Bir otomotiv işletmesinde makine öğrenmesi teknikleri ile kesici takım aşınmasının tahminlenmesi
Predicting cutting tool wear with machine learning techniques in automotive industry
- Tez No: 899998
- Danışmanlar: PROF. DR. FERİŞTAH ÖZÇELİK, PROF. DR. TUĞBA SARAÇ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Eskişehir Osmangazi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 56
Özet
Talaşlı imalat gerçekleştiren işletmelerde, kesici takım aşınmasını tahmin etmek ve önlemek için etkili bir yöntem geliştirmek, üretim verimliliği açısından kritik öneme sahiptir. Bu çalışmada, otomotiv sektöründe faaliyet gösteren bir firmada, makine öğrenmesi kullanılarak CNC makinelerinden elde edilen veriler ile kesici takım aşınmasını tahminlemek amaçlanmıştır. Uygulamada Python programlama dili kullanılmıştır. Veriler ayıklanmış, aykırı veriler kontrol edilmiş, korelasyona göre özellikler belirlenmiş, veri ölçekleme yapılmış ve veri pencerelere bölünmüştür. Rastgele Orman Regresyonu (Random Forest Regressor-RFR), Gradyan Artırma Regresyonu (Gradient Boosting Regressor-GBR), Aşırı Gradyan Artırma Regresyonu (Extreme Gradient Boosting Regressor-XGB) ve Uyarlamalı Artırma Regresyonu (Adaptive Boosting Regressor-ABR) makine öğrenmesi modelleri kullanılmıştır. Bu modeller, veri setlerinin farklı kombinasyonlarından oluşan 3 farklı senaryo üzerinde değerlendirilmiştir. Model performansları hiper parametre optimizasyonu yapılarak iyileştirilmiştir. Sonrasında veri setleri kesici takım ömrünün evrelerine bölünmüş ve farklı makine öğrenmesi modellerinin, kesici takımın farklı evrelerini daha iyi tahmin edebileceği öngörülerek denemeler yapılmıştır. Modeller, Hata Kareleri Ortalaması (Mean Squared Error-MSE) metriğine göre, farklı pencere büyüklükleri ve evreler için tüm senaryolarda değerlendirilmiş ve karşılaştırılmıştır. Senaryo 1'in ilk evresinde 0,1096 MSE değeri ile GBR, ikinci evresinde 0,0242 MSE değeri ile XGB, son evresinde ise 0,0313 MSE değeri ile GBR modeli başarılı olmuştur. Senaryo 2'in ilk evresinde 0,1615 MSE değeri ile GBR, ikinci evresinde 0,0434 MSE değeri ile yine GBR ve son evresinde ise 0,0404 MSE değeri ile RFR modeli başarılı olmuştur. Evre çalışması olmayan Senaryo 3'te ise en başarılı pencere büyüklüğü 50 iken 0,0041 MSE değerini veren RFR olmuştur. Evrelere ayırmadan modeller çalıştırıldığında Senaryo 1 için en iyi MSE değerini 0,0614 ile; Senaryo 2 için 0,0908 ile GBR sağlamaktadır. Kesici takım aşınmasının evrelere ayrılması, daha hassas bir şekilde tahmin edilmesini sağlamaktadır ve işletmelere daha doğru ve zamanında müdahale imkanı vermektedir.
Özet (Çeviri)
In companies engaged in machining operations, developing an effective method for predicting and preventing tool wear is critically important for production efficiency. This study aims to predict tool wear using data obtained from CNC machines in a company operating in the automotive sector, utilizing machine learning. Python programming language was used in the implementation. In the process of organizing the datasets, data were cleaned, outliers were checked, features were determined based on correlation, data scaling was performed, and data were divided into windows. Machine learning models such as Random Forest Regressor (RFR), Gradient Boosting Regressor (GBR), Extreme Gradient Boosting Regressor (XGB), and Adaptive Boosting Regressor (ABR) were used. These models were evaluated on three different scenarios created from different combinations of datasets. Model performances were improved by hyperparameter tuning. Subsequently, the datasets were divided into stages of tool life, and experiments were conducted under the assumption that different machine learning models could better predict different stages of tool wear. The models were evaluated and compared across all scenarios for different window sizes and phases using the Mean Squared Error (MSE) performance metric. In the first phase of Scenario 1, the GBR model was successful with an MSE value of 0.1096, in the second phase the XGB model with an MSE of 0.0242, and in the final phase the GBR model with an MSE of 0.0313. In the first phase of Scenario 2, the GBR model was successful with an MSE value of 0.1615, in the second phase again the GBR with an MSE of 0.0434, and in the final phase the RFR model with an MSE of 0.0404. In Scenario 3, which did not include phase analysis, the best model was the RFR with an MSE value of 0.0041 for a window size of 50. When the models were run without dividing into phases, the best MSE value for Scenario 1 was 0.0614 with GBR, and for Scenario 2 it was 0.0908 with GBR. Dividing tool wear into stages allows for more precise predictions, providing businesses with the opportunity for more accurate and timely interventions.
Benzer Tezler
- Bir otomotiv sektörü işletmesinde yedek parça talep tahmin analizi
An analysis of spare parts demand forecasting in the automotive sector company
İLKNUR CORE
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiBursa Uludağ ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. MEHMET AKANSEL
- Artırılmış gerçeklik uygulamalarının bilişim teknolojileri ve yazılım derslerinde öğrenme süreçlerine etkisi
The effect of augmented reality applications on learning processes in information technologies and software courses
YILMAZ BAHADIR KURTOĞLU
Yüksek Lisans
Türkçe
2019
Eğitim ve ÖğretimTrabzon ÜniversitesiBilgisayar ve Öğretim Teknolojileri Eğitimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET BERİGEL
- Bir otomotiv yan sanayi işletmesinde hücresel üretim sistemi tasarımı ve çok amaçlı çizelgeleme problemi çözümü
Cellular manufacturing system desing and multi-objective scheduling problem solution in an automotive supplier industry enterprise
SENA AYDOĞAN
Yüksek Lisans
Türkçe
2020
Endüstri ve Endüstri MühendisliğiKütahya Dumlupınar ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAFAK KIRIŞ
- Bir üretim işletmesinde toplam verimli bakım uygulaması
Total productive maintenance application in a product factory
UMUT OZAN GENİŞ
Yüksek Lisans
Türkçe
2007
Endüstri ve Endüstri MühendisliğiDumlupınar ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. SERMİN ELEVLİ
- Otomotiv bakım onarım işletmesinde stok kontrolu ve optimizasyonu
Stock control and optimisation in automative maintenance and repairment companies
KAMİL BEKİR KOÇ
Doktora
Türkçe
1997
Eğitim ve ÖğretimGazi ÜniversitesiMakine Eğitimi Ana Bilim Dalı
PROF. DR. RASİH DEMİRCİ