Geri Dön

Otomotiv sektöründe parça kontrolü için yapay zekâ destekli yazılım geliştirilmesi

Development of ai-supported software for part inspection in the automotive industry

PDF İndir

  1. Tez No: 932139
  2. Yazar: ONUR ARDIÇ
  3. Danışmanlar: DOÇ. DR. GÖKÇEN ÇETİNEL
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Bilim Dalı
  13. Sayfa Sayısı: 135

Özet

Otomotiv sektörü teknolojik gelişmelerin en hızlı bütünleştiği ve küresel ekonomiye yön veren önemli endüstrilerden birisidir. Üretim süreçlerinde kalite kontrol mekanizmalarının iyileştirilmesi hem maliyetleri azaltmak hem de ürün güvenilirliğini artırmak açısından kritik bir öneme sahiptir. Geliştirilen yeni nesil teknolojiler, araçlarda kullanılan parçaların karmaşıklığını artırırken kullanılan parçaların da denetlenmesini de zorlaştırmaktadır. Bu sistemlerin güvenli ve doğru çalışması, sadece üretim süreçlerinde değil son kullanıcı güvenliği açısından da hayati önem taşımaktadır. Ulusal Karayolu Trafik Güvenliği İdaresi (NHTSA) tarafından yayınlanan bir araştırmaya göre kazaların yaklaşık %2'si araç bileşenlerinden kaynaklanmaktadır. Bu oran dünya genelindeki kazalar göz önüne alındığında, üretim hatalarının zamanında tespiti ve giderilmesinin önemini vurgulamaktadır. Bu tez çalışmasında, Yapay Zekâ (YZ) ve Derin Öğrenme (Deep Learning, DL) yöntemlerinin otomotiv sektöründe kalite kontrol ve üretim sistemlerine entegrasyonu incelenmiş ve süreçlerin iyileştirilmesine yönelik yenilikçi yaklaşımlar sunulmuştur. Çalışmanın temel amacı, üretim süreçlerinde meydana gelebilecek hataları en aza indirerek kalite standartlarını artırmak, etkin maliyeti azaltmak, üretim süresini kısaltmak, üretim güvenliğini geliştirmek ve endüstriyel süreçlerde sürdürülebilirliği sağlamaktır. Bu amaçla tezde, literatürde var olan yöntemler kullanılarak YZ destekli bir yazılım geliştirilmiş ve yazılımın gerçek zamanlı üretim ortamlarındaki performansı detaylı bir şekilde analiz edilmiştir. Tezin ilk aşamasında, evrişimsel sinir ağları (Convolutional Neural Network, CNN) üzerinden gerçek zamanlı bir veri artırma uygulaması yapılmıştır. Gerçek zamanlı veri artırma, veri artırma yöntemlerinden biridir ancak temel farkı verinin ön-işleme sırasında değil modelin eğitimi sırasında işlenmesidir. Tez kapsamında yapılan çalışmada, Tensorflow geliştirme çatısına Rastgele Rotasyon Yöntemi (RRY) olarak adlandırılan gerçek zamanlı bir veri artırma tekniği eklenmiştir. Bu teknik sayesinde ön-işleme ile veri artırma tekniklerinden farklı olarak, ekstra depolama, nispeten daha az manuel işlem gerektiren, aşırı uyum riskini azaltan ve dinamik eğitim sağlayan bir veri artırma yöntemi sunulmuştur. Önerilen RRY tekniğinin performansı CNN tabanlı bir uygulamada Toyota Otomotiv Sanayi A.Ş. (TMMT) fabrikasından elde edilen veriler üzerinde test edilmiştir. Elde edilen sonuçlar RRY'nin hareketli parçaların daha yüksek doğrulukla tanınmasında mevcut yöntemlere göre performans artışı sağlayabildiğini ortaya koymuştur. Bu yenilikçi yaklaşım, özellikle üretim süreçlerinde hızlı ve güvenilir bir kalite kontrol mekanizması sağlamak için önemli bir adım olarak değerlendirilmiştir. İkinci aşamada, gerçek zamanlı motor parça denetimine odaklanan DL tabanlı bir sistem geliştirilmiş ve sistem TMMT fabrikasında uygulanmıştır. Fanuc CR-15ia modeli bir iş birlikçi robot kullanılarak gerçekleştirilen sistemde, motor parçalarının görsel denetimi için Tekli Atış Dedektörü (Single Shot Detector, SSD) ve Daha Hızlı Bölge Tabanlı CNN (Faster R-CNN) algoritmaları hibrit bir yapı oluşturularak kullanılmıştır. Yapılan uygulamada 1060 adet motor parça görüntüsü üzerinde 2800 nesne etiketlenmiştir. Kullanılan algoritmaların eğitim ve test aşamaları detaylı bir şekilde incelenmiş ve tüm yapının var