Endüstriyel şerit testereli metal kesme makinelerinde makine öğrenmesi yöntemleri ile adaptif kesim kontrolü ve anomali tespiti
Adaptive cutting control and anomaly detection using machine learning methods in industrial band saw metal cutting machines
- Tez No: 1025527
- Danışmanlar: DOÇ. DR. SAİT ALİ UYMAZ
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Konya Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Dördüncü Sanayi Devrimi (Endüstri 4.0) ile birlikte imalat süreçlerinde otonom, veri odaklı ve akıllı sistemlere olan ihtiyaç hızla artmıştır. Talaşlı imalat sektörünün başlangıç noktasını oluşturan şerit testere tezgâhları, esnek kesici takım yapıları, değişken kesit alanları ve heterojen malzeme işleme dinamikleri nedeniyle yüksek performanslı, dinamik kontrol mekanizmalarına ihtiyaç duyan doğrusal olmayan karmaşık sistemlerdir. Geleneksel yöntemlerde sabit parametrelerle çalıştırılan bu makineler, aşırı takım aşınmasına, şerit kopmalarına ve kesim dikliğinin bozulmasına neden olmaktadır. Bu çalışma, TÜBİTAK 1711 Yapay Zeka Ekosistem Çağrısı kapsamında desteklenen 3237008 nolu proje bünyesinde, İmaş Makine tarafından geliştirilen prototip bir şerit testere tezgâhından elde edilen verilerle bütünleşik bir akıllı adaptif kesim kontrolü ve hibrit anomali tespit sistemi tasarlamayı, uygulamayı ve fiziksel olarak doğrulamayı hedeflemektedir. Araştırma kapsamında, tezgâhtan önceden elde edilmiş olarak sağlanan yüksek frekanslı zaman serisi verileri (şerit motor akımı, şerit sapma miktarı, kesme hızı ve ilerleme hızı) sinyal gürültülerinin arındırılması ve normalizasyon gibi kapsamlı veri ön işleme süreçlerinden geçirilmiştir. Adaptif kesim kontrolü döngüsünde farklı yöntemsel ve yapısal avantajlardan yararlanmak amacıyla iki farklı yapay zekâ mimarisi kurgulanmıştır. İlk yaklaşımda zaman serilerindeki zamansal bağımlılıkları modelleyen Uzun Kısa Süreli Bellek (LSTM) derin öğrenme ağları ile doğrudan hız tahmini gerçekleştirilirken; yapısal olarak farklı bir metodolojiye sahip ikinci yaklaşımda ise ağaç tabanlı topluluk öğrenme algoritmaları (Random Forest ve Bagging Regressor) kullanılarak adaptif katsayı tahmini üzerinden kontrol sağlanmıştır. Ayrıca, makine sağlığını korumak amacıyla istatistiksel (Z-Skoru, IQR) ve yoğunluk tabanlı (DBSCAN) yöntemler dinamik bir zaman penceresi yaklaşımıyla birleştirilerek hibrit bir anomali tespit mimarisi kurgulanmıştır. Kapalı çevrim gerçek zamanlı test süreçlerinde, topluluk öğrenme modellerinin (Random Forest ve Bagging gibi) geleneksel sabit parametreli yöntemlere kıyasla kesim süresini %14 ile %15 oranında kısalttığı; LSTM modelinin ise kesim süresini korurken şerit motor akım kararlılığını artırdığı ve yanal şerit sapma genliğini %25 oranında iyileştirdiği deneysel olarak ortaya konmuştur. Sonuç olarak bu çalışma, yapay zekâ destekli bütünleşik kontrol ve durum izleme sistemlerinin imalat operasyonlarında üretim verimliliğini, parça kalitesini ve operasyonel güvenliği önemli ölçüde artırarak Genel Ekipman Etkinliğine (OEE) doğrudan ölçülebilir katma değer sağladığını ortaya koymaktadır.
