential future studies for more accurate predictions are addressed.