Geri Dön

Veri güdümlü dijital ikiz modeli ile freze takım tezgahı takım aşınma tahminlemesi ve kesme parametreleri optimizasyonu

Prediction of tool wear and cutting parameter optimization of milling machine tool with data-driven digital twin model

PDF İndir

  1. Tez No: 864104
  2. Yazar: GİZEM BURUN
  3. Danışmanlar: PROF. DR. ALP ÜSTÜNDAĞ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mühendislik Yönetimi Bilim Dalı
  13. Sayfa Sayısı: 81

Özet

Endüstri 4.0 paradigması, üretim süreçlerinde dijitalleşme ve otomasyonun önemli bir evrimini temsil eder. Bu evrim, bulut bilişim, büyük veri, nesnelerin interneti gibi çeşitli anahtar teknolojileri kullanarak üretim sistemlerinin daha akıllı, esnek ve verimli hale gelmesini sağlar. Bu bağlamda, dijital ikizler, fiziksel varlıkların sanal bir modelini oluşturarak, üretim süreçlerinin daha etkili bir şekilde yönetilmesine ve optimize edilmesine olanak tanıyan bir anahtar teknoloji olarak karşımıza çıkar. Dijital ikizin herhangi bir dijital modelden farkı, fiziksel sistemden gelen verinin dijital modeli gerçek zamanlı olarak beslemesi ve modelin çıktıları kullanılarak fiziksel sisteme bir veri akışının olmasıdır. Bu tez kapsamında endüstri 4.0 prensipleri doğrultusunda bir freze takım tezgahının takım aşınmasını tahminleyen ve optimize eden bir veri güdümlü dijital ikiz modeli geliştirilmiştir. Tezgahtan sensörler vasıtasıyla toplanmış olan veriler kullanılarak tezgaha ait kesici takım aşınma değerlerinin izlenmesini sağlayan bir tahminleme modeli oluşturulmuştur. Bu tahminleme modeline takım aşınma değerini en aza indirmeyi amaçlayan bir optimizasyon modeli entegre edilmiştir. Uygulama açık bir veri seti üzerinden gerçekleştirildiğinden dolayı kurgulanan yapının gerçek zamanlı çalışmasını göstermek adına başka bir tahminleme modeli üzerinden elde edilen sentetik sensör verisi ile gerçek zamanlı veri akışı benzetimi uygulanmıştır. Takım aşınması tahminlemesi için titreşim, akustik emisyon ve iş mili motoruna ait akım değerleri üzerinden makine öğrenmesi, derin öğrenme ve topluluk öğrenmesi modelleri eğitilmiş ve dijital ikiz modeline entegre edilmek üzere model seçimi yapılmıştır. Kesici takımların bakım maliyetleri tezgah üzerinde uygulanan üretim süreçlerinde önemli bir maliyet kalemi oluşturmaktadır. Takım aşınmasının optimize edilmesi bu maliyetlerin düşürülmesi konusunda önem arz etmektedir. Bu doğrultuda bir takım aşınması matematiksel modeli kullanılarak takım aşınması optimizasyonu çalışması gerçekleştirilmiştir. Bu optimizasyon çalışmasında, yaygın