1 sonuçlar
Arama Sonuçları
Listeleniyor 1 - 1 / 1
Öğe Derin öğrenme yöntemleri kullanılarak tornalamada takım seslerinden takım aşınmasının tahmini(Batman Üniversitesi Lisansüstü Eğitim Enstitüsü, 2024-09-04) İlenç, Ramazan; Koç, Savaşİlerleyen 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.
