Bir otomotiv işletmesinde makine öğrenmesi teknikleri ile kesici takım aşınmasının tahminlenmesi

Talaşlı imalat gerçekleştiren işletmelerde, kesici takım aşınmasını tahmin etmek ve önlemek için etkili bir yöntem geliştirmek, üretim verimliliği açısından kritik öneme sahiptir. Bu çalışmada, otomotiv sektöründe faaliyet gösteren bir firmada, makine öğrenmesi kullanılarak CNC makinelerinden elde edilen veriler ile kesici takım aşınmasını tahminlemek amaçlanmıştır. Uygulamada Python programlama dili kullanılmıştır. Veriler ayıklanmış, aykırı veriler kontrol edilmiş, korelasyona göre özellikler belirlenmiş, veri ölçekleme yapılmış ve veri pencerelere bölünmüştür. Rastgele Orman Regresyonu (Random Forest Regressor-RFR), Gradyan Artırma Regresyonu (Gradient Boosting Regressor-GBR), Aşırı Gradyan Artırma Regresyonu (Extreme Gradient Boosting Regressor-XGB) ve Uyarlamalı Artırma Regresyonu (Adaptive Boosting Regressor-ABR) makine öğrenmesi modelleri kullanılmıştır. Bu modeller, veri setlerinin farklı kombinasyonlarından oluşan 3 farklı senaryo üzerinde değerlendirilmiştir. Model performansları hiper parametre optimizasyonu yapılarak iyileştirilmiştir. Sonrasında veri setleri kesici takım ömrünün evrelerine bölünmüş ve farklı makine öğrenmesi modellerinin, kesici takımın farklı evrelerini daha iyi tahmin edebileceği öngörülerek denemeler yapılmıştır. Modeller, Hata Kareleri Ortalaması (Mean Squared Error-MSE) metriğine göre, farklı pencere büyüklükleri ve evreler için tüm senaryolarda değerlendirilmiş ve karşılaştırılmıştır. Senaryo 1'in ilk evresinde 0,1096 MSE değeri ile GBR, ikinci evresinde 0,0242 MSE değeri ile XGB, son evresinde ise 0,0313 MSE değeri ile GBR modeli başarılı olmuştur. Senaryo 2'in ilk evresinde 0,1615 MSE değeri ile GBR, ikinci evresinde 0,0434 MSE değeri ile yine GBR ve son evresinde ise 0,0404 MSE değeri ile RFR modeli başarılı olmuştur. Evre çalışması olmayan Senaryo 3'te ise en başarılı pencere büyüklüğü 50 iken 0,0041 MSE değerini veren RFR olmuştur. Evrelere ayırmadan modeller çalıştırıldığında Senaryo 1 için en iyi MSE değerini 0,0614 ile; Senaryo 2 için 0,0908 ile GBR sağlamaktadır. Kesici takım aşınmasının evrelere ayrılması, daha hassas bir şekilde tahmin edilmesini sağlamaktadır ve işletmelere daha doğru ve zamanında müdahale imkanı vermektedir.