Deep learning for milling chatter detection: integrating spindle awareness in time series lightweight adaptive network
Frezede tırlama tespiti için derin öğrenme: zaman serilerinde iş mili farkındalığıyla entegre hafif adaptif ağ
- Tez No: 940997
- Danışmanlar: DR. ÖĞR. ÜYESİ HAKAN ÇALIŞKAN, DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 119
Özet
Bu tez, frezeleme işlemlerinde tırlama tespitini iyileştirmek amacıyla İş Mili Farkındalıklı Zaman Serisi Hafif Adaptif Ağı'nı (SA-TSLANet) tanıtmaktadır. İşleme kalitesini düşüren ve takım ömrünü azaltan kendi kendine uyarılan bir titreşim olan tırlama, değişken koşullar altında güvenilir bir şekilde tespit edilmesi zor bir sorundur. Önerilen model, yenilikçi İş Mili Farkındalıklı Adaptif Spektral Blok (SA-ASB) aracılığıyla fizik tabanlı spektral işlemeyi derin öğrenmeyle entegre ederek, iş mili harmoniklerini titreşim sinyallerinden etkili bir şekilde ayırır. Tepe faktörü, iş mili ve oran bileşenlerini içeren çok hedefli bir kayıp fonksiyonu, modelin kritik sinyal özelliklerini öğrenmesini sağlar. Deneysel doğrulama, 0.99 doğruluk, 0.98 hassasiyet, 0.99 duyarlılık ve 0.99 F1 skoru ile başarılı bir performans göstermektedir. SA-TSLANet, geleneksel FFT yöntemlerine göre tırlama başlangıcını 0.19 saniye daha erken tespit ederek müdahale için kritik zaman kazandırır. Model, sınırlı eğitim verisiyle dahi güçlü genelleme yeteneğini korur (0.98 F1 skoru) ve gerçek zamanlı endüstriyel uygulamalar için uygun hesaplama verimliliği sunar. Araştırma ayrıca, yalnızca sağlıklı kesim verileriyle eğitim yapılarak uygulama maliyetlerinin azaltılmasını da ele alır. Bu fizik tabanlı derin öğrenme yaklaşımı, kuramsal titizlik ile pratik uygulanabilirliği dengeleyerek işleme süreci izlemeye katkı sağlar ve üretkenliği, kaliteyi ve takım kullanımını artıran akıllı üretim sistemleri için bir zemin oluşturur.
Özet (Çeviri)
This thesis introduces the Spindle-Aware Time Series Lightweight Adaptive Network (SA-TSLANet) for improved chatter detection in milling operations. Chatter, a self-excited vibration that degrades machining quality and reduces tool life, remains challenging to detect reliably across varied conditions. The proposed model integrates physics-informed spectral processing with deep learning through the novel Spindle-Aware Adaptive Spectral Block (SA-ASB), which effectively separates spindle harmonics from chatter vibrations. A multi-objective loss function incorporating crest factor, spindle, and ratio components guides the model to learn critical signal characteristics. Experimental validation demonstrates exceptional performance with 0.99 accuracy, 0.98 precision, 0.99 recall, and 0.99 F1 score. SA-TSLANet detects chatter onset 0.19 seconds earlier than traditional FFT methods, providing crucial time for intervention. The model maintains robust generalization (0.98 F1 score) even with limited training data and shows computational efficiency suitable for real-time industrial implementation. The research also explores training exclusively with healthy cutting data to reduce implementation costs. This physics-informed deep learning approach advances machining process monitoring by balancing theoretical rigor with practical applicability, providing a foundation for intelligent manufacturing systems that enhance productivity, quality, and tool utilization.
Benzer Tezler
- Makine öğrenmesi teknikleri ile frezeleme işlemlerinde takım aşınmasının tahmini
Prediction of tool wear in milling operations using machine learning techniques
GÖKBERK SERİN
Doktora
Türkçe
2024
Makine MühendisliğiTOBB Ekonomi ve Teknoloji ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. HAKKI ÖZGÜR ÜNVER
- Makine öğrenmesi ve derin öğrenme algoritmaları kullanılarak telemetri verileri üzerinde arıza tespiti ve kestirimci bakım
Fault detection and predictive maintenance on telemetry data using machine learning and deep learning algorithms
EMRE UMMAK
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOSTİM TEKNİK ÜNİVERSİTESİYazılım Mühendisliği Ana Bilim Dalı
DR. AHMET ANIL MÜNGEN
- 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
- Bilgisayarlı görme ve derin öğrenme ile süt sığırlarında biyometrik marker tabanlı kimlik doğrulama ve yüz tespitine dayalı yemlik alanı takibi
Biometric marker-based identification and facial detection-driven feedbunk interaction monitoring indairy cattle using computer vision and deep learning
SELMA DALGA
Yüksek Lisans
Türkçe
2025
ZiraatVan Yüzüncü Yıl ÜniversitesiTarımsal Biyoteknoloji Ana Bilim Dalı
DOÇ. DR. CİHAN ÇAKMAKÇI
- Deep learning for improved forecasting of geomagnetic storms in disaster management
Afet yönetiminde jeomanyetik fırtınaların geliştirilmiş tahmini için derin öğrenme
HASANAIN ADIL HASSAN HASSAN
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ABDULLAHİ ABDU IBRAHIM