ML-driven cognition for advanced plastic ınjection molding and ındustrial ımplementation

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.