olan sistemler ile senkronize çalışması sağlanmıştır. TMMT fabrikasından dört aylık bir sürede elde edilen verilere dayanan analizler, algoritmaların 0.5 Birleşim Üzerinden Kesişim (Intersection over Union, IoU) ile Faster R-CNN için %99,4 ve SSD için %95,5 oranlarında doğruluk sağladığını göstermiştir. Hibrit yapıda oluşturulan gerçek zamanlı motor parça denetim sistemi nihai olarak %99,9 doğruluk oranına ulaşmıştır. Bu çalışma hem donanımsal entegrasyon hem de veri paylaşımı açısından önemli bir katkı sunmuş, üretim süreçlerinde güvenlik, ergonomi ve sürdürülebilirlik açışından kayda değer iyileşmeler elde etmiştir. Üçüncü ve son aşamada, İnsan-Robot İş Birliği (Human Robot Collaboration, HRC) ile geliştiren YZ tabanlı görüş sistemleri yenilikçi yöntemlerle birleştirilerek çok yönlü bir yaklaşım sunulmuştur. Catia V5 yazılımı kullanılarak geliştirilen dijital bir ortamda, insan ve iş birlikçi robotlar farklı modlarda simüle edilmiş, CNN ve yapısal benzerlik indeksi (Structural Similarity Index Measure, SSIM) ile desteklenen bölge tabanlı parça takip sistemi oluşturulmuştur. Sistem, ek sensör ya da karmaşık kamera kurulumlarına gerek duymadan üretim süreçlerini daha hızlı ve güvenli hale getirmiştir. Simülasyonlar ve deneysel çalışmalar, önerilen sistemin görev tamamlama sürelerinde ve doğruluk oranlarında önemli iyileşmeler sağladığını göstermiştir. İş birlikçi robotlar ve YZ tabanlı sistemlerin bir arada kullanılması ile nesne tanıma performansında sonuçta %99,12 doğruluk oranına ulaşılmıştır. Ayrıca geleneksel yöntemlere kıyasla görev sürelerinde yaklaşık %49 oranında bir kısalma sağlanmıştır. Ergonomi ve iş güvenliği standartlarını iyileştiren bu sistem üretim süreçlerinin daha akıllı ve sürdürülebilir bir yapıya kavuşmasına önemli katkı sunmuştur. Tez kapsamında yapılan çalışmalar genel açıdan değerlendirildiğinde YZ destekli sistemlerin, kontrol süreçlerinde insan hatalarının azaltılmasında, doğruluğun artırılmasında ve süreçlerin daha şeffaf hale getirilmesinde önemli bir katkı sağladığı görülmüştür. Ayrıca YZ destekli sistemlerin diğer endüstriyel alanlarda da oldukça geniş bir yelpazede kullanılabilir olduğu tespit edilmiştir. Lisan koşulları ve etik açısından gerekli düzenlemeler yapıldığında YZ destekli sistemlerin ekonomik ve operasyonel faydalar sağlayacağı ön görülmüştür. Tez çalışmasında yapılan uygulamalarda NVIDIA RTX 3080ti ekran kartına sahip, 64 GB RAM ve Intel Core i9-12950HX işlemcili dizüstü bilgisayar kullanılmıştır. Geliştirilen algoritmaların etkin çalışmasını sağlamak amacıyla Python 3.8.13, Anaconda 4.12.0 ve TensorFlow 2.9.1 sürümlerinden yararlanılmıştır. Ayrıca, yazılım ortamı kapsamlı kütüphaneler ve optimize edilmiş paketler ile desteklenmiş, böylece veri işleme ve model eğitimi süreçlerinin daha verimli şekilde gerçekleştirilmesi sağlanmıştır. Bu güçlü donanım ve yazılım altyapısı, özellikle büyük veri setlerinin işlenmesi ve karmaşık derin öğrenme modellerinin eğitilmesinde kritik avantajlar sunmuştur. Bu tez çalışması var olan yöntemler kullanılarak hem teknik yenilikler hem de çözüm odaklı yaklaşımlarla sektörel inovasyona katkı sunmayı amaçlamaktadır. YZ tekniklerinin sağladığı ileri veri işleme, karmaşık karar verme ve öngörü yetenekleri üretim süreçlerinin daha etkin, güvenilir ve verimli hale gelmesine olanak tanımaktadır. Tezde sunulan bulgular, YZ tabanlı sistemlerin endüstriyel entegrasyonda sahip olduğu yüksek potansiyeli ortaya koymakta ve bu sistemlerin sektörel dönüşüm üzerindeki belirleyici etkisini güçlü bir şekilde vurgulamaktadır. Spesifik problemler için geliştirilen çözümler, kalite kontrol süreçlerinde doğruluk ve hızın nasıl artırılabileceğini göstererek bu tür sistemlerin sektörel dönüşümdeki önemini bir kez daha ortaya koymaktadır.

