Machine learning-based modeling and monitoring of machining processes and tool wear
İşleme prosesleri ve takım aşınmasının makine öğrenmesi tabanlı modellenmesi ve izlenmesi
- Tez No: 898604
- Danışmanlar: PROF. DR. ERHAN BUDAK
- Tez Türü: Doktora
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Sabancı Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Üretim Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 136
Özet
Talaşlı imalat işlemleri, havacılık, otomotiv ve ağır makine endüstrileri dahil birçok sektörde imalatın temelini oluşturur. Bu işlemlerin etkin bir şekilde izlenmesi, yüksek kaliteli üretimin sağlanması, iş durma sürelerinin en aza indirilmesi ve takım ömrünün uzatılması açısından hayati öneme sahiptir. Etkin olmayan izleme, işlenmiş parçalarda hatalara, aşırı takım aşınmasına ve sonuçta önemli mali ve malzeme israfına yol açabilir. Geleneksel olarak, frezeleme operasyonlarının izlenmesi büyük ölçüde doğrudan insan gözetimi, periyodik testler ve zaman alıcı öğretim döngülerine dayanan sensör tabanlı izleme sistemlerine dayanmaktadır. Bu mevcut izleme sistemleri, esas olarak takım durumunu izlemeye yönelik olup, varyasyonun veya arızanın kaynağını doğru bir şekilde belirleyemezler, bu da onları hem hata yapmaya yatkın hem de kaynak yoğun hale getirir. Bu tez, fizik tabanlı simülasyonlarla entegre edilmiş ileri makine öğrenimi (ML) tekniklerinin uygulanması suretiyle bu geleneksel yaklaşımı devrim niteliğinde değiştirmeyi amaçlamaktadır. Bu, kapsamlı fiziksel testlere ve manuel denetime olan bağımlılığı önemli ölçüde azaltır. Bu ileri teknolojilerin sunduğu gelişmiş izleme yetenekleri, frezeleme işlemi üzerinde hassas kontrol sağlayarak optimal takım angajmanı ve işleme parametrelerini garanti eder. Bu, ürün kalitesindeki tutarlılığın artmasına ve atıkların önemli ölçüde azalmasına yol açar ki bu da hızlı hareket eden pazarlarda rekabetçiliği korumak için hayati önem taşır. Dahası, akıllı izleme sistemleri, oluşmadan önce takım aşınmasını ve olası arızaları tahmin edebilir, bu da önleyici bakım ve planlama imkanı sunar. Bu, sadece frezeleme ekipmanlarının ömrünü uzatmakla kalmaz, aynı zamanda beklenmedik kesintiler olmaksızın sürekli üretimi de garanti eder, böylece genel üretim verimliliğini artırır. Tezin ilk bölümü, frezeleme kuvvetlerini, takım aşınmasını ve takımla ilgili arızaları tahmin etmede üstün olan yenilikçi hibrit modeller serisini, fizik bilgilendirilmiş makine öğrenimi (PIML) olarak adlandırılan, sunar. Sınırlı deneysel veriler ile detaylı simülasyon çıktılarını birleştirerek, bu modeller %98'e varan tahmin doğruluklarına ulaşır. Çeşitli malzemeler ve takım konfigürasyonları üzerinde gösterilmiştir; modellerin uyum kabiliyeti ve ölçeklenebilirliği, geniş endüstriyel uygulama potansiyellerini vurgular. Sonraki bölümler, insansız imalat ortamlarında gerçek zamanlı uygulamalar için özel olarak geliştirilen sofistike bir arıza tespit sisteminin geliştirilmesini detaylandırır. Gelişmiş kuvvet modelleri ve ML algoritmaları kullanarak, bu sistem %96'nın üzerinde bir doğrulukla sapmaları tanır, süreçleri optimize eder ve maliyetleri önemli ölçüde düşürür. Ayrıca, tez çeşitli ML algoritmaları ile mekanistik içgörülerin entegre edildiği hibrit modelleme yaklaşımlarını kullanarak takım aşınmasının tahmin edilmesini araştırır. Bu yaklaşım, kapsamlı aşınma testlerine olan ihtiyacı önemli ölçüde azaltır, daha akıcı ve ekonomik olarak uygulanabilir bir izleme sürecini kolaylaştırır. Sonuç olarak, bu tezde sunulan araştırmalar, sadece sağlam tahmin araçları sağlayarak akıllı imalat izleme alanını ilerletmekle kalmaz, aynı zamanda gelecekteki geliştirmeler için sağlam bir temel de oluşturur. Geleneksel izleme yöntemlerini daha akıllı, verimli ve uyumlu sistemlere dönüştürerek, bu çalışma modern endüstrinin talepleriyle uyumlu yeni bir üretim çağının öncüsü olur.
