Endüstriyel talaşlı imalat tezgahlarında kesici aşınmalarının sinyal işleme yöntemleriyle gerçek zamanlı tespiti

Endüstri 4.0, üretim süreçlerinde otomasyon ve dijitalleşmeyi temel alan bir devrim niteliğindedir. Bu bağlamda, Makine Öğrenimi (ML) ve Derin Öğrenme (DL) gibi yapay zeka yaklaşımları, büyük veri analitiği ve Nesnelerin İnterneti (IoT) ile entegre edilerek kestirimci bakım sistemleri oluşturulmaktadır. Bu sayede, üretim süreçlerinin izlenebilirliği, yönetimi ve verimliliği artarken, hatalar ve arızalar azalmakta, kaynaklar daha etkin bir şekilde kullanılabilmektedir. Bu bakışla, ekipmanların performansını izleme konusunda kritik bir rol oynayan "kestirimci bakım", makinelerin ve cihazların bakımını sensör verilerinin analizi kaynaklı bilgi ve tahminlere dayalı olarak yapmayı mümkün kılar. Endüstride kullanılan her makine ve cihaz, iç ve dış sensörlere sahiptir. Çeşitli sensörler gerçek zamanlı ölçümler yapar ve üretim sürecinin dijital bir görüntüsünü – haritasını oluşturmayı mümkün kılar. Bu sensörler yapılan işin ve cihazın kontrolünü ve güvencesini sağlar. Sensörlerden elde edilen bilgiler saklanır ve daha sonra tahminler yapmak için işlenir. Çalışmamda, endüstriyel bir tesiste bulunan CNC tezgahtan titreşim sensörü ile gerçek zamanlı olarak alınan veriler değerlendirilerek, CNC tezgahlardaki kesici takım kırılmalarının önlenebilmesi için uygun sinyal işleme yöntemleri araştırılmıştır. CNC tezgahın işlediği parçanın bir periyodu gerçek zamanlı olarak alınarak, kesici takımların aşınma ve kırılma durumlarının incelenmesi için bir veri seti oluşturulmuştur. Oluşturulan veri seti ile MATLAB ortamında yapılan farklı analizler sonucunda, RMS (karekök ortalama) değerleriyle takımın mevcut durumu hakkında kesin tahminler yapılabilmiş ve belirli eşik değerleri tanımlanmıştır. Bu eşik değerlerinin aşılması durumunda sistem kullanıcıyı otomatik olarak uyarabilmekte ve takımın değiştirilmesi gerektiğini bildirebilmektedir. Böylece operatöre bağlı kontrol süreçleri azaltılarak, otomatik ve kesintisiz üretim ortamları oluşturulmuştur. Ayrıca titreşim sensörlerinden alınan veriler Fast Fourier Transform (FFT), Hilbert-Huang Transform (HHT), Continuous Wavelet Transform (CWT) ve S-Transform (ST) gibi analiz yöntemleriyle de değerlendirilmiştir. Bu sayede takımın aşınma süreci, kırılma öncesi davranışları ve sinyallerdeki karakteristik değişiklikler ayrıntılı olarak analiz edilmiştir. Analizler sonucunda 'Tüm Parçaların Toplam RMS Değerleri' yönteminin aşınma-kırılma tespitinde çok daha iyi sonuç verdiği görülmüştür. Bu yöntem ile ilk işlenen parça ile kırılma öncesi parça arasında %28 değer artışı gözlenlenmiştir. Ayrıca lineer artış ile 0,4g RMS değeri üzeri titreşimlerin uyarı noktası olarak kabul edilebileceği tespit edilmiştir. Bu veri alımı 90ms ve toplam analiz 0,3sn (300ms) gibi kısa bir sürede gerçekleştirilebilmiştir. Geliştirilen sistem, hem literatürdeki benzer yöntemlerle karşılaştırılmış hem de deneysel olarak test edilmiştir. Sistem, karanlık fabrika gibi insansız üretim ortamlarında kullanım potansiyeline sahiptir. Bu yönüyle sadece akademik bir katkı sunmakla kalmayıp, endüstriyel uygulamalarda da verimlilik ve güvenilirlik açısından yüksek değer sağlamaktadır. Sonuç olarak, bu verilerin yorumlanması ile kestirimci bakım kararları daha güvenilir hale gelmekte, sistemin gerçek zamanlı olarak uyarı verebilme yeteneği ise üretimde duruşların önüne geçmektedir. Böylece üretim kalitesi artırılırken, kesici takım ömrü de optimize edilmektedir. Kesici takım ani kırılmalarında çok hızlı, aşınma durumlarında kırılmadan tespit edilebildiği için, takım bileme veya yenisi ile değiştirme ile kayıp zaman en aza indirilmiş ve hatalı parça çıkması engellenmiştir. Bu sistem, insansız üretim anlayışına geçişte de önemli bir adım olarak değerlendirilebilir.