Quality failure detection technique in simultaneous and sequential multi-valve plastic injection molding
Çok yolluklu eş zamanlı ve sıralı plastik enjeksiyon kalıplarında kalite hatası bulma tekniği
- Tez No: 766068
- Danışmanlar: PROF. DR. İSMAİL LAZOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Makine Mühendisliği Bilim Dalı
- Sayfa Sayısı: 76
Özet
Plastik enjeksiyon prosesi lineer olmayan ve zamana bağlı değişen, kompleks dinamik bir karakteristiğe sahiptir ve prosesin devamı tecrübeli ve eğitimli operatörlere bağlıdır. Dizayn kompleksliğindeki artışlara, çevresel etkiyi azaltmak için kullanılan yeni malzemelere ve enerji harcamalarını düşürme gerekliliklerine bağlı olarak plastik enjeksiyon üzerine olan kontrol çalışmalarının sayısı artmıştır. Plastik enjeksiyonda hata bulma çalışmaları otomasyon seviyesini arttırdığı ve hurda oranını azalttığı için kritiktir. Son yıllarda giderek artan sayıda kalite hata bulma sistemleri ve akıllı enjeksiyon stratejileri geliştirilmiştir. Bu tez genel olarak çok yolluklu sıralı ve eş zamanlı plastik enjeksiyon kalıplarında kalite hatası bulmaya odaklanmıştır. Ortaya koyulmaya çalışılan metodun başarısını ölçmek için üç ana kriter kullanılmıştır: kalite hatalarını yüksek oranda bulma, üretimde sürdürülebilirlik ve geribildirim altyapısı. Metodu geliştirmek için çeşitli denemeler yapılmış ve tekrarlı bir yaklaşım kullanılmıştır. Hata matrisleri, doğruluk, kesinlik ve hassaslık gibi hipotez değerlendirme kriterleri önerilen tekniğin başarısını ölçmek için kullanılmıştır. Kriterleri sağlamak için tekrarlayan yaklaşım tercih edilmiş ve çalışmalara zaman serisi bazlı yaklaşımlarla başlanmıştır. Zaman serisi bazlı yaklaşımların ne geri bildirim altyapısına ne de sürdürülebilirliğe sahip olmadığı görülmüştür. Bu sebeple, veri pencereleme yaklaşımları uygulanmış ve kriterler sağlanmıştır. Kalıp içi sensörler ve yolluk zamanları verilerin ana kaynağıdır ve enjeksiyon kalıplama makinesinden alınan tek sinyal enjeksiyon başlama sinyalidir. Böylece, enjeksiyon makinesinden bağımsız bir hata bulma metodu bu çalışmada ortaya atılmıştır. Bu çalışmada, çok yolluklu plastik enjeksiyon proseslerinde hata bulma çalışmaları sunulmuştur. Yollukların zamanlamaları bir programlanabilir akıllı kontrolör aracılığı ile toplanırken, kalıp içi sensör verileri geliştirilmiş olan veri toplama sistemi ile toplanmıştır. Elde edilen sensör profilleri ve zamanlama bilgileri eşleştirilmiş ve elektrik paneline depolama, analiz ve kontrol amacı ile transfer edilmiştir. Etiketlenmiş veri, öğrenme bazlı hata bulma algoritması ve yolluk zaman geri bildirimi için kullanılmıştır. Çalışma kalıp içi basınç sensörü ve onun türevini veri pencereleme tekniği ile analiz etmektedir. Ek olarak, kalıp içi basınç sensörünün profili bir Python kütüphanesi olan zaman bazlı parametre çıkarma ve hipotez testi (TSFRESH) ile analiz edilmiş ve en kritik parametreler öğrenme algoritması için seçilmiştir. Parçanın kalitesini analiz etmek için pencerelenmiş kalıp içi sensör profilinin ve profilin pencerelenmiş türevinin yanında kalıp içi sıcaklık sensöründen, yolluk zamanlarından ve TSFRESH'ten parametreler çıkarılmıştır. K-en yakın komşu (KNN), destek vektör makinesi (SVC) ve lojistik regresyon (LR) gibi öğrenme algoritmaları hata bulma metodu için kullanılmıştır. Böylece bir öğrenme algoritması geliştirilmiş ve yeni metot yüksek kalite hatası bulma oranına, üretimde sürdürülebilirliğe ve geri bildirim altyapısına sahip bir metot olmuştur.
