Robotik kaynakta mekanik geri besleme ve yapay zeka tabanlı optimizasyon
Mechanical feedback and artificial intelligence-based optimization in robotic welding
- Tez No: 977567
- Danışmanlar: DOÇ. DR. İLKER ALİ ÖZKAN
- Tez Türü: Doktora
- Konular: Mekatronik Mühendisliği, Mechatronics Engineering
- Anahtar Kelimeler: Endüstriyel robotlar, MAG kaynak arkı, Sayısal görüntü işleme, Industrial robots, MAG welding, Digital image processing
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Mekatronik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Robotik kaynak sistemleri, modern üretimde yüksek hassasiyet, tekrarlanabilirlik ve verimlilik sağlamaları nedeniyle önemlidir. Ancak üretim kalitesini düşüren en temel sorunlardan biri, kaynak dikişinde oluşan sapmaların anlık olarak düzeltilmemesidir. Bu sapmalar doğrudan kalite kaybına ve maliyet artışına yol açmaktadır. Isıl deformasyonlar, parça toleranslarındaki farklılıklar, programlama hataları ve sürece eklenen manuel kalite kontrol adımları gibi çok sayıda faktör de üretim verimliliğini düşürmektedir. Bu nedenle endüstriyel otomasyonun bu çok faktörlü zorluklarına çözüm sunacak otomatik, hızlı ve güvenilir optimizasyon sistemlerinin geliştirilmesi kritik öneme sahiptir. Bu tezde, mekanik geri besleme tabanlı yörünge takip sistemi ve yapay zeka destekli kusur ve dikiş sapma tespiti sistemi olmak üzere iki temel çözüm sunulmuştur. Bu sistemlerin her ikisi de bağımsız olarak modellenmiş, test edilmiş ve performansları analiz edilmiştir. Mekanik geri besleme sistemi, entegre analog açı sensörleri aracılığıyla, temas tabanlı bir yaklaşımla kaynak dikişindeki sapmaları anlık olarak tespit eder ve bu veriyi yörünge düzeltmesi için kullanır. Simülasyon ve saha verileri arasında %96-98'lik bir uyumla doğrulanan bu yaklaşım, yüksek bir yörünge takip performansı sergilemiştir. Saha deneylerinde sistem hibrit FCM-PID kontrol algoritması ile başlangıçtaki 25 mm'lik yörünge sapmasını 4-5 saniyelik yerleşme süresiyle dengeleyerek nihai konumsal hatayı ±500 µm mertebesine indirmiştir. Geliştirilen bulanık kurallar aracılığıyla osilasyon seviyeleri de dikkate alınarak klasik PID kontrole kıyasla yerleşme süresi %14'ten fazla kısaltan bu hibrit yaklaşım, sistemin endüstriyel uygulamalardaki etkinliğini kanıtlamıştır. Yapay zeka tabanlı sistemde, YOLOv5-s ve YOLOv8-m modelleri, kaynak dikişi sapmalarını ve kusurlarını tespit etmek üzere özgün bir veri setiyle eğitilmiştir. Deneysel sonuçlar, model performansının eğitim verisi miktarıyla doğrudan ilişkili olduğunu ortaya koymuştur. Özellikle kaynak kusuru tespitinde, eğitim verilerinin %30 ve epoch sayısının %25 artırılmasıyla YOLOv8-m modelinin F1 ve güven skorlarında belirgin bir artış gözlemlenmiştir. Bu bulgu, sistemin veri artırımı yoluyla öğrenme ve genelleme kabiliyetinin yüksek olduğunu göstermektedir. Sonuç olarak bu tez çalışması, robotik kaynak otomasyonu için hem bağımsız hem de entegre çalışabilen robotik kaynakta sıkça karşılaşılan sapma ve kalite kontrol sorunlarına çözüm sunmaktadır. Geliştirilen sistemler, endüstriyel uygulamalarda karşılaşılan farklı gereksinimlere yönelik esnek, düşük maliyetli ve yüksek performanslı alternatifler sağlamaktadır.
