Smart manufacturing in machining process using industrial edge device
Endüstriyel edge cihazı kullanarak işleme sürecinde akıllı üretim
- Tez No: 1004292
- Danışmanlar: PROF. DR. İSMAİL LAZOĞLU
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Günümüz modern üretiminde, akıllı işleme çözümleri, gelişmiş veri analitiği, gerçek zamanlı izleme ve uyarlanabilir kontrol stratejilerinden yararlanarak üretim verimliliğini optimize eder, maliyetleri minimize eder ve üstün ürün kalitesini olağanüstü hassasiyet ve güvenilirlikle sağlar.“Endüstriyel Edge Cihazı Kullanarak İşleme Sürecinde Akıllı Üretim”başlıklı bu tez, endüstriyel Edge cihazlarının işleme operasyonlarına entegrasyonuna yönelik yenilikçi yaklaşımları araştırmaktadır. Bu entegrasyon, gerçek zamanlı izleme, kestirimci bakım ve maliyet etkin süreç optimizasyonunu mümkün kılmaktadır. Araştırma, akıllı üretimin işleme süreçlerindeki dört kritik yönünü ele alan dört ana bölümden oluşmaktadır: takım aşınmasının tahmini, sensörsüz kesme kuvveti ölçümü, takım çentiklenmesi tespiti ve eksantriklik izleme. İlk olarak, bir yapay zekâ destekli dijital gölge modeli geliştirilerek endüstriyel Edge cihazı kullanılarak matkap takımlarının sırt aşınması tahmin edilmiştir. Çalışmada, yüksek frekansta veri toplama işlemi endüstriyel Edge cihazı ve döner dinamometre kullanılarak gerçekleştirilmiş, ardından geniş kapsamlı özellik mühendisliği uygulanmıştır. Takım aşınması tahmininde çift yönlü uzun-kısa süreli bellek (Bi-LSTM) ve çift yönlü kapılı tekrar eden birim (Bi-GRU) mimarilerine sahip bir tekrarlayan sinir ağı (RNN) modeli kullanılmıştır. Geliştirilen dijital gölge modeli, pahalı çoklu sensör sistemlerine olan bağımlılığı azaltarak maliyet etkinliğini artırmakta ve gereksiz takım değişimlerini önleyerek akıllı üretim prensiplerine uygunluk sağlamaktadır. İkinci olarak, işleme sürecinde kesme kuvvetlerinin ve torkun gerçek zamanlı ölçümü için yenilikçi, sensörsüz bir yöntem önerilmiştir. Kesme kuvveti ve torkun doğru ölçülmesi, süreç izleme, takım durumu değerlendirme ve optimizasyon açısından kritik öneme sahiptir. Ancak geleneksel dinamometreler yüksek hassasiyet sağlasa da pahalıdır ve deneysel kurulumlarda zorluklar yaratmaktadır. Bu çalışmada, endüstriyel Edge cihazı kullanılarak iş mili akımı ve tork verileri gerçek zamanlı olarak çıkarılmıştır. Ti6Al4V titanyum alaşımının işlenmesi sırasında yapılan deneysel doğrulama, dinamometre ile Edge cihazı verileri arasında güçlü bir korelasyon olduğunu göstermiş, ortalama hata oranı %12'nin altında bulunmuştur. Bu sensörsüz yaklaşım, geleneksel ölçüm tekniklerine kıyasla kurulum süresini ve maliyeti önemli ölçüde azaltırken, hassas kuvvet izleme sağlayarak akıllı işleme ortamları için uygun bir alternatif sunmaktadır. Üçüncü olarak, titanyum alaşımlarının işlenmesi sırasında takım çentiklenmesini tespit etmeye odaklanan bir takım durumu izleme çalışması gerçekleştirilmiştir. Takım çentiklenmesi, işleme verimliliği ve takım ömrü üzerinde önemli bir etkiye sahiptir. Bu çalışmada, 500 Hz yüksek frekanslı örnekleme oranına sahip endüstriyel Edge cihazından elde edilen iş mili akımı ve tork sinyalleri analiz edilmiştir. Hızlı Fourier Dönüşümü (FFT) analizi, takım çentiklenmesi oluşmadan önce ve sonra Edge cihazı sinyallerinde önemli spektral farklılıklar olduğunu ortaya koymuştur. Bu bulgular, endüstriyel Edge bilişimin, takım durumu izleme için güvenilir bir araç olarak kullanılabileceğini göstermektedir. Böylece, pahalı çoklu sensör sistemlerine duyulan ihtiyaç azaltılarak takım çentiklenmelerinin erken tespit edilmesi ve ciddi takım hasarlarının önlenmesi sağlanmıştır. Son olarak, işleme sırasında eksantriklik tespiti için yenilikçi bir sensörsüz yaklaşım önerilmiştir. Eksantriklik, işleme hassasiyetini, yüzey kalitesini ve takım aşınmasını doğrudan etkileyen kritik bir faktördür ve geleneksel olarak temaslı sensörler ile ölçülmektedir. Bu çalışmada, iş mili akımı ve tork sinyallerinin, endüstriyel Edge cihazı aracılığıyla kaydedilen verilerle dinamometre ölçümleriyle güçlü bir korelasyon gösterdiği kanıtlanmıştır. Gerçek zamanlı frekans alanı analizi ile eksantriklik tespit edilerek, sensörsüz ve müdahale gerektirmeyen bir yöntem sunulmuştur. Ti6Al4V titanyum alaşımının işlenmesi sırasında yapılan deneyler, bu yöntemin doğruluğunu kanıtlamış ve akıllı üretim sistemlerinde işleme hassasiyetini ve stabilitesini artırmada maliyet etkin ve verimli bir çözüm sunduğunu göstermiştir. Sonuç olarak, bu tez, endüstriyel Edge cihazlarının gerçek zamanlı izleme, kestirimci bakım ve sensörsüz süreç optimizasyonu için kullanımına odaklanarak akıllı üretim alanına önemli katkılarda bulunmaktadır. Önerilen yöntemler, pahalı sensörlere olan bağımlılığı azaltırken, işleme verimliliğini artırmakta ve maliyet etkinliğini iyileştirmektedir. Bu araştırma, geleceğin akıllı ve otonom üretim sistemlerine geçişi hızlandırarak yeni nesil üretim teknolojilerine katkı sağlamaktadır.