Özet (Çeviri)
With the Fourth Industrial Revolution (Industry 4.0), the necessity for autonomous, data-driven, and intelligent systems in machining processes has rapidly increased. Band saw machines, which constitute the starting point of the machining process chain, are complex non-linear systems that require high-performance, dynamic control mechanisms due to their flexible cutting tool structures, variable cross-sectional areas, and heterogeneous material processing dynamics. These machines, when operated with fixed parameters in traditional methods, lead to excessive tool wear, band breakages, and deterioration of cutting perpendicularity. This study aims to design, implement, and physically validate an integrated intelligent adaptive cutting control and hybrid anomaly detection system using data obtained from a prototype band saw machine developed at İmaş Makine, within 3237008 number project supported by the TÜBİTAK 1711 AI Ecosystem Call. Within the scope of the research, high-frequency time-series data pre-obtained from the machine (band motor current, band deviation amplitude, cutting speed, and feed rate) were subjected to comprehensive data preprocessing stages, including signal noise reduction and normalization. To leverage different methodological and structural advantages within the adaptive cutting control loop, two distinct artificial intelligence architectures were designed. In the first approach, Long Short-Term Memory (LSTM) deep learning networks, which model temporal dependencies in time-series data, were utilized for direct speed forecasting; meanwhile, the second approach, which employs a structurally different methodology, utilized tree-based ensemble learning algorithms (Random Forest and Bagging Regressor) for control via adaptive coefficient estimation. Furthermore, to preserve machine health, a hybrid anomaly detection architecture was developed by combining statistical (Z-Score, IQR) and density-based (DBSCAN) methods with a dynamic sliding window approach. In closed-loop real-time testing processes, it has been experimentally proven that ensemble learning models, such as Random Forest and Bagging, reduce cutting time by 14% to 15% compared to traditional fixed-parameter methods; meanwhile, the LSTM model increases band motor current stability and significantly improves the lateral band deviation amplitude by 25% while maintaining the cutting duration. Consequently, this study demonstrates that AI-integrated control and condition monitoring systems significantly enhance production efficiency, part quality, and operational safety in machining operations, providing a direct measurable value to Overall Equipment Effectiveness (OEE).
Benzer Tezler
- Investigation of the cutting performances of the diamond tools used in the natural stone industry
Doğal taş sanayisinde kullanılan elmaslı kesicilerin kesim performansının incelenmesi
BERRAK BULUT
Doktora
İngilizce
2021
Metalurji Mühendisliğiİstanbul Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT BAYDOĞAN
- ESD ile sert faz kaplanmış titanyum alaşımlarının ve çeliklerin lazer ile işlenmesi ve karakterizasyonu
The laser processing of titanium alloys and steels which are hard phase coated by ESD method and their characterization
AKIN BOZKURT
Yüksek Lisans
Türkçe
2018
Mühendislik BilimleriAfyon Kocatepe ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
PROF. DR. ŞÜKRÜ TALAŞ
- Yığıntı talaş eğilimi sergileyen malzemelerin testere ile kesilmesinde gagalama fonksiyonunun kesme performansına etkisi
The effect of pecking function on cutting performance in sawing of materials exhibiting built-up edge
YUNUS EMRE KINACI
Yüksek Lisans
Türkçe
2025
Makine MühendisliğiBursa Uludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. CELALETTİN YÜCE
- Investigation of mechanical properties of nanoparticle coated glass fiber/epoxy composites coated with dip coating and industrial production methods
Daldırma ve endüstriyel üretim yöntemleri ile üretilmiş nanoparçacık kaplı cam elyaf/epoksi kompozitlerin mekanik özelliklerinin incelenmesi
EMİR ÇETİNALP
Yüksek Lisans
İngilizce
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiNanobilim ve Nanomühendislik Ana Bilim Dalı
DOÇ. DR. BİRGÜL BENLİ
- Çelik / bronz talaş kompozitin üretimi ve mekanik özellikleri
Production and mechanical properties of steel/bronze chips composite
HAKAN BURAK KARADAĞ
Doktora
Türkçe
2012
Makine MühendisliğiSelçuk ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET AKDEMİR