Derin öğrenme yöntemleri kullanılarak tornalamada takım seslerinden takım aşınmasının tahmini
| dc.authorid | 0009-0008-4804-4156 | |
| dc.contributor.advisor | Koç, Savaş | |
| dc.contributor.author | İlenç, Ramazan | |
| dc.date.accessioned | 2024-10-09T06:03:18Z | |
| dc.date.available | 2024-10-09T06:03:18Z | |
| dc.date.issued | 2024-09-04 | |
| dc.department | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü Makine Mühendisliği Anabilim Dalı | |
| dc.description | Bu tez çalışması Batman Üniversitesi- Bilimsel Araştırma Projeleri (BAP) Birimi tarafından BATÜBAP-2022-YL-27 nolu proje ile desteklenmiştir. | |
| dc.description.abstract | İlerleyen akım aşınması ve takım kırılmasının tahmin edilmesi, talaşlı imalat işlemlerinin anlık olarak izlenmesi, kesme parametrelerinin optimizasyonu ve veri tabanlarının oluşturulması açısından büyük bir öneme sahiptir. CNC torna tezgahlarıyla optimize edilen sistemler, yüksek hassasiyet ve doğrulukla sonuçlar elde etmek için tercih edilmektedir. Günümüzde, takım tezgahlarında giderek daha fazla sensör kullanımı söz konusu olup, veri miktarı aşırı derecede artmaktadır. Takım durumu izleme için uygun sistemler, sinyallerin doğasına bağlı olarak seçilmektedir. DL (Derin öğrenme) ve ML (makine öğrenmesi) modelleri, bu sistemlerden bazılarıdır. Bu çalışmada, tornalama sırasında kaydedilen ses verileri, DL ve ML modelleri kullanılarak analiz edilmiştir. İş parçası malzemesi olarak 316L paslanmaz çelik ve 1050 çelik malzemesi kullanılmıştır. Ses verilerinin öznitelikleri, genlik-zaman, mel-spektrogram, MFCCs (Mel Frekansı Kepstrum Katsayıları), ZCRs (Sıfır Geçiş Oranları) ve RMS (Karekök Ortalama Kare Enerjisi) kullanılarak çıkartılmıştır. DL modelleri olan 1D CNN (Evrişimsel Sinir Ağları) ve 2D CNN ile ML modelleri KNN (K En Yakın Komşular), SVM (Destek Vektör Makineleri), RF (Rastgele Orman) ve topluluk öğrenme modelleri, elde edilen öznitelikler kullanılarak eğitilmiştir. 316L paslanmaz çeliğin işlenmesi sırasında oluşan takım aşınması tahmininde 1D CNN modelinde %98.08, 2D CNN modelinde %96.72, KNN modelinde %94.26, SVM modelinde %90.43 ve topluluk öğrenme modelinde %96.99 gibi yüksek doğruluk oranları elde edilmiştir. 1050 çelik malzemesinin işlenmesi sırasında oluşan takım aşınması tahmininde ise 1D CNN modelinde %89.32, 2D CNN modelinde %91.24, KNN modelinde %89.6, SVM modelinde %84.27, RF modelinde %92.28 ve topluluk öğrenme modelinde %90.35 doğruluk oranları elde edilmiştir. DL yöntemleri ve ML modelleri, olumlu sonuçlar vermekte ve imalat sektöründe uygulanabilir sistemler olduğunu göstermektedir. Bu çalışma, sanayi ve akademik alanlarda uygulanabilirliği ve literatüre katkısı ile dikkat çekmekte olup, gelecekteki çalışmalar için bir temel teşkil etmektedir. | |
| dc.description.abstract | The prediction of progressive tool wear and tool breakage, as well as the real-time monitoring of machining processes, is crucial for optimizing cutting parameters and establishing databases. CNC lathe systems optimized for high precision and accuracy are preferred in this context. Nowadays, an increasing number of sensors are being used in machine tools, leading to an exponential growth in input data. Appropriate systems for tool condition monitoring are selected based on the nature of the signals. Some of these systems include DL (deep learning) and ML (machine learning) models. In this study, sounds recorded during turning were analyzed using DL and ML models. The workpiece materials used were 316L stainless steel and 1050 steel. The features of the sound data were extracted using amplitude-time, mel-spectrogram, MFCCs (Mel Frequency Cepstral Coefficients), ZCRs (Zero Crossing Rates), and RMS (Root Mean Square Energy). DL models, including 1D CNN (Convolutional Neural Networks) and 2D CNN, as well as ML models such as KNN (K-Nearest Neighbors), SVM (Support Vector Machines), RF (Random Forest), and ensemble learning models, were trained using the extracted features. During the machining of 316L stainless steel, high prediction accuracies were achieved for tool wear with the 1D CNN model at 98.08%, the 2D CNN model at 96.72%, the KNN model at 94.26%, the SVM model at 90.43%, and the ensemble learning model at 96.99%. For the machining of 1050 steel, prediction accuracies for tool wear were achieved at 89.32% with the 1D CNN model, 91.24% with the 2D CNN model, 89.6% with the KNN model, 84.27% with the SVM model, 92.28% with the RF model, and 90.35% with the ensemble learning model. The DL and ML models demonstrated favorable results, indicating their applicability in the manufacturing industry. This study is noteworthy for its applicability in both industrial and academic fields, contributing to the literature and laying a foundation for future research. | |
| dc.identifier.citation | İlenç, R. (2024). Derin öğrenme yöntemleri kullanılarak tornalamada takım seslerinden takım aşınmasının tahmini. (Yayınlanmamış Yüksek Lisans Tezi). Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, Batman. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12402/4789 | |
| dc.language.iso | tr | |
| dc.publisher | Batman Üniversitesi Lisansüstü Eğitim Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Makine Öğrenmesi Modelleri | |
| dc.subject | Özniteliklerin Çıkartılması | |
| dc.subject | Sınıflandırma ve Tahmin | |
| dc.subject | Takım Aşınması | |
| dc.subject | Classification and Prediction | |
| dc.subject | Feature Extraction | |
| dc.subject | Machine Learning Models | |
| dc.subject | Tool Wear | |
| dc.title | Derin öğrenme yöntemleri kullanılarak tornalamada takım seslerinden takım aşınmasının tahmini | |
| dc.title.alternative | Prediction of toolwear from tool noises in turning using deep learning methods | |
| dc.type | Master Thesis |
