Geri Dön

Yapay zeka metotlarını kullanarak otomotiv sektöründeki örnek problemlerinin çözümlerinin araştırılması

Investigation of solutions of sample problems in the automotive industry using artificial intelligence methods

  1. Tez No: 736041
  2. Yazar: İLHAN ÇEKİÇ
  3. Danışmanlar: PROF. DR. KADİR ÇAVDAR
  4. Tez Türü: Doktora
  5. Konular: Makine Mühendisliği, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Bursa Uludağ Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 124

Özet

Otomotiv imalat sektöründe mevcut süreçlerde pek çok farklı hata modu ile karşılaşılmaktadır. Bu hataların giderilmesi için geçici ve kalıcı önlemler alınmaya çalışılır. Yapılan faaliyetlerde çoğu zaman, süreçlerin doğası gereği, sıfır hata koşulları oluşturulamamaktadır. Buradaki zafiyeti gidermek için insan inisiyatifinde olan %100 görsel kontrol ile hatanın bir sonraki sürece veya iç ve dış müşteriye gönderilmesini önlemek adına tedbir alınmaktadır. Buna karşın halen sahada hatalı parça taramalarında tespit edilemeyen hatalar nedeniyle, şiddetine bağlı olarak, son derece yüksek kalitesizlik maliyetleri ile karşılaşılmaktadır. Modern yaklaşımda, hata tespitinde görsel kontroller yerine, makine öğreniminin farklı metotları kullanılarak, yüksek doğruluk oranları ile hata tespiti sağlanabilir. Örneğin üstün resim işleme, özellik çıkarma yeteneği nedeniyle, evrişimli sinir ağı (ESA), akıllı hata teşhisi alanında geniş çapta araştırılmış ve uygulanmış, diğer geleneksel makine öğrenme yöntemlerine kıyasla üstün performansı kanıtlanmıştır. İlave olarak, proses parametrelerinin belirlenmesinde, mevcut saha verilerinden yararlanarak, yapay sinir ağları (YSA) metodunu kullanarak, en ideal parametre sonuçları elde edilebilir. Bu çalışmada, imalat süreçlerindeki hata tespitine izin veren yenilikçi bir yaklaşım geliştirilmiştir. Örnek çalışmalarda punta kaynak parametrelerinin belirlenmesinde, yapay sinir ağları (YSA) kullanarak, mevcut parametreler ile çekirdek çapı tahmini yapılmıştır. Burada farklı regresyon analizi neticelerine göre karşılaştırmalı sonuçlar çıkarılmıştır. Ayrıca punta ve gazaltı kaynak hataları, sac çatlak hataları ve araç görsel hatalarının tespit edilmesi için, makina öğrenmesindeki evrişimli sinir ağları (ESA) kullanarak, yüksek doğruluk oranları elde edilmiştir.

Özet (Çeviri)

Many different defect modes are encountered in the current processes in the automotive manufacturing sector. Temporary and permanent measures are tried to be taken to eliminate these defects. Most of the time, due to the nature of the processes, zero defect conditions cannot be created in the activities performed. In order to eliminate the weakness here, measures are taken to prevent the error from being sent to the next process or to the internal and external customers with 100% visual control at the human initiative. However, due to the defects that cannot be detected in the field defect scans, extremely high costs of poor quality are encountered, depending on the severity. In the modern approach, defect detection with high accuracy rates can be achieved by using different methods of machine learning instead of visual controls in defect detection. For example, due to its superior image processing, feature extraction capability, convolutional neural network (CNN) has been widely researched and applied in the field of intelligent defect diagnosis and has gained superior performance compared to other traditional machine learning methods. In addition, in the determination of process parameters, the most ideal parameter results can be obtained by using the artificial neural networks (ANN) method by making use of the available field data. In this study, an innovative approach has been developed that allows defect detection in manufacturing processes. In sample studies, In the determination of spot welding parameters, nugget diameter estimation was made with existing parameters using artificial neural networks (ANN). Here, comparative results are drawn according to the different regression analysis results. In addition, high accuracy rates have been achieved by using convolutional neural networks (CNN) in machine learning to detect spot and arc metal arc welding defects, sheet metal crack defects and vehicle visual defects.

Benzer Tezler

  1. Endüstriyel üretim hatlarında yapay zekâ destekli kalite kontrol sisteminin geliştirilmesi

    Development of artificial intelligence-supported quality control system in industrial production lines

    ELİF AYDAN BİKE

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKAY BAYRAK

  2. MR görüntülerinde MS hastalığının teşhisine yeni bir yaklaşım

    A new approach to the diagnosis of MS disease in MR images

    BURAK YILMAZ

    Doktora

    Türkçe

    Türkçe

    2017

    Elektrik ve Elektronik MühendisliğiSelçuk Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. AKİF DURDU

  3. Recommending ancillary products in aviation industry: A comparative study on recommender systems using online customer reviews

    Havacılıkta ek hizmetlerın önerilmesı: İnternet ortamındaki müşteri yorumları kullanılarak öneri sistemleri ile ilgili karşılastırmalı çalışma

    YAVUZ SELİM EMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir Üniversitesi

    Yapay Zeka Ana Bilim Dalı

    DR. TAMER UÇAR

  4. Derin öğrenme yöntemiyle panoramik radyografilerde sekonder çürük tespiti

    Secondary caries detection with deep learning in panoramic radiographs

    GÖKTUĞ YERSEL

    Diş Hekimliği Uzmanlık

    Türkçe

    Türkçe

    2024

    Diş HekimliğiKocaeli Üniversitesi

    Restoratif Diş Tedavisi Ana Bilim Dalı

    PROF. DR. NESLİHAN TEKÇE

  5. Software development of fuzzy clustering artificial neural networks

    Bulanık kümelemeli yapay sinir ağları yazılımı geliştirme

    AHMET VEHBİ OLGAÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2009

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih Üniversitesi

    Bilgisayar Mühendisliği Bölümü

    PROF. DR. BEKİR KARLIK