Makine Öğrenmesi ile Kesme Kuvveti Tahmini

Abstract

Bu tez, Sonlu Elemanlar Yöntemi (FEM) simülasyonlarından elde edilen verileri kullanarak metal kesme işlemlerinde kesme kuvvetlerini tahmin etmek için makine öğrenimi yöntemlerinin uygulanmasını araştırmaktadır. Sinir ağları, karar ağaçları ve topluluk yöntemleri gibi çeşitli makine öğrenimi algoritmalarının tahmin yeteneklerini analiz ederek, çalışma kesme kuvvetlerini doğru bir şekilde tahmin etmedeki etkinliklerini göstermektedir. Araştırma, makine öğreniminin işlem parametrelerini optimize etme, takım aşınmasını en aza indirme ve endüstriyel verimliliği iyileştirmedeki dönüştürücü potansiyelini vurgulamaktadır. Çalışma, veri kalitesini ve makine öğrenimi modelleri için uygunluğu artırmak amacıyla simülasyon veri kümelerinin ön işlenmesini ve dönüştürülmesini içermektedir. Doğru tahminleri sağlamak için aykırı değer kaldırma, normalleştirme ve korelasyon analizi gibi teknikler kullanılmıştır. Sonuçlar, makine öğrenimi algoritmalarının işlem parametreleri ve kesme kuvvetleri arasındaki karmaşık ilişkileri etkili bir şekilde modelleyebileceğini ve işlem optimizasyonu için eyleme geçirilebilir içgörüler sağlayabileceğini doğrulamaktadır. Ayrıca araştırma, gerçek zamanlı tahminleri ve uyarlanabilir işlem kontrollerini etkinleştirmek için makine öğrenimini endüstriyel sistemlere entegre etmenin değerini vurgulamaktadır. Sonuçlar, veri parametreleri genişletilir ve üretim sahalarından daha çok veri alınırsa endüstriyel ortamlarda ilerlemenin önün açmaktadır. Tez, Arthur Samuel'in 1950'lerdeki öncü çalışmalarıyla başlayan makine öğreniminin tarihsel gelişimini ve bu alandaki önemli kilometre taşlarını kapsamlı bir şekilde inceleyerek başlar. Bu bağlamda, metal şekillendirme işlemlerinde kesme kuvveti tahmini için sonlu elemanlar yönteminin kullanımı üzerinde özel bir vurgu yapılmıştır. Bu çalışmanın özgün katkısı, makine öğrenimi tekniklerinin metal şekillendirme alanında nasıl uygulanabileceğini ortaya koymasıdır. Bu, alandaki mevcut literatüre değerli bir katkı sağlamakta ve bu tür yöntemlerin sanayi uygulamalarında pratik yararlarını göstermektedir. Bu sonuçlar, makine öğrenimi yöntemlerinin, veri kalitesi, etik kaygılar ve algoritmik önyargılar gibi potansiyel zorluklarına rağmen, kesme kuvveti tahmininde başarılı bir şekilde kullanılabileceğini göstermektedir. Tez ayrıca makine öğreniminin büyük ve karmaşık veri kümelerini işleme kapasitesini ve tahmine dayalı analitik süreçlerdeki dönüştürücü etkisini değerlendirmektedir. Farklı sektörlerdeki uygulamaları metodolojik bir perspektifle ele alarak, bu teknolojilerin karar verme süreçlerini ve operasyonel verimliliği nasıl optimize ettiğini analiz etmektedir. Sonuç olarak, bu tez, makine öğreniminin sanayi uygulamalarındaki dönüştürücü potansiyelini teyit etmekte ve bu teknolojinin daha geniş uygulama alanlarına yayılmasının önemini vurgulamaktadır. Bu bağlamda, makine öğrenimi yöntemlerinin geliştirilmesi ve uygulanması, sanayi süreçlerinde verimliliği artırma ve karar alma mekanizmalarını iyileştirme potansiyeline sahip olduğunu ortaya koymaktadır. Aynı zamanda, toplumsal ilerlemeye olumlu katkıda bulunurken, bu teknolojilerin etik ve algoritmik önyargılar gibi ilişkili risklerinin de dikkatle yönetilmesi gerektiğini savunmaktadır. Analizler sırasında iş parçası titanium seçilmiştir.This thesis investigates the application of machine learning methods to predict cutting forces by blending them with simulation data using the finite element method (FEM). It analyzes the prediction capabilities and prediction accuracy using various machine learning methods (neural networks, decision trees). The research part emphasizes the importance of machine learning methods in optimizing process parameters, increasing efficiency, and reducing tool wear. In my study, it was shown that the data generated should be processed before learning and transformed as required in terms of the quality of the data generated and the suitability of machine learning methods. In order to provide the most accurate estimates, processes such as removing unnecessary parameters in the data, normalization and correlation analysis were used. As a result of these, it showed the importance of the relationship between the cutting forces and process parameters of the algorithms, that this relationship can be modeled and applied in production areas for process optimization. At the same time, this research emphasizes the importance of integrating cutting force prediction with machine learning into industrial systems. The results show that expanding the dataset and collecting data from production sites will pave the way for progress in issues such as increased efficiency. During the analysis, workpiece material titanium was selected.