000			04587nam a2200433 i 4500
999			_c200446089 _d64301
003			TR-AnTOB
005			20230908000956.0
007			ta
008			171111s2021 xxu e mmmm 00| 0 eng d
035			_a(TR-AnTOB)200446089
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE MAK YL’21 ŞEN
100	1		_aŞener, Batıhan _eauthor _9134883
245	1	0	_aFrezeleme işlemlerinde meydana gelen tırlama titreşimlerinin dalgacık dönüşümü ve konvolüsyonel sinir ağlari ile tespiti / _cBatıhan Şener ; thesis advisor Hakkı Özgür Ünver.
246	1	1	_aChatter detection for milling by using wavelet transforms and convolutional neural networks
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2021.
300			_axvii, 80 pages : _billustrations ; _c29 cm
336			_atext _btxt _2rdacontent
337			_aunmediated _bn _2rdamedia
338			_avolume _bnc _2rdacarrier
502			_aTez (Yüksek Lisans Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Ağustos 2021
520			_aFrezeleme işlemi günümüz endüstrisinde en yaygın kullanılan talaşlı imalat yöntemlerinden biridir. Farklı tipleri olan tırlama titreşimleri, kesici takımların daha hızlı aşınmasına ve özellikle iş parçasındaki yüzey kalitesinin düşmesine sebep olarak, frezeleme işlemlerinin verimliliğine doğrudan zarar vermektedir. Tırlama, kesim sırasında iş parçası ile takım arasında oluşan kuvvetlerden dolayı meydana gelen anormal titreşimler olarak tanımlanabilmektedir. Tırlama, kesici takım tezgahının dinamik yapısına, iş parçasının ve takımın özelliklerine, proses parametrelerine bağlı olarak oluşmaktadır. Bu çalışma kapsamında freze işlemlerinde meydana gelen tırlama titreşimlerinin CNN modeli kullanılarak tespitini sağlayan özgün bir tırlama tespit yöntemi geliştirilmiştir. Yöntem kapsamında kendini yenileyen tırlama titreşimleri başarıyla etiketlenerek CNN modeli ile sınıflandırılmıştır. Freze işlemleri esnasında toplanan titreşim verileri, sistem özelliklerini değiştirmeyen ve kolayca sisteme bağlanabilen bir algılayıcı ile yapılmıştır. Deneylerde toplanan verilerin işlenmesinde tırlama titreşimlerinin doğrusal olmayan ve karmaşık yapısı göze alınarak, en gelişmiş sinyal işleme araçlarından biri olan dalgacık dönüşümleri kullanılmıştır. Dalgacık dönüşümleri ile elde edilen resimler CNN modeline girdi olarak verilmiştir. Sonuçlar irdelendiğinde farklı senaryolar için ortalama %99,88 düzeyinde bir tırlama sınıflandırma başarısı elde edilmiştir.
520			_aMilling is one of the most widely used machining methods in today's industry. Different types of chatter vibrations directly affects the efficiency of milling operations by causing the cutting tools to wear faster and especially the surface quality of the workpiece to decrease. Chatter can be defined as abnormal vibrations that occur due to the forces between the workpiece and the tool during cutting. Chatter occurs depending on the dynamic structure of the cutting machine tool, the characteristics of the workpiece and the tool, and the cutting process parameters. Within the scope of this study, a novel chatter detection method has been developed that enables the detection of chatter vibrations in milling processes using the CNN model. In addition, self-renewing chatter vibrations were successfully labeled and classified with the CNN. During milling, vibration data are collected via a noninvasive data acquisition strategy. In the processing of the data collected in the experiments, wavelet transforms, one of the most advanced signal processing tools, were used considering the nonlinear and complex nature of chatter vibrations. Images that are obtained by wavelet transforms are given as inputs to the CNN model. When the results were examined, an average of 99.88% chatter classification accuracy was achieved for 3 different scenarios.
653			_aKendini yenileyen tırlama
653			_aFrezeleme
653			_aDerin öğrenme
653			_aKonvolüsyonel Sinir Ağları
653			_aDalgacık Dönüşümleri
653			_aRegenerative Chatter
653			_aMilling
653			_aDeep Learning
653			_aConvolutional Neural Networks
653			_aContinuous Wavelet Transfrom
700	1		_aÜnver, Hakkı Özgür _9128655 _eadvisor
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
942			_cTEZ _2z