ÖzTeknolojide yaşanan gelişmeler günümüzde veri sistemlerine dayalı çalışmaların artmasına yol açmaktadır. Ağır vasıta hava kompresörleri temel olarak bir mekanik cihazdır. Buna rağmen kompresör üzerinden sensörler ile alınacak verilerin anlamlandırılarak arıza durumlarının teşhisi günümüz teknolojisinde uygulanabilir bir hal almaktadır. Hava kompresörleri ortalama bir ağır vasıta üzerinde küçük bir bileşen konumundadır. Ancak basınçlandırdığı hava aracın fren, süspansiyon ve debriyaj sistemleri için oldukça büyük bir öneme sahiptir. Bu yüzden aracın yolda emniyetli ve güvenli hareketinin sağlanmasına destek olmaktadır.Bu çalışmada hava kompresörlerinde kullanıcı kaynaklı piston segmanı aşınması gibi durumlarda oluşan yağ taşınımı arızası araştırılmış ve kompresör üzerindeki etkisi incelenmiştir. Ayrıca yağ taşınımı arızası verileri firma bünyesinde Ar-Ge birimi tarafından geliştirilen test sisteminde sensörler vasıtasıyla kayıt altına alınmıştır. Bu veriler K-en yakın komşu algoritması modellerinin alt yapısının oluşturulmasında kullanılmış ve algoritma sınıflandırma performansı incelenmiştir.

ÖzHava kompresörleri ağır vasıta fren sistemlerinin hava ile beslenmesi için hayati öneme sahiptir. İçerisinde bulundurduğu piston biyel mekanizması ile havanın istenilen basınca ulaştırılarak (10-12.5 bar) tanka depo edilmesini sağlamaktadır. Planlı bakımlarda bileşenlerinin cüzi ücretlerle değişimleri yapılabilirken, arıza durumlarında aracın yolda kalmasına sebep olabilmekte ve yüksek miktarda ücret ve plansız zaman kaybı ile onarımı yapılabilmektedir. Beklenmedik arıza süreleri ağır vasıtaların taşıdıkları ürünleri müşteriye geç teslim edilmesine sebep olabilmekte ve müşteri memnuniyetsizliğine sebep olmaktadır. Bu çalışma ile hava kompresöründe gerçekleşebilecek arıza durumları araştırılmış ve firma Ar-Ge biriminde oluşturulan test düzeneği ile belirlenen arızalar manuel olarak gerçekleştirilmiştir. Elde edilen veriler Dewesoft yazılımı ile kayıt altına alınmıştır. Python yazılımı kullanılarak Naive Bayes Sınıflandırıcısı modelleri oluşturulmuştur. Toplam 23.987 veri kullanılmıştır. Bu verilerin %80'lik kısmı ile modeller eğitilmiş ve %20 'lik kısmı ile arıza tahmininde bulunulmuştur. Sırasıyla eğitim ve test verisi hatalı tahmin sayıları; Bernoulli Naive Bayes Sınıflandırıcısı için 18062 -4550, Multinominal Naive Bayes Sınıflandırıcısı için 16654 -4210, Gaussian Naive Bayes Sınıflandırıcısı için 961-258 veri hatalı tahminde bulunmuştur. Gaussian Naive Bayes sınıflandırıcısının bariz farkla doğru kararlar verdiği gözlemlenmiştir. Ayrıca sınıflandırma metrikleri incelenerek elde edilen sonuçlar değerlendirilmiştir.