Geri Dön

Derin öğrenme yöntemleri kullanılarak tornalamada takım seslerinden takım aşınmasının tahmini

Prediction of tool wear from tool noises in turning using deep learning methods

  1. Tez No: 889287
  2. Yazar: RAMAZAN İLENÇ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ SAVAŞ KOÇ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Makine Mühendisliği, Mechanical Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Batman Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 68

Özet

İlerleyen akım aşınması ve takım kırılmasının tahmin edilmesi, talaşlı imalat işlemlerinin anlık olarak izlenmesi, kesme parametrelerinin optimizasyonu ve veri tabanlarının oluşturulması açısından büyük bir öneme sahiptir. CNC torna tezgahlarıyla optimize edilen sistemler, yüksek hassasiyet ve doğrulukla sonuçlar elde etmek için tercih edilmektedir. Günümüzde, takım tezgahlarında giderek daha fazla sensör kullanımı söz konusu olup, veri miktarı aşırı derecede artmaktadır. Takım durumu izleme için uygun sistemler, sinyallerin doğasına bağlı olarak seçilmektedir. DL (Derin öğrenme) ve ML (makine öğrenmesi) modelleri, bu sistemlerden bazılarıdır. Bu çalışmada, tornalama sırasında kaydedilen ses verileri, DL ve ML modelleri kullanılarak analiz edilmiştir. İş parçası malzemesi olarak 316L paslanmaz çelik ve 1050 çelik malzemesi kullanılmıştır. Ses verilerinin öznitelikleri, genlik-zaman, mel-spektrogram, MFCCs (Mel Frekansı Kepstrum Katsayıları), ZCRs (Sıfır Geçiş Oranları) ve RMS (Karekök Ortalama Kare Enerjisi) kullanılarak çıkartılmıştır. DL modelleri olan 1D CNN (Evrişimsel Sinir Ağları) ve 2D CNN ile ML modelleri KNN (K En Yakın Komşular), SVM (Destek Vektör Makineleri), RF (Rastgele Orman) ve topluluk öğrenme modelleri, elde edilen öznitelikler kullanılarak eğitilmiştir. 316L paslanmaz çeliğin işlenmesi sırasında oluşan takım aşınması tahmininde 1D CNN modelinde %98.08, 2D CNN modelinde %96.72, KNN modelinde %94.26, SVM modelinde %90.43 ve topluluk öğrenme modelinde %96.99 gibi yüksek doğruluk oranları elde edilmiştir. 1050 çelik malzemesinin işlenmesi sırasında oluşan takım aşınması tahmininde ise 1D CNN modelinde %89.32, 2D CNN modelinde %91.24, KNN modelinde %89.6, SVM modelinde %84.27, RF modelinde %92.28 ve topluluk öğrenme modelinde %90.35 doğruluk oranları elde edilmiştir. DL yöntemleri ve ML modelleri, olumlu sonuçlar vermekte ve imalat sektöründe uygulanabilir sistemler olduğunu göstermektedir. Bu çalışma, sanayi ve akademik alanlarda uygulanabilirliği ve literatüre katkısı ile dikkat çekmekte olup, gelecekteki çalışmalar için bir temel teşkil etmektedir.

Özet (Çeviri)

The prediction of progressive tool wear and tool breakage, as well as the real-time monitoring of machining processes, is crucial for optimizing cutting parameters and establishing databases. CNC lathe systems optimized for high precision and accuracy are preferred in this context. Nowadays, an increasing number of sensors are being used in machine tools, leading to an exponential growth in input data. Appropriate systems for tool condition monitoring are selected based on the nature of the signals. Some of these systems include DL (deep learning) and ML (machine learning) models. In this study, sounds recorded during turning were analyzed using DL and ML models. The workpiece materials used were 316L stainless steel and 1050 steel. The features of the sound data were extracted using amplitude-time, mel-spectrogram, MFCCs (Mel Frequency Cepstral Coefficients), ZCRs (Zero Crossing Rates), and RMS (Root Mean Square Energy). DL models, including 1D CNN (Convolutional Neural Networks) and 2D CNN, as well as ML models such as KNN (K-Nearest Neighbors), SVM (Support Vector Machines), RF (Random Forest), and ensemble learning models, were trained using the extracted features. During the machining of 316L stainless steel, high prediction accuracies were achieved for tool wear with the 1D CNN model at 98.08%, the 2D CNN model at 96.72%, the KNN model at 94.26%, the SVM model at 90.43%, and the ensemble learning model at 96.99%. For the machining of 1050 steel, prediction accuracies for tool wear were achieved at 89.32% with the 1D CNN model, 91.24% with the 2D CNN model, 89.6% with the KNN model, 84.27% with the SVM model, 92.28% with the RF model, and 90.35% with the ensemble learning model. The DL and ML models demonstrated favorable results, indicating their applicability in the manufacturing industry. This study is noteworthy for its applicability in both industrial and academic fields, contributing to the literature and laying a foundation for future research.

Benzer Tezler

  1. Derin öğrenme yöntemi ile kesici takımların sınıflandırılması ve tespiti

    Classification and detection of cutting tools by deep learning method

    KENAN TAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Makine MühendisliğiBatman Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    DOÇ. DR. ŞEHMUS BADAY

  2. Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  3. Derin öğrenme yöntemleri kullanılarak beyin tümörü tiplerinin ve sınırlarının tahminlenmesi

    Prediction of brain tumor types and limits using deep learning methods

    MERVE PINAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ

  4. Derin öğrenme yöntemleri kullanılarak Türkiye'deki depremlerin tahmini

    Prediction of earthquakes in Turkey using deep learning methods

    MERVE ÇELİK

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolEskişehir Osmangazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EFNAN ŞORA GÜNAL

  5. Derin öğrenme yöntemleri kullanılarak konik ışınlı bilgisayarlı tomografi görüntülerinden diş ve çene kemiğinin tespiti

    Detection of teeth and jaw bone from cone-beam computed tomography images using deep learning methods

    OSAMAH KHALED MUSLEH SALMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Mekatronik MühendisliğiIsparta Uygulamalı Bilimler Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BEKİR AKSOY

    DR. ÖĞR. ÜYESİ NURULLAH TÜRKER