Özet (Çeviri)

The automotive industry is one of the most important industries where technological developments are integrated at the fastest rate and which directs the global economy. Improving quality control mechanisms in production processes is critical both in reducing costs and increasing product reliability. The new generation of technologies not only increases the complexity of vehicle components but also makes their inspection significantly more challenging. The safe and accurate operation of these systems is essential both for production processes and for end-user safety. According to a study published by the National Highway Traffic Safety Administration (NHTSA), approximately 2% of accidents are caused by vehicle components. Considering this rate of accidents worldwide, it emphasizes the importance of timely detection and elimination of production defects. In this thesis, the integration of Artificial Intelligence (AI) and Deep Learning (DL) methods into quality control and production systems in the automotive industry is analyzed and innovative approaches to improve the processes are presented. The main objective of the study is to increase quality standards, reduce effective cost, shorten production time, improve production safety and ensure sustainability in industrial processes by minimizing errors occurring in production processes. For this purpose, in this thesis, AI supported software has been developed by using the existing methods in literature and the performance of the software in real-time production environments has been analyzed in detail. In the first phase of the thesis, a real-time data augmentation over Convolutional Neural Networks (CNN) was implemented. Live (or online) data augmentation is a method of data augmentation; the main difference is that it is performed not during data pre-processing, but during the training of the model. In this thesis, a live data augmentation method, referred to as the Random Rotation Method (RRY), was integrated into the TensorFlow framework. Unlike traditional pre-augmentation methods, this method offers a data augmentation strategy that requires no additional storage, minimizes human intervention, reduces the risk of overfitting, and enables dynamic training. The performance of the proposed RRY strategy is tested in a CNN based application on data obtained from Toyota Motor Manufacturing Turkiye (TMMT) factory. The results show that the RRY can provide performance improvement over existing methods in recognizing moving parts with higher accuracy. This innovative approach is considered as an important step to provide a fast and reliable quality control mechanism, especially in production processes. In the second phase, a DL based system focusing on real-time engine part inspection was developed and implemented in TMMT factory. The system uses a hybrid structure integrating Single Shot Detector (SSD) and Faster Region-Based CNN (Faster R-CNN) algorithms for visual inspection of engine parts, implemented using a Fanuc CR-15ia collaborative robot. In the application, 2800 objects were labelled on 1060 engine part images. The training and testing phases of the algorithms used were examined in detail and the whole structure was synchronized with the existing systems. Analyses based on the data obtained from the TMMT factory over a period of four months showed that the algorithms provided 99.4% accuracy for Faster R-CNN and 95.5% accuracy for SSD with Intersection over Union (IoU) threshold of 0.5. The real-time engine part inspection system created in the hybrid framework ultimately achieved an accuracy of 99.9%. This study has made a significant contribution in terms of both hardware integration and data sharing, and has achieved significant improvements in terms of safety, ergonomics and sustainability in production processes. In the third and final stage, a versatile approach is presented by combining AI based vision systems developed by Human-Robot Collaboration (HRC) with innovative methods. In a digital environment developed using Catia V5 software, human and collaborative robots were simulated in different modes and a region-based part tracking system supported by CNN and Structural Similarity Index Measure (SSIM) was created. The system has made production processes faster and safer without the need for additional sensors or complex camera installations. Simulations and experimental studies have shown that the proposed system provides significant improvements in task completion times and accuracy rates. With the combination of collaborative robots and AI-based systems, an average accuracy rate of 99.12% was achieved in object recognition performance. In addition, a reduction of approximately 49% in task times was achieved compared to traditional methods. This system, which improves ergonomics and occupational safety standards, has made a significant contribution to making production processes smarter and more sustainable. When the studies carried out within the scope of the thesis are evaluated in general terms, it is seen that AI-supported systems make a significant contribution to reducing human errors in control processes, increasing accuracy and making processes more transparent. It has been determined that AI-supported systems can be used in a wide range of other industrial areas. It is foreseen that AI-supported systems will deliver economic and operational benefits once the necessary adjustments are made in terms of regulatory compliance and ethical guidelines. A laptop with NVIDIA RTX 3080ti graphics card, 64 GB RAM and Intel Core i9-12950HX processor was used in the applications in this thesis. Python 3.8.13, Anaconda 4.12.0 and TensorFlow 2.9.1 were used to ensure the efficient operation of the developed algorithms. In addition, the software environment was supported with comprehensive libraries and optimized packages, thus enabling data processing and model training processes to be performed more efficiently. This powerful hardware and software infrastructure provided a critical advantage, especially in processing large data sets and training complex deep learning models. This thesis aims to contribute to sectoral innovation with both technical innovations and solution-oriented approaches by using existing methods. The advanced data processing, complex decision making and forecasting capabilities provided by AI techniques enable production processes to become more effective, reliable and efficient. The findings presented in the thesis reveal the high potential of AI-based systems in industrial integration and strongly emphasize the decisive impact of these systems on sectoral transformation. The solutions developed for specific problems demonstrate how the accuracy and speed of quality control processes can be enhanced, highlighting the critical role of such systems in industrial transformation.

