000			04950nam a2200433 i 4500
999			_c200450629 _d68841
003			TR-AnTOB
005			20230908001004.0
007			ta
008			171111s2022 xxu e mmmm 00| 0 eng d
035			_a(TR-AnTOB)200450629
040			_aTR-AnTOB _beng _erda _cTR-AnTOB
041	0		_atur
099			_aTEZ TOBB FBE MAK YL’22 ÇEL
100	1		_aÇelik, Berk Barış _eauthor _9139298
245	1	0	_aKoşullu çekişmeli üretken ağ kullanarak dengesiz veriler ile tornalama işlemlerinde tırlama tespiti / _cBerk Barış Çelik; thesis advisor Hakkı Özgür Ünver.
246	1	3	_aIntellıgent chatter detectıon ın turnıng operatıons wıth ımbalanced data usıng condıtıonal generatıve adversarıal networks
264		1	_aAnkara : _bTOBB ETÜ Fen Bilimleri Enstitüsü, _c2022.
300			_axviii, 75 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 2022
520			_aTornalama, tarihteki en eski ve günümüzde de en sık kullanılan talaşlı imalat yöntemlerinden biridir. Tırlama kesici takım ve iş parçası arasındaki kuvvetler sebebiyle oluşan istenmeyen bir titreşim türüdür. Talaşlı imalatta karşılaşılan ve tezgâhlar için en yıkıcı titreşim türü olan tırlama titreşimleri, iş parçasına, kesici takıma ve tezgâhlara zarar verebilmektedir. Tornalamada akıllı veriye dayalı tırlama tespit yöntemlerindeki son gelişmelere rağmen, çoğu çalışmada farklı sınıf koşulları için dengeli eğitim veri setleri olduğu varsayılmaktadır. Bununla birlikte, tırlama görülen sinyallerin toplanması genellikle zor ve pahalıdır, bu durum dengesiz eğitim veri setlerine sebep olmaktadır. Bu tez kapsamında gerçek eğitim verilerine ek olarak dengesiz veri setlerindeki veri dengesizliğini gidermek için derin öğrenmeye dayalı bir tırlama tespit yöntemi önerilmektedir. Veri setlerindeki başta tırlama verisi olmak üzere veri eksikliğini gidermek amacı ile tırlama tespiti çalışmalarında ilk kez bir boyutlu koşullu çekişmeli üretken ağlar kullanılmıştır. Tornalama verileri kolayca sisteme entegre edilebilen bir sensör yardımı ile yapılmıştır. Deneyler kapsamında toplanan verilerdeki gürültü etkilerini gidermek için tırlama tespit çalışmaları kapsamında ilk defa CEEMDAN sinyal ayrıştırma algoritması kullanılmıştır. Farklı senaryolar halinde üretilen sentetik verilerin güvenilirliğini araştırılmıştır. Sonuçlar ışında üretilen sentetik verilerin ve CEEMDAN algoritmasının tırlama tespitine olan katkıları ortaya konulmuştur.
520			_aTurning is one of the oldest and most frequently used machining methods in history. Chatter is an undesirable type of vibration caused by the forces between the cutting tool and the work piece. Chatter vibrations, which are the most destructive vibration type for machines, can damage the work piece, cutting tool and machines during the machining process. Despite recent advances in smart data-driven chatter detection methods in turning, most studies assume balanced training datasets for different class conditions. However, chatter signals are often difficult and expensive to collect, resulting in unstable training datasets. In this thesis, in addition to real training data, a deep learning-based chatter detection method is proposed to eliminate data imbalance problems. For the first time, one-dimensional conditional generative adversarial networks are used in chatter detection in order to eliminate the lack of data in the datasets, especially the chatter data. Turning data is obtained with the help of a sensor that can be easily integrated into the system. The CEEMDAN decomposition algorithm is used for the first time within the scope of chatter detection studies in order to eliminate the noise effects in the data collected within the scope of the experiments. The reliability of synthetic data produced in different scenarios is investigated. In the light of the results, the contributions of the synthetic data and the CEEMDAN algorithm to the detection of chatter are presented.
653			_aKendini yenileyen tırlama
653			_aTornalama
653			_aDerin öğrenme
653			_aKoşullu çekişmeli üretken ağlar
653			_aUyarlanabilir gürültü ile tamamlanmış toplu ampirik mod ayrıştırma
653			_aRegenerative chatter
653			_aTurning
653			_aDeep learning
653			_aConditional generative adversarial network
653			_aComplete ensemble empirical mode decomposition with adaptive noise
700	1		_aÜnver, Hakkı Özgür _9128655 _eadvisor
710			_aTOBB Ekonomi ve Teknoloji Üniversitesi. _bFen Bilimleri Enstitüsü _977078
942			_cTEZ _2z