kullanıma sahip metasezgisel yöntemler olan genetik algoritma ve parçacık sürü optimizasyonu tercih edilmiştir. Fiziksel olarak gerçekleşmiş olan bir aşınmanın azalması gibi bir durum söz konusu olmadığı için takım aşınmasını en aza indirecek olan optimizasyon mevcut aşınma değeri ile sınırlandırılmalıdır. Bu sebepten ötürü tahminleme modelinden gelen takım aşınması değerleri optimizasyon modelinde uygunluk limiti olarak kullanılmış ve optimizasyon modelinin bu limite kadar gerçek zamanlı ve otomatik olarak koşturulmasına yönelik bir yapı oluşturulmuştur. Dijital ikiz modelinin gerçek zamanlı çalışmasını göstermek amaçlı gerçekleştirilen sentetik sensör verisi üretimi için tezgah kesme parametrelerini ve mevcut aşınma değerini girdi olarak alan bir regresyon modeli geliştirilmiştir. Bu model sensör işlevi görerek titreşim, akustik emisyon ve akım değerlerine ait sentetik veri üretimi gerçekleştirmektedir. Elde edilen bu tahminleme modelleri ve optimizasyon modelinin birbirlerine entegrasyonu ve döngüsel çalışması sağlanmıştır. Sentetik sensör verisi üretimi ile elde edilen veriler takım aşınması tahminleme modeline girdi sağlar, bu girdi ile tetiklenen takım aşınması tahminleme modeli mevcut takım aşınması değerini döner ve bir önceki aşınma değerinden artış miktarı hesaplanarak optimizasyon modeline uygunluk değeri limiti olarak gönderilir. Optimizasyon modeli bu limite kadar koşturulur ve limite ulaştığında elde edilen kesme parametreleri değerleri mevcut aşınma miktarı ile birlikte sensör tahminleme modeline iletilir. Geliştirilen entegre model, alt modellerin bu şekilde birbirlerini otomatik olarak tetiklemesi ile döngüsel şekilde çalışır. Geliştirilen tahminleme modellerinin performansı belirlenmiş performans metriği olarak karekök hata değerleri üzerinden ölçülmüş ve kıyaslanmıştır. Kurulan veri güdümlü dijital ikiz yapısının optimizasyon performansı mevcuttaki gerçek veriler ile optimizasyon sonrası elde edilen aşınma değerleri üzerinden değerlendirilmiştir. Belli sayıda iterasyon koşturularak oluşan aşınma değeri aynı zaman adımında gerçek veride var olan aşınma değeri ile kıyaslanmış ve kurgulanan modelin aşınma değerinin gerçek aşınma değerinden düşük olduğu görülmüştür. Önerilen bu dijital ikiz modeli ile birlikte takım tezgahı aşınma değerlerinin gerçek zamanlı olarak izlenerek bakım planlamasının daha etkin yapılabilmesinin yanı sıra belirlenen optimum kesme parametreleri ile aşınma miktarlarının en düşük seviyede tutulabileceği ve bu sayede takım maliyetlerinin azaltılabileceği düşünülmektedir.

