Frezelemede yapay sinir ağları kullanarak, çok elemanlı kuvvet ölçümlerine dayalı takım durumu izleme
| dc.authorid | TR6973 | |
| dc.contributor.advisor | Ünüvar, Ali | |
| dc.contributor.author | Sağlam, Hacı | |
| dc.date.accessioned | 2017-02-23T06:29:30Z | |
| dc.date.available | 2017-02-23T06:29:30Z | |
| dc.date.issued | 2000-07-20 | |
| dc.department | Enstitüler, Fen Bilimleri Enstitüsü, Makina Mühendisliği Ana Bilim Dalı | en_US |
| dc.description.abstract | Otomatize işleme sistemleri, güvenilir Takım Durumu İzleme (TDÎ) teknikleri gerektirir. Takınım ne zaman değiştirileceğine karar vermede, uygun bir TDÎ sistemi kullanılması şarttır. Bu sistemlerde işlem izleme fonksiyonu, insan operatörler yerine, sensör sinyallerini yorumlayabilen ve uygun kontrol faaliyetine karar verebilen karar verme mekanizmaları tarafından yerine getirilir. Bu deneysel çalışmada, alın frezeleme işlemlerinde, kesme kuvvetleri verilerine dayalı zeki bir TDİ sistemi kurmak için, bir Yapay Sinir Ağı (YSA) uygulaması yapılmış ve değerlendirilmiştir. Kurulan bu sistem ile işleme esnasında serbest yüzey aşınması (VB) ve yüzey pürüzlülüğünün (Ra) matematiksel tahmini hedeflenmiştir. Ortogonal diziye göre L16 deney kombinezonu planlanmış ve belirlenen kesme şartlan ve kesme parametrelerine göre frezeleme işlemleri yerine getirilmiştir. Frezeleme esnasında kesme kuvvetleri bilgisayara kaydedilmiş, VB ve Ra değerleri ise periyodik olarak doğrudan ölçülmüştür. Ağ eğitimi için gerekli veri seçiminde, her deney için belirlenen bir işleme süresine karşılık gelen kuvvet verileri kullanılmıştır. Ağ eğitmede kullanılacak etkili özelliklerin seçimi ve her parametrenin ağ çıktıları üzerindeki etkisini tayin etmek için giriş-çıkış parametreleri grafikleri çizilmiş ve elde edilen sonuçlar istatistik metotlar ile doğrulanmıştır. Takım durumu izleme sistemi için çok-katmanlı perseptron YSA modeli kullanılmış ve ağ geriye yayınma algoritması ile eğitilmiştir. Kesme hızı, ilerleme, talaş derinliği ve iki kesme kuvveti bileşenini (düşey kuvvet ve ilerleme kuvveti) ihtiva eden bu YSA modeli, tahmin edilen VB ve Ra değerleri ile doğrudan ölçülen VB ve Ra değerleri arasında sıkı bir ilişki olduğunu göstermektedir. Bu sebeple bu değerler ağ eğitiminde giriş parametreleri olarak kabul edilmiştir. Test sonuçlarına göre takım aşınması %77 ve yüzey pürüzlülüğü %79 basan ile tahmin edilmiştir. YSA, paralel veri işleme ve kısıtlı veriden sonuç çıkarma özellikleri ile TDİ'de başarılı olduğunu göstermiştir. | en_US |
| dc.description.abstract | Automated machining systems need reliable Tool Condition Monitoring (TCM) techniques. A proper TCM system is essential for deciding when to change the tool. The process monitoring function in these systems is carried out by the decision-making mechanisms that can interpret sensor signals and decide proper control action, instead of human operators. In this experimental study, in order to set up an intelligent TCM system based on cutting forces data in face milling processes, the application of an Artificial Neural Network (ANN) was introduced and evaluated. The mathematical estimation of flank wear (VB) and surface roughness (Ra) have been aimed by the intelligent system established during machining. According to Orthogonal Array (OA), LI 6 experiment combinations have been intended and milling processes have been carried out by the cutting states and cutting parameters determined. During milling, the cutting forces have been recorded on a personal computer, flank wear and surface roughness values have been measured directly as a periodical. On the selection of data needed to train ANN, cutting forces data, correspond to defined machining period for each experiment, have been based on. In order to select effective input features used for training network and to determine effect of each parameter on the network outputs, input-output parameters graphs were drawn and discussed. The results obtained were confirmed by statistical tools. For TCM system multi-layer perceptron ANN model has been used and trained by back propagation algorithm. IV This ANN model that consist of cutting speed, cutting feed, depth of cut and two cutting force component such as vertical force and feed force, shows a close matching between estimated VB and Ra values and directly measured VB and Ra values. Therefore these factors were accepted as an input features on training the network. As a results of the test, tool wear have been estimated with the success of 77% and surface roughness 79%. ANN has been found successful on TDI applications with the properties of parallel data processing and feature extraction from limited data. | en_US |
| dc.identifier.citation | Sağlam, H. (2000). Frezelemede yapay sinir ağları kullanarak, çok elemanlı kuvvet ölçümlerine dayalı takım durumu izleme. Selçuk Üniversitesi, Yayımlanmış doktora tezi, Konya. | en_US |
| dc.identifier.uri | https://hdl.handle.net/20.500.12395/4088 | |
| dc.language.iso | tr | en_US |
| dc.publisher | Selçuk Üniversitesi Fen Bilimleri Enstitüsü | en_US |
| dc.relation.publicationcategory | Tez | en_US |
| dc.rights | info:eu-repo/semantics/openAccess | en_US |
| dc.selcuk | 20240510_oaig | en_US |
| dc.subject | Surface roughness | en_US |
| dc.subject | Yüzey pürüzlülüğü | en_US |
| dc.subject | Artificial neural networks | en_US |
| dc.subject | Yapay sinir ağları | en_US |
| dc.subject | Dinamometre | en_US |
| dc.subject | Dynamometer | en_US |
| dc.subject | Frezeleme | en_US |
| dc.subject | Milling | en_US |
| dc.subject | Ortogonal dizi | en_US |
| dc.subject | Orthogonal arrays | en_US |
| dc.subject | Takım aşınması | en_US |
| dc.subject | Tool wear | en_US |
| dc.title | Frezelemede yapay sinir ağları kullanarak, çok elemanlı kuvvet ölçümlerine dayalı takım durumu izleme | en_US |
| dc.title.alternative | Tool condition monitoring, based on multi-component force measurements using artificial neural network in milling | en_US |
| dc.type | Doctoral Thesis | en_US |
