MARC details
| 000 -LEADER |
|---|
| fixed length control field |
07987nam a2200541 i 4500 |
| 001 - CONTROL NUMBER |
|---|
| control field |
200461349 |
| 003 - CONTROL NUMBER IDENTIFIER |
|---|
| control field |
TR-AnTOB |
| 005 - DATE AND TIME OF LATEST TRANSACTION |
|---|
| control field |
20240628150129.0 |
| 007 - PHYSICAL DESCRIPTION FIXED FIELD--GENERAL INFORMATION |
|---|
| fixed length control field |
ta |
| 008 - FIXED-LENGTH DATA ELEMENTS--GENERAL INFORMATION |
|---|
| fixed length control field |
171111s2022 xxu e mmmm 00| 0 eng d |
| 035 ## - SYSTEM CONTROL NUMBER |
|---|
| System control number |
(TR-AnTOB)200461349 |
| 040 ## - CATALOGING SOURCE |
|---|
| Original cataloging agency |
TR-AnTOB |
| Language of cataloging |
eng |
| Description conventions |
rda |
| Transcribing agency |
TR-AnTOB |
| 041 0# - LANGUAGE CODE |
|---|
| Language code of text/sound track or separate title |
Türkçe |
| 099 ## - LOCAL FREE-TEXT CALL NUMBER (OCLC) |
|---|
| Classification number |
TEZ TOBB FBE MAK Ph.D’24 SER |
| 100 1# - MAIN ENTRY--PERSONAL NAME |
|---|
| Personal name |
Serin, Gökberk |
| Relator term |
author |
| 9 (RLIN) |
118236 |
| 245 10 - TITLE STATEMENT |
|---|
| Title |
Makine öğrenmesi teknikleri ile frezeleme işlemlerinde takım aşınmasının tahmini / |
| Statement of responsibility, etc. |
Gökberk Serin; thesis advisor Hakkı Özgür Ünver. |
| 246 13 - VARYING FORM OF TITLE |
|---|
| Title proper/short title |
Prediction of tool wear in miling operations using machine learning techniques |
| 264 #1 - PRODUCTION, PUBLICATION, DISTRIBUTION, MANUFACTURE, AND COPYRIGHT NOTICE |
|---|
| Place of production, publication, distribution, manufacture |
Ankara : |
| Name of producer, publisher, distributor, manufacturer |
TOBB ETÜ Fen Bilimleri Enstitüsü, |
| Date of production, publication, distribution, manufacture, or copyright notice |
2024. |
| 300 ## - PHYSICAL DESCRIPTION |
|---|
| Extent |
xxii, 133 pages : |
| Other physical details |
illustrations ; |
| Dimensions |
29 cm |
| 336 ## - CONTENT TYPE |
|---|
| Content type term |
text |
| Content type code |
txt |
| Source |
rdacontent |
| 337 ## - MEDIA TYPE |
|---|
| Media type term |
unmediated |
| Media type code |
n |
| Source |
rdamedia |
| 338 ## - CARRIER TYPE |
|---|
| Carrier type term |
volume |
| Carrier type code |
nc |
| Source |
rdacarrier |
| 502 ## - DISSERTATION NOTE |
|---|
| Dissertation note |
Tez (Doktora Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Mayıs 2024 |
| 520 ## - SUMMARY, ETC. |
|---|
| Summary, etc. |
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. |
|
|---|
| Summary, etc. |
One of the fundamental components of Industry 4.0 is the transformation of manufacturing processes into Smart Manufacturing through Big Data Analytics and Machine Learning Techniques. Deep Learning, considered the latest and most impactful of the Machine Learning techniques, is rapidly gaining popularity in sectors such as automotive, aerospace, healthcare, and finance, leading to revolutionary new products and applications in these sectors. In the field of manufacturing, it is suggested that the most prominent research potential lies in the areas of Advanced Condition Monitoring, Process Optimization, and Predictive Maintenance. Advanced process monitoring relies on the timely collection of machine and system generated data with sufficient accuracy, resolution, and reliability. In this context, vibration, acoustic, and machine power consumption data were collected using an accelerometer, microphone, and energy meter, respectively. At the same time, the value of flank wear occurring on the cutting tool was collected using a microscope, and the surface roughness of the machined part was also collected using a surface roughness measuring device. The aim of the studies conducted within the scope of this thesis is to develop Machine Learning-based models for process control and monitoring parameters, surface roughness of the machined part, consumed energy, and cutting tool wear by applying deep learning techniques to the collected data together with machining processes. A Deep Multi-Layer Perceptron (DMLP) based prediction model has been developed to predict the surface roughness and specific cutting energy (ÖKE) of the machined part. In addition, two different prediction models based on Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) have been developed to predict the wear occurring on the cutting tool. Using the DMLP-based prediction model developed within the scope of the thesis, it is observed that the error rate between the obtained specific cutting energy and surface roughness results and the target outputs is below 10%. In addition, 8 different experiments were conducted to train the CNN and LSTM-based models developed for the prediction of cutting tool wear. The models were trained using the vibration and acoustic data obtained from the experiments. The experimental data not used during training was used as test data. Here, 5 different scenarios were studied for both prediction models. The aim in the scenarios is to try to predict the wear occurring on the cutting tool for different cutting speeds (m/min) and different cutting tool diameters. When the best results in the scenarios are examined, the average error value of the Wavelet-CNN based prediction model is 0.031, while the average error value of the WLSTM-DMLP based prediction model is 0.004. |
| 653 ## - INDEX TERM--UNCONTROLLED |
|---|
| Uncontrolled term |
Derin öğrenme |
|
|---|
| Uncontrolled term |
Takım durumunu izleme |
|
|---|
| Uncontrolled term |
Endüstri 4.0 |
|
|---|
| Uncontrolled term |
Yüzey pürüzlülüğü |
|
|---|
| Uncontrolled term |
Özgül kesme enerjisi |
|
|---|
| Uncontrolled term |
Kesici takım aşınması |
|
|---|
| Uncontrolled term |
Derin çok katlanmalı algılayıcı |
|
|---|
| Uncontrolled term |
Konvolüsyonel sinir ağı |
|
|---|
| Uncontrolled term |
Uzun kısa süreli bellek |
|
|---|
| Uncontrolled term |
Deep learning |
|
|---|
| Uncontrolled term |
Tool condition monitoring |
|
|---|
| Uncontrolled term |
Industry 4.0 |
|
|---|
| Uncontrolled term |
Surface roughness |
|
|---|
| Uncontrolled term |
Specific cutting energy |
|
|---|
| Uncontrolled term |
Cutting tool wear |
|
|---|
| Uncontrolled term |
Deep multi-layer perceptron |
|
|---|
| Uncontrolled term |
Convolutional neural network |
|
|---|
| Uncontrolled term |
Long-short term memory |
| 700 1# - ADDED ENTRY--PERSONAL NAME |
|---|
| Personal name |
Ünver, Hakkı Özgür |
| 9 (RLIN) |
128655 |
| Relator term |
advisor |
| 710 ## - ADDED ENTRY--CORPORATE NAME |
|---|
| Corporate name or jurisdiction name as entry element |
TOBB Ekonomi ve Teknoloji Üniversitesi. |
| Subordinate unit |
Fen Bilimleri Enstitüsü |
| 9 (RLIN) |
77078 |
| 942 ## - ADDED ENTRY ELEMENTS (KOHA) |
|---|
| Koha item type |
Thesis |
| Source of classification or shelving scheme |
Other/Generic Classification Scheme |