Özet (Çeviri)
Milling processes are a basis of manufacturing across a variety of industries, including aerospace, automotive, and heavy machinery. Effective monitoring of these processes is essential to ensuring high-quality production, minimizing downtime, and extending tool life. Inefficient monitoring can lead to defects in machined parts, excessive tool wear, and ultimately, significant financial and material waste. Traditionally, the monitoring of milling operations has relied heavily on direct human supervision, periodic testing, and sensor-based monitoring systems, which are based on time-consuming teach cycles. These existing monitoring systems, mainly targeted at tool condition monitoring, cannot accurately identify the source of variation or fault, making them both error-prone and resource-intensive. This thesis seeks to revolutionize this traditional approach by implementing advanced machine learning (ML) techniques integrated with physics-based simulations, significantly reducing the reliance on extensive physical testing and manual oversight. The enhanced monitoring capabilities offered by these advanced technologies enable precise control over the milling process, ensuring optimal tool engagement and machining parameters. This leads to improved consistency in product quality and a substantial reduction in waste, which is crucial for maintaining competitiveness in fast-paced markets. Moreover, intelligent monitoring systems can predict tool wear and potential failures before they occur, allowing for preemptive maintenance and scheduling. This not only extends the lifespan of milling equipment but also ensures continuous production without unexpected interruptions, thereby enhancing overall manufacturing efficiency. The first section of the thesis presents a series of innovative hybrid models, known as physics-informed machine learning (PIML), which excel in predicting milling forces, tool wear, and tool-related faults. By combining limited experimental data with detailed simulation outputs, these models achieve predictive accuracies up to 98%. Demonstrated across various materials and tool configurations, the models' adaptability and scalability underscore their potential for widespread industrial application. Subsequent sections elaborate on the development of an advanced fault detection system, designed specifically for real-time applications in unmanned manufacturing environments. This system, employing refined force models and sophisticated machine learning algorithms, not only detects deviations with over 96% accuracy but also pinpoints the source of these faults. By accurately identifying not just the occurrence of anomalies but also their origins, the system enables targeted interventions, thereby optimizing manufacturing processes and significantly reducing operational costs. This dual capability of detection and precise source identification enhances the system's effectiveness in maintaining continuous production flow and minimizing downtime. Additionally, the thesis explores tool wear prediction using hybrid modeling approaches that integrate mechanistic insights with diverse ML algorithms. This approach significantly reduces the need for extensive wear testing, facilitating a more streamlined and economically viable monitoring process. In conclusion, the research presented in this thesis not only advances the field of intelligent manufacturing monitoring by providing robust predictive tools but also establishes a solid foundation for future enhancements. By transforming traditional monitoring methods into more intelligent, efficient, and adaptive systems, this work pioneers a new era of manufacturing that aligns with the demands of modern industry.
Benzer Tezler
- Hücresel imalat sistemlerinde maliyet ve sinir ağları tabanlı iki evreli bir kümelendirme yaklaşımı
Artificial neurat network x operation costs based twostage GT clusterning procedure
AFFAN NOMAK
Yüksek Lisans
Türkçe
1995
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiDOÇ.DR. BÜLENT DURMUŞOĞLU
- 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
GİZEM BURUN
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ALP ÜSTÜNDAĞ
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Modeling and process optimization of water jet guided laser micro hole drilling on nickel-based aerospace alloys
Su jeti kılavuzlu lazer mikro delik delme işleminin nikel esaslı havacılık alaşımları için modellenmesi ve optimizasyonu
LEVENT SUBAŞI
Doktora
İngilizce
2022
Makine MühendisliğiOrta Doğu Teknik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA İLHAN GÖKLER
DOÇ. DR. ULAŞ YAMAN
- Ses sinyalleri kullanılarak talaşlı imalat prosesinde takım durumunun izlenmesi
Tool condition monitoring using sound signal in machining process
EMRE KALKANLI
Yüksek Lisans
Türkçe
2021
Mekatronik MühendisliğiBursa Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CELALETTİN YÜCE