Tornalama işlemlerinde yüzey pürüzlülüğünün istatistiksel ve yapay zeka yöntemleriyle tahmin edilmesi
Yükleniyor...
Dosyalar
Tarih
2010
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Selçuk Üniversitesi Fen Bilimleri Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
CNC tornalama işlemlerinde, yüzey pürüzlülüğü ve titreşim değerlerinin önceden tahmini üretim açısından son derece önemlidir. Üretimin temel amaçlarından; parça kalitesinin artırılması ve maliyetin düşürülmesi ancak kesme parametrelerinin en doğru şekilde seçilmesi ile mümkündür. Bu çalışmada, AISI 4140 ıslah çeliği 51 HRC sertlikte sert tornalama işlemine tabi tutulmuştur. Kesme parametreleri olarak kesme hızı, ilerleme ve talaş derinliği alınmıştır. Bu değerlere karşılık çıkış olarak; offline ölçülen ortalama yüzey pürüzlülüğü (Ra) ve online olarakta z yönündeki titreşim (az) sinyalleri ölçülmüştür. Ölçülen bu değerler MATLAB programı aracılığıyla yapay zeka yöntemlerinden bulanık mantık ve yapay sinir ağı kullanılarak tahmin modellemede kullanılmıştır. Yine istatistik yöntemlerle Ra ve az değerleri için I. derece, II. derece ve logaritmik olarak regresyon denklemleriyle modellendi. Modelde faktörlerin etkinliği ANOVA (varyans analizi) ile tespit edildi. Regresyon için MİNİTAB 14 adlı istatistik programı, ANOVA testi için SPSS 16.0 programı kullanıldı. Bulanık mantık, yapay sinir ağları ve çoklu regresyon modeli ile elde edilen tahmin değerleri karşılaştırıldı. Bu çalışma için verilen şartlarda en iyi sonuç bulanık mantıkla kurulan modelde elde edilmiştir. Elde edilen teorik ve pratik kazanım gelecekte imalatta çeşitli alanlarda kullanılabilecektir.
In CNC turning process, predicting surface roughness and vibration value is crucial for manufacturing. Increasing product quality and decreasing costs which are basic purposes of manufacturing, can only be possible by correct selection of cutting parameters. In this study, AISI 4140 tempered steel was used in hard turning process with 51 HRC hardness. Cutting parameters were determined as cutting speed, feed rate, dept of cut. For these values, offline mean surface roughness (Ra) and online vibration signals (az) are measured as correspondents. These data are used for prediction modeling by using fuzzy logic and artificial neural network methods with MATLAB software. Also Ra and az are used in statistical modeling by using first grade, second grade and logarithmic regression equation. Effectiveness (activity) of factors in models were determined (confirmed) by ANOVA (variance analysis). MİNİTAB 14 software was used for regression and SPSS 16.0 software was used for ANOVA test. Prediction values which are determined by fuzzy logic, artificial neural network and multi regression model were compared. For this study, best result was achieved by fuzzy logic. Theoretical and practical gains will be used in various applications in manufacturing.
In CNC turning process, predicting surface roughness and vibration value is crucial for manufacturing. Increasing product quality and decreasing costs which are basic purposes of manufacturing, can only be possible by correct selection of cutting parameters. In this study, AISI 4140 tempered steel was used in hard turning process with 51 HRC hardness. Cutting parameters were determined as cutting speed, feed rate, dept of cut. For these values, offline mean surface roughness (Ra) and online vibration signals (az) are measured as correspondents. These data are used for prediction modeling by using fuzzy logic and artificial neural network methods with MATLAB software. Also Ra and az are used in statistical modeling by using first grade, second grade and logarithmic regression equation. Effectiveness (activity) of factors in models were determined (confirmed) by ANOVA (variance analysis). MİNİTAB 14 software was used for regression and SPSS 16.0 software was used for ANOVA test. Prediction values which are determined by fuzzy logic, artificial neural network and multi regression model were compared. For this study, best result was achieved by fuzzy logic. Theoretical and practical gains will be used in various applications in manufacturing.
Açıklama
Anahtar Kelimeler
Bulanık mantık, Fuzzy logic, Regresyon analizi, Regression analysis, Titreşim, Vibration
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Akkuş, H. (2010). Tornalama işlemlerinde yüzey pürüzlülüğünün istatistiksel ve yapay zeka yöntemleriyle tahmin edilmesi. Selçuk Üniversitesi, Yayımlanmış yüksek lisans tezi, Konya.
