Ses sinyalleri kullanılarak talaşlı imalat prosesinde takım durumunun izlenmesi
Küçük Resim Yok
Tarih
2021
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
BTÜ, Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/embargoedAccess
Özet
Kesici takım aşınması ve kırılması talaşlı imalat operasyonlarının tam otomatik hale getirilebilmesinin önündeki en büyük engellerdendir. Etkili bir takım durumu izleme (TDİ) sistemi, tam otomatik imalat sistemlerinin kurulabilmesi için en iyi çözümdür. Takım durumunun çevrimiçi tespiti için çok çeşitli izleme teknikleri geliştirilmiş olsa da güvenilir, basit ve ucuz bir çözüm ihtiyacı hala devam etmektedir. Bu çalışmanın temel amacı, yüzey frezeleme operasyonu sırasında farklı aşınma durumu ve kesme parametrelerine ait toplanan ses sinyallerini makine öğrenmesi tekniklerini kullanarak sınıflandırmak ve takım durumunu tespit etmek için bir TDİ modeli geliştirmektir. Bu çalışmada yüzey frezeleme operasyonu sırasında toplanan ses sinyalleri ile makine öğrenmesi algoritmaları eğitilerek oluşturulan modellerin, takım aşınma durumlarını başarılı bir şekilde tespit edilebildiği belirlenmiştir. Yapay sinir ağları, destek vektör makinesi ve evrişimli sinir ağları yaklaşımlarını içeren makine öğrenmesi tekniklerine dayalı bir karar verme sistemi geliştirilmiştir. Kurulan sistemlerin başarısı elde edilen tahmin doğruluklarıyla karşılaştırılmıştır. Geliştirilen sistem, önceden işlenmiş verilerle eğitilmiştir. Eğitilen modelin test edilmesiyle önemli bir tahmin doğruluğu elde edilmiştir. Bu durum, ses sinyalleri ve makine öğrenmesi teknikleri kullanarak etkili bir TDİ sisteminin kurulabileceğini kanıtlamaktadır. Ayrıca oluşturulan TDİ sisteminin farklı iş parçası boyutunda aynı performans ile çalışıp çalışmadığı değerlendirilmiştir. Daha düşük boyutlarda iş parçasının yüzey frezeleme işleminden toplanan sesler oluşturulan modellerde test edilmiştir. Elde edilen sonuçlar, iş parçasının boyutunun değişiminin oluşturulan sistemin doğruluğunu düşürdüğü ancak yapay sinir ağı kullanılarak uluşturulan modelin hala yüksek doğruluk değerlerine sahip olduğunu göstermektedir. Ek olarak bu çalışmada, özellikleri farklı iki ses sinyali toplama donanımlarından elde edilen ses sinyalleri ile kurulan modellerin performansları karşılaştırılmıştır. Elde edilen sonuçlar yüksek empedans ve düşük hassasiyete sahip donanımdan elde edilen ses sinyalleri ile oluşturulan TDİ sisteminin iş parçası boyut değişimde daha kötü sonuçlar verdiği görülmüştür. Sonuç olarak, önerilen TDİ sisteminin başarılı bir şekilde uygulanması, takım değişiklikleri için duruş süresini azaltmayı, talaşlı imalat endüstrisindeki hurda miktarını en aza indirmeyi ve kesici takımların en verimli şekilde kullanılmasını sağlayacaktır.
Cutting tool wear and breakage are among the biggest obstacles to fully automated machining operations. An effective tool condition monitoring (TCM) system is the best solution for setting up fully automated manufacturing systems. Although a wide variety of monitoring techniques have been developed for online detection of tool status, the need for a reliable, simple and inexpensive solution still remains. The main purpose of this study is to classify the collected audio signals belonging to different wear status and cutting parameters during the face milling operation by using machine learning techniques and to develop a TCM model to detect the tool condition. In this study, it has been determined that the models created by training the machine learning algorithms with the audio signals collected during the face milling operation can successfully detect the tool wear conditions. A decision making system based on machine learning techniques including artificial neural networks, support vector machine and convolutional neural network approaches has been developed. The success of the installed systems was compared with the obtained prediction accuracies. The developed system is trained with preprocessed sound data. Significant prediction accuracy was obtained by testing the trained model. This proves that an effective TDI system can be established using audio signals and machine learning techniques. In addition, it has been evaluated whether the generated TDI system works with the same performance in different workpiece sizes. The sound signal collected from the face milling process of the workpiece at lower dimensions were tested in the generated model. The results show that the change in the size of the workpiece reduces the accuracy of the generated system, but it still has high accuracy values in the model generated using the artificial neural network. In addition, in this study, the performances of the models constructed with the audio signals obtained from two different audio signal acquisition equipment were compared. The results obtained show that the TDI system, which is created with audio signals obtained from hardware with high impedance and low sensitivity, gives worse results in workpiece size change. In conclusion, successful implementation of the proposed TDI system will enable to reduce downtime for tool changes, minimize the amount of scrap in the machining industry and make the most efficient use of cutting tools.
Cutting tool wear and breakage are among the biggest obstacles to fully automated machining operations. An effective tool condition monitoring (TCM) system is the best solution for setting up fully automated manufacturing systems. Although a wide variety of monitoring techniques have been developed for online detection of tool status, the need for a reliable, simple and inexpensive solution still remains. The main purpose of this study is to classify the collected audio signals belonging to different wear status and cutting parameters during the face milling operation by using machine learning techniques and to develop a TCM model to detect the tool condition. In this study, it has been determined that the models created by training the machine learning algorithms with the audio signals collected during the face milling operation can successfully detect the tool wear conditions. A decision making system based on machine learning techniques including artificial neural networks, support vector machine and convolutional neural network approaches has been developed. The success of the installed systems was compared with the obtained prediction accuracies. The developed system is trained with preprocessed sound data. Significant prediction accuracy was obtained by testing the trained model. This proves that an effective TDI system can be established using audio signals and machine learning techniques. In addition, it has been evaluated whether the generated TDI system works with the same performance in different workpiece sizes. The sound signal collected from the face milling process of the workpiece at lower dimensions were tested in the generated model. The results show that the change in the size of the workpiece reduces the accuracy of the generated system, but it still has high accuracy values in the model generated using the artificial neural network. In addition, in this study, the performances of the models constructed with the audio signals obtained from two different audio signal acquisition equipment were compared. The results obtained show that the TDI system, which is created with audio signals obtained from hardware with high impedance and low sensitivity, gives worse results in workpiece size change. In conclusion, successful implementation of the proposed TDI system will enable to reduce downtime for tool changes, minimize the amount of scrap in the machining industry and make the most efficient use of cutting tools.
Açıklama
Anahtar Kelimeler
Mekatronik Mühendisliği, Mechatronics Engineering
