ML-driven cognition for advanced plastic ınjection molding and ındustrial ımplementation
Gelişmiş plastik enjeksiyon kalıplama ve endüstriyel uygulama için ML odaklı biliş
- Tez No: 983065
- Danışmanlar: PROF. DR. İSMAİL LAZOĞLU
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Makine Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Plastik enjeksiyon kalıplama, uzun yıllardır birçok endüstride seri üretimin temel unsurlarından biri olmuştur. Ancak, günümüzün artan rekabet koşullarında bu geleneksel yöntem, istenilen verimlilik ve kaliteyi sağlamakta yetersiz kalmaktadır. Sürdürülebilirliğe verilen önemin artması, geri dönüştürülmüş hammaddelerin daha fazla kullanılması, üretim hızındaki yükselme ve iş gücü maliyetlerindeki artış gibi etkenler, üretim süreçlerinin daha gelişmiş ve akıllı sistemlerle desteklenmesini zorunlu hale getirmiştir. Bu tez çalışması, plastik enjeksiyon kalıplamada parça geometrisi, hammadde ve üretim ekipmanından bağımsız çalışabilen bilişsel bir sistem geliştirmeyi amaçlamaktadır. Bu kapsamda, kalıbın kritik bölgelerine yerleştirilen kalıp içi basınç sensörleri aracılığıyla her üretim çevriminde elde edilen veriler analiz edilerek, yüksek kaliteli ürünlerin üretimini garanti altına alan güvenli bir bölge tanımlanmıştır. Çalışmanın yenilikçi yönlerinden biri, kalıp içi basınç eğrisindeki dalgalanmalar ile hem ürün kalitesi hem de makine parametreleri arasındaki ilişkinin ortaya konmasıdır. Bu ilişkiye dayanarak, güvenli bölgeden sapma durumlarında operatöre yönlendirici öneriler sunan makine öğrenmesi temelli bir biliş oluşturulmuştur. Geliştirilen yaklaşım, %98 doğruluk oranıyla uygulanmıştır Temel biliş katmanının oluşturulmasının ardından, önerilen yöntem iki farklı endüstriyel uygulamada test edilmiştir. Farklı geometrilere, hammaddelere ve kalite kriterlerine sahip bu parçalar üzerinde görev odaklı biliş uyarlaması gerçekleştirilmiş ve üretim ortamına entegrasyonu ortalama %95 doğrulukla sağlanmıştır.
Özet (Çeviri)
For a long time, plastic injection molding has been an important part of mass production in many fields. But in today's competitive market, traditional molding methods don't always work well when you need high efficiency and quality that stays the same. We need better and smarter ways to make things because of the need for more sustainable practices, the use of more recycled materials, shorter production times, and rising labor costs. This thesis describes a cognition-based method that is meant to work without depending on the shape of the parts, the type of material, or the specific production equipment used in the injection molding process. To do this, cavity pressure sensors were carefully put in key parts of the mold to collect data that was unique to each cycle. This information helped us find a stable operational range, or“reliable zone,”that guarantees that high-quality parts are always made. One important thing this work does is show that changes in the cavity pressure curve are related to both the quality of the parts and the settings of the machine. Using this connection, a convolutional neural network (CNN) was trained to create a basic knowledge system that helps operators by suggesting ways to fix problems when they notice that something is wrong. The model that was made was able to correctly classify 98% of the time. After the baseline was made, the proposed method was used on two real-world case studies that involved parts with different shapes, materials, and quality standards. For each application, a method for adapting knowledge to specific tasks was used, and when the system was put into real-world production environments, it had an average accuracy rate of 95%.
Benzer Tezler
- Geniş çaplı kazıklarda yükleme deneyi ve sonuçlarının değerlendirilmesi
Load tests on big diameter piles
MAZLUM OLCAY
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN
- Human-machine collaboration in landscape architecture:Multi-stage integration of ai into landscape site analysisworkflow
Peyzaj mimarlığında insan-makine işbirliği: Yapay zekanınçevre analizi sürecine çok katmanlı entegrasyonu
BUSE EZGİ ER
Yüksek Lisans
İngilizce
2026
Peyzaj Mimarlığıİstanbul Teknik ÜniversitesiPeyzaj Mimarlığı Ana Bilim Dalı
DOÇ. DR. MELİH BOZKURT
- Building sensor-based real-time predictive maintenance system by utilizing artificial intelligent techniques
Yapay akıllı teknikleri kullanarak sensör tabanlı gerçek zaman tahminli bakım sistemi kurulması
RAGHAD MOHAMMED KHORSHEED
Doktora
İngilizce
2021
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
