Geri Dön

Sac şekillendirmede makine öğrenmesi ile boyut kontrolü

Dimensional control in sheet metal forming using machine learning

PDF İndir

  1. Tez No: 917064
  2. Yazar: MEHMET CAN BÜYÜKDÖĞERLİOĞLU
  3. Danışmanlar: PROF. DR. HAYDAR LİVATYALI
  4. Tez Türü: Yüksek Lisans
  5. Konular: Mekatronik Mühendisliği, Mechatronics Engineering
  6. Anahtar Kelimeler: Sac Metal Büküm, boyut kontrolü, görüntü işleme, makine öğrenmesi, gerçek zamanlı izleme, ürün kalitesi, üretim verimliliği, Sheet metal bending, dimensional control, image processing, machine learning, real-time monitoring, product quality, production efficiency
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mekatronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Mekatronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: 82

Özet

Bu yüksek lisans tezinde busbar terminali imalatındaki levha bükme işlemleri sonrasında mastar kullanılarak el ile yapılan malzeme cinsi ve boyut kontrolü işlemlerinin görüntü işleme ve makine öğrenmesi yöntemleri ile gerçekleştirilmesi amaçlanmaktadır. Mevcut manüel yöntem yavaş ve maliyetli olup, ürün doğruluğunu ve kalitesini düşük bir verimlilikte sağlamaktadır. Cu-ETP bakır ve EN AW-1350 alüminyum alaşımlarından lamaların kalıpta bükme işlemi sonrasında boyutlarını kontrol etmek için görüntü tabanlı ölçümlerini kullanan bir makine öğrenmesi yaklaşımı önerilmektedir. Önerilen yaklaşımı uygulamak üzere malzeme türü, kalıp form tipi (bükme açısı), parça uzunluğu, parça genişliği ve levha kalınlığı kontrol edilen değişkenler olarak seçilmiştir. Bu durumda otuz iki (25) varyasyon olup her birinden 100'er adet olmak üzere 3200 örneğin 2 kamera ile toplamda 6400 görüntüsü işlenmiştir. Sistemde yatay durumdaki parçaya göre üst kamera ile parça uzunluğu, parça genişliği ve malzeme türü, yan kamera ile ise form tipi (bükme açısı), malzeme türü ve levha kalınlığı kontrol edilmektedir. Tamamı üzerinde etiketleme işlemi yapılan veri seti %80'i eğitim %20'u test olacak şekilde ikiye bölünmüştür. Başarımlarını karşılaştırmak üzere denetimli makine öğrenmesi algoritmalarından gradyan artırma (GB), destek vektör makinesi (SVM), rastgele ormanı (RF), karar ağacı (DT), Naive (saf) Bayes ve K-en yakın komşu algoritmaları; denetimsiz olarak da K-ortalamalar algoritması seçilmiştir. Başarı ölçütleri olarak doğruluk (accuracy), kesinlik (precision), duyarlılık (recall) ve F1-skoru kullanılmıştır. Sonuçlar, gradyan artırma (GB) ve destek vektör makinelerinin (SVM) hesaplama verimliliği ile karmaşık görüntü verilerini işleme yeteneklerinde en iyi performansı gösterdiğini ortaya koymuştur. Örneğin, parça genişliği sınıflandırmasında gradyan artırma %97 doğruluk ve %92 F1 skoru elde etmiştir. Malzeme türü sınıflandırmasında %95 doğruluk ve %92 F1 skoru ile yine en başarılı yöntem olmuştur. Destek vektör makineleri, özellikle form tipi sınıflandırmasında %90 doğruluk ve %88 F1 skoru ile gradyan artırmaya yakın bir başarı göstermiştir. Rastgele orman algoritması da genelde %88 doğruluk ve %86 F1 skoru ile üçüncü sırada yer almıştır. Daha basit yöntemler, örneğin KNN ve Naive Bayes, daha düşük doğruluk ve F1 skorları ile sınırlı performans sergilemiştir. Sonuç olarak, karmaşık ve çok boyutlu veri setlerinde yüksek performanslı görüntü işleme çözümleri için gradyan artırma ve destek vektör makinesi gibi yöntemler önerilmektedir.

