Yapay zeka metotlarını kullanarak otomotiv sektöründeki örnek problemlerinin çözümlerinin araştırılması
Investigation of solutions of sample problems in the automotive industry using artificial intelligence methods
- Tez No: 736041
- Danışmanlar: PROF. DR. KADİR ÇAVDAR
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Bursa Uludağ Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- 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
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiAkıllı Sistemler Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÖKAY BAYRAK
- MR görüntülerinde MS hastalığının teşhisine yeni bir yaklaşım
A new approach to the diagnosis of MS disease in MR images
BURAK YILMAZ
Doktora
Türkçe
2017
Elektrik ve Elektronik MühendisliğiSelçuk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. AKİF DURDU
- 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
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiYapay Zeka Ana Bilim Dalı
DR. TAMER UÇAR
- Derin öğrenme yöntemiyle panoramik radyografilerde sekonder çürük tespiti
Secondary caries detection with deep learning in panoramic radiographs
GÖKTUĞ YERSEL
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiKocaeli ÜniversitesiRestoratif Diş Tedavisi Ana Bilim Dalı
PROF. DR. NESLİHAN TEKÇE
- Software development of fuzzy clustering artificial neural networks
Bulanık kümelemeli yapay sinir ağları yazılımı geliştirme
AHMET VEHBİ OLGAÇ
Yüksek Lisans
İngilizce
2009
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFatih ÜniversitesiBilgisayar Mühendisliği Bölümü
PROF. DR. BEKİR KARLIK