Özet (Çeviri)
The plastic injection (PI) process has the nonlinear and time-varying complex dynamic characteristics of the batch processes, and the continuity of the process depends on the long-term experienced and skilled operators. The increase in the design complexity requirements, the use of new materials to reduce environmental effects, and energy consumption minimization requirements increase the control studies about PI. Failure detection in the PI process is critical for increasing the automation level of the process and reducing the scrap rate. In recent years, quality failure detection methods and smart injection strategies have been developed and utilized in PI to increase control over the process. This thesis mainly focused on developing failure detection techniques for simultaneous and sequential multi-valve PI molding. Three main criteria are questioned in the proposed method: high quality failure detection rate, sustainability in the production, and feedback substructure. Different trials are conducted, and an iterative approach is used to construct the method. Confusion matrices and hypothesis evaluation metrics such as accuracy (Acc), precision (Pr), and sensitivity (Sn) are used to measure the proposed technique's success. An iterative approach is used to satisfy the criteria, and studies started with time series-based approaches. Time series approaches neither have feedback substructure nor sustainability. Therefore, data windowing approaches are implemented, and criteria are satisfied. Cavity sensors (CS) and valve timings are the primary sources of information, and the only collected input from the injection molding machine (IMM) is the injection start signal. Thus, a failure detection method that is independent of the IMM is proposed in this study. Quality failure detection in multi-valve PI molding is presented in this study. Timings of the valves are collected via a programmable logic controller (PLC), while sensor outputs are collected with a custom-developed data acquisition device (ADCR). Collected sensor profiles and timing information are matched and transferred to the electrical panel, which can store, analyze, and configure the upcoming data. Labeled data is used to construct a learning-based failure detection algorithm and valve time feedback. The study focuses on analyzing the cavity pressure (CP) sensor and derivative profiles with the sliding data windowing technique. Additionally, the labeled time series CP profile is analyzed with Python's Time Series Feature Extraction on Basis of Scalable Hypothesis library (TSFRESH), and the most critical parameters are evaluated and selected for the learning algorithm. To evaluate the quality of the product, features are extracted from the windowed CP sensor profile, windowed pressure derivative profile, cavity temperature (CT) sensor, valve opening times, and TSFRESH. Different learning algorithms such as k-nearest neighbor (KNN), support vector classifier (SVC), and logistic regression (LR) are used for failure detection. Thus, a learning algorithm is created, and a new method that has high quality failure detection rate, sustainability in production, and feedback substructure is proposed for multi-valve PI processes.
Benzer Tezler
- Uydu verileri ile İstanbul Boğazı ve Haliç'de su kirliliğinin makro düzeyde belirlenmesi
Intrepretation at macro level as pollution of water resources of remotely sensed data of Bosphorus and golden horn estuary by an unsupervised and supervised classification method
H.GONCA COŞKUN
- IEEE 1149.1 standardı kullanarak test edilebilir lojik devre tasarımı
Testable lojik circit design by using IEEE 1149.1 standard
A.BETÜL TUNCER
Yüksek Lisans
Türkçe
1992
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. AHMET DERVİŞOĞLU
- Mechanics, dynamics, and stability of orthogonal turn-milling operation
Dik frezeyle tornalama işleminin mekaniği, dinamiği, ve kararlılığı
KAVEH RAHIMZADEH BERENJI
Doktora
İngilizce
2022
Makine MühendisliğiSabancı ÜniversitesiÜretim Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN BUDAK
- Helicobacter pylori'nin kültür ve real time PCR yöntemleriyle varlığının saptanması ve klaritromisin direncinin real time PCR ile belirlenmesi
Identification of the presence of Helicobacter pylori by real time PCR and culture methods and detection of clarithromycin resistance by real time PCR
MELTEM TUNCAY ÖZDEMİR
Yüksek Lisans
Türkçe
2005
Eczacılık ve FarmakolojiAnkara ÜniversitesiFarmasötik Mikrobiyoloji Ana Bilim Dalı
PROF.DR. SULHİYE YILDIZ
- Yapay zekâ tabanlı elektrokardiyografi sinyali ile kan basıncı tespiti
AI-based blood pressure detection with electrocardiography signal
DERYA KANDAZ
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUHAMMED KÜRŞAD UÇAR