Özet (Çeviri)
In modern manufacturing, smart machining solutions leverage advanced data analytics, real-time monitoring, and adaptive control strategies to optimize production efficiency, minimize costs, and ensure the quality of the product with remarkable precision and reliability. This thesis, titled“Smart Manufacturing in Machining Process Using Industrial Edge Device,”explores innovative approaches for integrating industrial Edge devices into machining operations, enabling real-time monitoring, predictive maintenance, and cost-effective process optimization. The research is structured into four main items, each addressing a critical aspect of smart manufacturing in machining processes, specifically focusing on tool wear prediction, sensorless cutting forces and torque measurement, tool chipping detection, and runout monitoring. First, an AI-assisted digital shadow was developed to predict tool flank wear using data acquired from an industrial Edge device in a drilling operation. The study combines high-frequency data acquisition from an industrial Edge device and a rotary dynamometer, followed by extensive feature engineering. A recurrent neural network (RNN) model utilizing bidirectional long short-term memory (Bi-LSTM) and bidirectional gated recurrent unit (Bi-GRU) architectures is employed to analyze tool wear regions. The developed digital shadow enhances cost efficiency by reducing the dependency on expensive multi-sensor systems and mitigating unnecessary tool replacements, aligning with the principles of smart manufacturing. Second, a novel sensorless method is introduced for real-time measurement of cutting forces and torque in the milling process. Accurate measurement of cutting forces and torque is critical for process monitoring, tool condition assessment, and optimization in machining operations. However, conventional dynamometers, while precise, are costly and introduce complexities in experimental setups. This study leverages an industrial Edge device to extract spindle current and torque data in real time. Experimental validation during the milling of Titanium alloy Ti6Al4V demonstrates strong correlations between dynamometer and Edge device cutting data, achieving mean errors of less than 12%. This sensorless approach significantly reduces setup time and cost while ensuring precise force monitoring, making it a viable alternative to traditional measurement techniques in smart machining environments. Third, tool condition monitoring was investigated with a focus on detecting cutting-edge chipping in the milling of titanium alloys. As a critical factor, tool chipping significantly impacts machining efficiency and tool life. The study analyzes spindle current and torque signals obtained from an industrial Edge device operating at a high-frequency sampling rate of 500 Hz in the time and frequency domains. Fast Fourier Transform (FFT) analysis reveals significant spectral differences in Edge device signals before and after tool chipping occurrences. These findings establish industrial Edge computing as a reliable tool for tool condition monitoring, minimizing the need for expensive multi-sensor systems and enabling early detection of chipping events to prevent catastrophic tool failure. Finally, an innovative sensorless approach for in-process runout detection was proposed. Runout, a key factor influencing machining accuracy, surface finish, and tool wear, is traditionally assessed using contact-based sensors. This study demonstrates that spindle current and torque signals, captured through an industrial Edge device, are highly correlated with dynamometer measurements, enabling real-time frequency-domain analysis for runout detection. The proposed method is experimentally validated during milling of Ti6Al4V, presenting a cost-effective and efficient approach to improve machining precision and stability in smart manufacturing environments. In summary, this thesis contributes to the advancement of smart manufacturing in machining processes by harnessing the potential of industrial Edge devices for real-time monitoring, predictive maintenance, and sensorless process optimization. The proposed methodologies reduce reliance on expensive sensors, improve machining efficiency, and enhance cost-effectiveness, thereby paving the way for the next generation of intelligent and autonomous manufacturing systems.
Benzer Tezler
- Tozaltı kaynaklı spiral boru imalinde kaynak parametrelerinin boru kalitesine etkisi
Effect of welding parameters on tube quality in submerged arc welded tube manufacturing
HALİT GÜLOĞLU
- Integrable {e}-structures and integrable G-structures for a finite group G
İntegrallenebilir {e}- yapıları ve sonlu bir grup için integrallenebilir G-yapıları
BELGİN KARAMAN
- Antakya tarihi ticaret merkezi mekansal yapı değişim ve gelişim sürecinin kent ticaret merkezi planlamasına etkinliği
The Effectiveness of spatial structural chance and development period of the historical trade center of Antakya in the urban trade planning
NEVİN TURGUT