Özet (Çeviri)
Robotic welding systems play a critical role in modern manufacturing due to their ability to provide high precision, repeatability, and efficiency. However, one of the main issues that reduces production quality is the inability to instantly compensate for deviations occurring in the weld seam. These deviations directly lead to decreased quality and increased costs. Numerous factors, such as thermal deformations, variations in part tolerances, programming errors, and additional manual quality control steps, also reduce overall manufacturing efficiency. Therefore, the development of automatic, fast, and reliable optimization systems that can address these multifactorial challenges of industrial automation has critical importance. In this thesis, two primary solutions are proposed: a mechanical feedback-based seam tracking system and an AI-assisted defect and seam deviation detection system. Both systems were independently modeled, tested, and their performances analyzed. The mechanical feedback system, utilizing integrated analog angle sensors, employs a contact-based approach to detect seam deviations in real time and utilizes this data for trajectory correction. This approach, validated with a 96–98% consistency between simulation and field data, demonstrated high trajectory tracking performance. In field experiments, the system, controlled with a hybrid FCM-PID algorithm, compensated an initial trajectory deviation of 25 mm within a 4–5 second settling time and reduced the final positional error to the order of ±500 µm. By incorporating oscillation levels into the fuzzy rule base, this hybrid approach shortened the settling time by more than 14% compared to conventional PID control, proving its effectiveness in industrial applications. In the AI-based system, YOLOv5-s and YOLOv8-m models were trained on a custom dataset to detect weld seam deviations and defects. Experimental results showed that model performance is directly related to the size of the training dataset. Particularly in defect detection, increasing the dataset size by 30% and the number of epochs by 25% led to a significant improvement in both F1 score and confidence score of the YOLOv8-m model. This finding demonstrates the system's strong capability for learning and generalization through data augmentation. In conclusion, this thesis presents solutions to the frequently encountered issues of seam deviation and quality control in robotic welding automation, both as independent modules and as an integrated framework. The developed systems provide flexible, cost-effective, and high-performance alternatives tailored to the diverse requirements of industrial applications.
Benzer Tezler
- İnce sacların mekanik ve mikroyapı özelliklerinin robotik tandem gazaltı kaynak yöntemi kullanılarak incelenmesi
Investigation of mechanical and microstructural properties of thin sheets by using robotic tandem gas metal arc welding method
RECEP ARICI
Doktora
Türkçe
2017
Makine MühendisliğiCelal Bayar ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. HALİT DOĞAN
- Astar kaplama uygulamalarının S235 JR malzemelerin kaynak kabiliyeti üzerine etkilerinin araştırılması
The investigation of influences on primer coating processes on weldability of S235 JR material
ALİ AKAY
Doktora
Türkçe
2021
Teknik EğitimGazi ÜniversitesiMetal Eğitimi Ana Bilim Dalı
PROF. DR. CEMİL ÇETİNKAYA
- Robotik kaynak uygulamalarında rutil ve metal özlü teller kullanılarak yapılan birleştirmelerin mekanik özelliklerinin karşılaştırılması.
Rutile and metal core in robotic welding applicationscomparison of the mechanical properties of joints made using wires.
ÖZKAN MÜNÜKLÜ
Yüksek Lisans
Türkçe
2021
Makine Mühendisliğiİstanbul Gedik ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TUBA KARAHAN
- Alaşımsız çeliklere robotik gazaltı kaynağının uygulanması
Application of robotic gas metal arc welding on mild steels
GÜLTEKİN KÜPELİ
Yüksek Lisans
Türkçe
2008
Bilim ve TeknolojiMarmara ÜniversitesiMetal Eğitimi Ana Bilim Dalı
PROF. DR. İRFAN YÜKLER
- Hibrit plazma ark kaynağı (HPAK)), gaz metal ark kaynağı ((GMAK) ve soğuk metal transfer kaynağı (CMT) yöntemleri ile ARMOX 500T zırh çeliğinin kaynak edilebilirliğinin araştırılması
Investigation of weldability of ARMOX 500T armor steel with hybrid plasma arc welding (HPAW), gas metal arc welding (GMAW) and cold metal transfer welding (CMT) methods
CİHAN YÜKSEL
Yüksek Lisans
Türkçe
2019
Metalurji Mühendisliğiİskenderun Teknik ÜniversitesiMetalurji ve Malzeme Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER SALTUK BÖLÜKBAŞI