Benzer Tezler

  1. Tez No

    154741

    La proposition D'Un modéle de direction et de l'organisation pour le secteur de sous industrie de l'automobile Turque

    Türk otomotiv yan sanayi için yönetim ve organizasyon modeli önerisi

    SERKAN ANDI

    Yüksek Lisans

    Fransızca

    Fransızca

    2004

    Endüstri ve Endüstri MühendisliğiGalatasaray Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF.DR. ETHEM TOLGA

  2. Tez No

    911594

    Endüstriyel üretim hatlarında yapay zekâ destekli kalite kontrol sisteminin geliştirilmesi

    Development of artificial intelligence-supported quality control system in industrial production lines

    ELİF AYDAN BİKE

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik Üniversitesi

    Akıllı Sistemler Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÖKAY BAYRAK

  3. Tez No

    942579

    Otsm trız yaklaşımıyla otomotiv sektöründe çelişkilerin çözümü: maliyet, kalite ve satış problemleri üzerine bir analiz

    Resolving contradictions in the automotive sector using otsm triz approach: an analysis of cost, quality, and sales challenges

    İLAYDA GÖKÇE YENİGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Endüstri ve Endüstri MühendisliğiBursa Teknik Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ KORAY ALTUN

  4. Tez No

    736041

    Yapay zeka metotlarını kullanarak otomotiv sektöründeki örnek problemlerinin çözümlerinin araştırılması

    Investigation of solutions of sample problems in the automotive industry using artificial intelligence methods

    İLHAN ÇEKİÇ

    Doktora

    Türkçe

    Türkçe

    2022

    Makine MühendisliğiBursa Uludağ Üniversitesi

    Makine Mühendisliği Ana Bilim Dalı

    PROF. DR. KADİR ÇAVDAR

  5. Tez No

    790158

    Optik fiberli ve MEMS jiroskopların elektronik devrelerinde elektromanyetik uyumluluk analizi ve modellenmesi

    Analysis and modeling of electromagnetic compatibility in electronic circuits of optical fiber and MEMS gyroscopes

    EMİRHAN SAĞ

    Doktora

    Türkçe

    Türkçe

    2023

    Elektrik ve Elektronik MühendisliğiBursa Uludağ Üniversitesi

    Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. GÜNEŞ YILMAZ

Geri Dön