Özet (Çeviri)

The paradigm of Industry 4.0 represents a significant evolution in manufacturing processes, emphasizing digitization and automation. This evolution aims to make production systems smarter, more flexible, and efficient by leveraging various key technologies such as cloud computing, big data, and artificial intelligence. The concept of the Internet of Things is one of these crucial technologies, enabling the integration of devices and sensors into a system. This integration not only facilitates remote management of devices but also allows for the collection of device-specific data in real-time, enabling analysis and proactive actions. The real-time collection of data generated by devices through the Internet of Things has accelerated the development of another key technology within the Industry 4.0 framework: digital twins. Digital twins create a virtual model of physical entities, allowing for more effective management and optimization of production processes. What sets a digital twin apart from any digital model is the real-time feeding of data from a physical system, creating a bidirectional flow of information between the digital and physical systems. Within the scope of this thesis, a data-driven digital twin model has been developed, adhering to the principles of Industry 4.0, to predict and optimize tool wear in a milling machine tool. Utilizing data collected from sensors on the machine, a predictive model has been established to monitor the wear of cutting tools. This predictive model has been integrated with an optimization model that aims to minimize the wear of the machine's tools. Since the application was carried out using an open dataset, a synthetic data simulation was conducted using another prediction model to demonstrate real-time operation. The open dataset used in this study was obtained from NASA's open data portal and includes data collected from sensors mounted on a milling machine in an experimental environment. Although literature review indicates the development of predictive models using this dataset, no optimization studies were found. The dataset contains vibration, acoustic emission, and current values of the spindle motor generated by these sensors, including the cutting parameters of machine. Experiments were conducted on two different materials, resulting in 16 different scenarios. The development of predictive models began with data preprocessing, involving the cleaning of erroneous data and interpolation of wear data to align with sensor data at the same time step. Moving averages were used as feature, and feature scaling was applied. In milling processes, there are instances where the cutting tool does not directly contact the material, referred to as“air cutting.”As this process does not contribute to tool wear, air cutting data was identified manually and removed from the dataset. For tool wear prediction, machine learning models such as linear regression, decision trees, and support vector regression were applied, while deep learning models such as LSTM and GRU were chosen. Additionally, an ensemble learning method, XGBoost, was developed. The performance of these models was evaluated based on the root mean square error, and a deep learning model was selected for integration into the digital twin structure. Tool costs constitute a significant expense in the production processes of machine tools. Optimizing tool wear is crucial for reducing these costs. To achieve this, an optimization study for tool wear was conducted using metaheuristic methods, specifically genetic algorithms and particle swarm optimization. Since there is no reduction in actual wear, the optimization of tool wear should be limited by the existing wear value. Therefore, wear values obtained from the predictive model were used as the fitness limit in the optimization model. A structure was established to enable the real-time and automatic running of the optimization model until reaching this limit. To demonstrate the real-time operation of the digital twin, a regression model was developed for sensor prediction, taking cutting parameters and existing wear values as input from the machine. This model serves the function of generating synthetic data related to vibration, acoustic emission, and current values. The integration and cyclical operation of the obtained prediction models and the optimization model were ensured. Sentetic sensor data, obtained through learning model, provide input to the tool wear prediction model. The wear prediction model, triggered by this input, returns the existing tool wear value. The increase amount from the previous wear value is calculated, and this information is sent to the optimization model as the fitness limit. The optimization model runs until this limit is reached, and once achieved, the cutting parameter values obtained are sent back to the sentetic sensor data generation model along with the existing wear amount. The integrated model operates cyclically as the sub-models automatically trigger each other. The optimization performance of the established digital twin structure was evaluated based on actual data and wear values obtained after optimization. By running a certain number of iterations, the wear value obtained was compared with the existing wear value at the same time step in real data. It was observed that the wear value of the model was lower than the real wear value. With the proposed digital twin model, it is anticipated that real-time monitoring of machining tool wear values will enable more effective maintenance planning. Additionally, by employing the determined optimal cutting parameters, it is expected that tool wear can be minimized, leading to a reduction in tool cost.

Benzer Tezler

  1. Tez No

    722206

    Developing an architectural framework for facilitating transformation towards data-driven organizations

    Veri güdümlü kuruluşlara dönüşümü kolaylaştırmak için mimari bir çerçevenin geliştirilmesi

    KEREM KAYABAY

    Doktora

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. PEKİN ERHAN EREN

    DOÇ. DR. EBRU GÖKALP

  2. Tez No

    515897

    Part-based data-driven shape interpolation

    Parça bazlı veri güdümlü şekil interpolasyonu

    MELİKE AYDINLILAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF SAHİLLİOĞLU

  3. Tez No

    795752

    A data-integrated edge computing technology roadmap for industrial internet of things

    Endüstriyel nesnelerin interneti için veri güdümlü uç bilişim teknoloji yol haritası

    ALP BAYAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Yönetim Bilişim SistemleriOrta Doğu Teknik Üniversitesi

    Bilişim Sistemleri Ana Bilim Dalı

    DOÇ. DR. PEKİN ERHAN EREN

    DR. KEREM KAYABAY

  4. Tez No

    866894

    Sözlü kültürden dijital anlatıya: Türk sözlü kültür unsurlarının veri temelli interaktif hikâye anlatıcılığıyla aktarımına yönelik ihtiyaçlar

    From oral culture to digital narrative: Needs for the transfer of Turkish oral culture elements through data-driven interactive storytelling

    ZEYNEP BİLGENUR ZENGİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Güzel SanatlarYıldız Teknik Üniversitesi

    Sanat ve Tasarım Ana Sanat Dalı

    DOÇ. DR. NUR CEMELELİOĞLU

  5. Tez No

    778892

    Avrupa Birliği ve Türk hukukunda hâkim durumun kötüye kullanılması ve veri güdümlü ekonomilerin getirdikleri

    Abuse of the dominant position in the European Union and Turkish law and what data-driven economies bring

    İREM TAŞKIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Hukukİstanbul Üniversitesi

    Avrupa Birliği Ana Bilim Dalı

    PROF. DR. MEHMET HELVACI

Geri Dön