Makine öğrenmesi teknikleri ile frezeleme işlemlerinde takım aşınmasının tahmini

Endüstri 4.0'ın temel birleşenlerinden biri Büyük Veri Analitiği (Big Data Analytics) ve Makine Öğrenme Teknikleri(Machine Learning Techniques) ile imalat süreçlerinin Akıllı İmalat (Smart Manufacturing) haline dönüştürülmesidir. Dünyada otomotiv, havacılık, sağlık, finans vb. gibi sektörlerde hızla popülerliği artan Makine Öğrenme tekniklerinin en yenisi ve etkilisi kabul edilen Derin Öğrenme (Deep Learning), bu sektörlerde devrim niteliğinde yeni ürün ve uygulamalara yol açmaya devam etmektedir. İmalat alanında ise en önde gelen araştırma potansiyelini, ileri durum gözetleme (Advanced Condition Monitoring), işlem eniyilenmesi (Process Optimization), ve kestirimci bakım(Predictive Maintenance) alanlarında bulunduğu öne sürülmektedir. İleri işlem gözetleme, günümüzde tamamen bilgisayar denetimli olan makine ve sistemlerde üretilen verinin zamanında, yeterli hassasiyette, çözünürlükte ve güvenilirlikte toplanmasına bağlıdır. Bu amaç doğrultusunda tez kapsamında ivmeölçer, mikrofon ve enerji metre kullanılarak sırasıyla titreşim, akustik ve makinenin çektiği güç verileri toplanmıştır. Aynı zamanda kesici takımda meydana gelen kenar aşınması değeri mikroskop aracılığıyla toplanmış ve işlenen parçanın yüzey pürüzlülüğü de yüzey pürüzlülüğü ölçüm cihazı ile toplanmıştır. Burada tez kapsamında yapılan çalışmaların amacı toplanan verilerle birlikte derin öğrenme tekniklerini talaşlı imalat süreçlerine uygulayarak, işlem kontrol ve gözetleme parametreleri ile işlenen parçanın yüzey pürüzlülüğü, tüketilen enerji ve kesici takım aşınması arasında makine öğrenme (Machine Learning) temelli modeller geliştirmektir. İşlenen parçanın yüzey pürüzlülüğü ve özgül kesme enerjisi (ÖKE) tahmin eedebilmek için Derin Çok Katmanlı Algılayıcı (DMLP) tabanlı tahmin modeli geliştirilmiştir. Ayrıca kesici takımda meydana gelen aşınmayı da tahmin etmek amacıyla Konvolüsyonel Sinir Ağı (CNN) ve Uzun Kısa Süreli Bellek (LSTM) tabanlı iki farklı tahmin modeli geliştirilmiştir. Tez kapsamında geliştirilen DMLP tabanlı tahmin modeli kullanılarak elde edilen özgül kesme enerjisi ve yüzey pürüzlülüğü sonuçları ile hedef çıktılar arasındaki hata oranının %10'un altında olduğu görülmektedir. Ayrıca kesici takım aşınmasının tahmini için geliştirilen CNN ve LSTM tabanlı modelleri eğitebilmek için 8 farklı deney yapılmıştır. Deneylerden elde edilen titreşim ve akustik verileri kullanılarak modeller eğitilmiştir. Eğitim sırasında kullanılmayan deney verileri test verisi olarak kullanılmıştır. Burada iki farklı tahmin modeli için de 5 farklı senaryo üzerinde çalışılmıştır. Senaryolarda amaç farklı farklı kesme hızları (m/dk) ve farklı kesici takım çaplarına göre kesici takımda meydana gelen aşınmaları tahmin etmeye çalışmaktır. Senaryolardaki en iyi sonuçlara bakıldığı zaman Wavelet-CNN tabanlı tahmin modelinin ortalama hata karesinin (MSE) değeri 0.031 olup WLSTM-DMLP tabanlı tahmin modelinin ortalama hata karesinin değeri 0.004 olarak elde edilmiştir.