Derin öğrenme yöntemleri kullanılarak tornalamada takım seslerinden takım aşınmasının tahmini
Prediction of tool wear from tool noises in turning using deep learning methods
- Tez No: 889287
- Danışmanlar: DR. ÖĞR. ÜYESİ SAVAŞ KOÇ
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Batman Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- 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
- Çocuk kalp damar cerrahisi yoğun bakım ünitesinde postoperatif kavşak kaynaklı ektopik taşikardi; sıklık ve risk faktörleri
Junctional ectopic tachycardia after pediatric cardiac surgery; incidence and outcome
NESLİHAN KIPLAPINAR
Tıpta Yan Dal Uzmanlık
Türkçe
2013
Göğüs Kalp ve Damar CerrahisiSağlık BakanlığıÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. ENDER ÖDEMİŞ
- 8 haftalık futbol antrenmanının 14-16 yaş grubundaki öğrencilerin fiziksel ve fizyolojik özellikleri üzerine etkileri
The effects of an eight weeks football workout on the physical and physiological features of students in the 14-16 age group
METİN KOCADAĞ
Yüksek Lisans
Türkçe
2014
SporHarran ÜniversitesiBeden Eğitimi ve Spor Ana Bilim Dalı
YRD. DOÇ. DR. ŞEBNEM ŞARVAN CENGİZ
- Ege Üniversitesi Etnografya Müzesinde bulunan takıların teknik ve tasarım özelliklerinin incelenmesi
Ethnographic museum of the University of the Aegean jewellery found properties of technical and design
MÜJGAN EMRE EROĞLU
Yüksek Lisans
Türkçe
2013
Güzel SanatlarDokuz Eylül ÜniversitesiTekstil ve Moda Tasarımı Ana Sanat Dalı
YRD. DOÇ. DR. FÜSUN ÖZPULAT
- Yavuz Sultan Selim Dönemi Kültür ve Edebiyatı
The Culture and Literature in the era of Yavuz Sultan Selim
ÖMER GÖKHAN YAĞCI
Doktora
Türkçe
2014
Türk Dili ve EdebiyatıKırıkkale ÜniversitesiTürk Dili ve Edebiyatı Ana Bilim Dalı
PROF. DR. MUHİTTİN ELİAÇIK
- Deri ve yumuşak doku enfeksiyonu etkeni olan toplum ve hastane kaynaklı staphylococcus aureus izolatlarının antimikrobiyal duyarlılık durumlarının ve panton valentıne leukocıdın toksini sıklığının araştırılması
Investigation of panton valentine leukocidin toxin frequency and antimicrobial susceptibilities of community and hospital acquired staphylococcus aureus isolates related with skin and soft tissue infections
TÜLİN DEMİR
Tıpta Uzmanlık
Türkçe
2008
MikrobiyolojiSağlık BakanlığıTıbbi Mikrobiyoloji Ana Bilim Dalı
DR. NİLAY ÇÖPLÜ