Özet (Çeviri)

This master's thesis aims to implement material type and dimensional control operations, traditionally performed manually using gauges after the sheet metal bending processes in busbar terminal manufacturing, through image processing and machine learning methods. The current method is slow and costly, providing low efficiency in ensuring product accuracy and quality. The machine learning approach employing image-based measurements is proposed for dimensional control after the bending process of Cu-ETP copper and EN AW-1350 aluminum alloy sheets. To implement the proposed approach, variables such as material type, die form type (bending angle), part length, part width, and sheet thickness were selected. This resulted in a total of 32 (25) variations, with 100 samples from each variation, amounting to 3200 samples. With two cameras, a total of 6400 images were processed. In the test system, the top camera inspects part length, part width, and material type. Simultaneously, the side camera checks the bending angle (die form type), material type, and sheet thickness based on the part's position. The labeled dataset was split into training and testing subsets in an 80%-20% ratio. For performance comparison, supervised machine learning algorithms including Gradient Boosting (GB), Support Vector Machine (SVM), Random Forest (RF), Decision Tree (DT), Naive Bayes, and K-Nearest Neighbors (KNN) were applied. The unsupervised K-means algorithm was also evaluated. Accuracy, precision, recall, and F1-score were used as performance metrics. The results demonstrated that gradient boosting (GB) and support vector machines (SVM) achieved the best performance in terms of computational efficiency and the ability to process complex image data. For instance, in the classification of part width, gradient boosting achieved 97% accuracy and a 92% F1-score. Similarly, in material type classification, it achieved 95% accuracy and a 92% F1-score, making it the most successful method. Support vector machines, particularly in form type classification, achieved 90% accuracy and an 88% F1-score, closely following gradient boosting. Random forest generally ranked third, with an accuracy of 88% and an F1-score of 86%. Simpler methods, such as KNN and Naive Bayes, exhibited lower accuracy and F1-scores, delivering limited performance. In conclusion, gradient boosting and support vector machines are recommended for high-performance image processing solutions, especially when dealing with complex and high-dimensional datasets.

Benzer Tezler

  1. Tez No

    955617

    Swarm fighter aircraft control with deep reinforcement learning approach

    Derin pekiştirmeli öğrenme ile sürü savaş uçaklarının kontrolü

    METİN SARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Mekatronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FİKRET ÇALIŞKAN

  2. Tez No

    842923

    Otomobillerde kullanılan salıncak saclarında kesme kalıbı sonrası oluşan gerilme yığılmalarının sonlu elemanlar yöntemi ile analizi

    Finite element method analysis of stress generation after cutting die in sheet wishbone used in automobiles

    UĞUR PONÇAKLI

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Makine MühendisliğiGebze Teknik Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. FEVZİ BEDİR

  3. Tez No

    824935

    Design optimization of plate heat exchanger by utilizing artificial intelligence

    Yapay zeka kullanarak plakalı eşanjörlerin tasarım optimizasyonu

    SEYİT AHMET KUZUCANLI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Makine MühendisliğiKoç Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. DEMİRCAN CANADİNÇ

  4. Tez No

    357064

    Hidromekanik derin çekmede sıvı basıncı ve baskı plakası kuvveti eğrilerinin belirlenmesi

    Investigation of fluid pressure and blank holder force curves on hydromechanical deep drawing

    SELAHATTİN BURAK AKAY

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Makine MühendisliğiSelçuk Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN SELÇUK HALKACI

  5. Tez No

    360461

    Üç etkili, yüksek hızlı hidrolik pres tasarımı ve analizi

    Design and analysis of a three-action, high speed press

    SERHAT KÖSELER

    Yüksek Lisans

    Türkçe

    Türkçe

    2014

    Makine MühendisliğiUludağ Üniversitesi

    Makine Mühendisliği Bölümü

    PROF. DR. İBRAHİM YÜKSEL

Geri Dön