SavedAdd your journal

Journals / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2026 / Cilt: 41 Sayı: 2

Optimization of the cutting parameters of a manufacturing cell using Edgeworth Pareto technique

Edgeworth Pareto tekniği kullanarak bir imalat hücresinin kesme parametrelerinin optimizasyonu

İlyas Kacar(NİĞDE ÖMER HALİSDEMİR ÜNİVERSİTESİ)0000-0002-5887-8807
Pages
1025–1038
Publication Date
2026-07-20
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The results indicate that the selection of cutting parameters is a critical factor in terms of surface quality and machining time when machining aluminium alloys.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:In a manufacturing cell composed of a lathe, milling machine, and robotic arm, machining operations are performed, and the optimization of processing time (Tm٭) and surface roughness (Ra٭) parameters is carried out based on cutting parameters.
📊
Key Findings & Data:The material used is AA 6061 T6 aluminum alloy.
💡
Conclusion & Impact:The results indicate that the selection of cutting parameters is a critical factor in terms of surface quality and machining time when machining aluminium alloys.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Kesme parametreleri · frezeleme · tornalama

Abstract

In a manufacturing cell composed of a lathe, milling machine, and robotic arm, machining operations are performed, and the optimization of processing time (Tm٭) and surface roughness (Ra٭) parameters is carried out based on cutting parameters. The study focused on the production of a ball joint, a structural component widely used in the automotive industry. The material used is AA 6061 T6 aluminum alloy. A manufacturing cell is designed using computer aided design and manufacturing software, consisting of a computer numerical control (CNC) lathe, a CNC milling machine, and an industrial robotic arm. The transfer of the workpiece within the cell and between machines is managed by the robotic arm. The machining time and cutting parameters of the ball joint component are measured. Optimum cutting parameters are determined with the objectives of minimizing surface roughness and machining time. For the optimization process, the Edgeworth–Pareto (EP) optimization method is employed. Using regression analysis, a machining model is developed within a 95 % confidence interval as Tm٭= 0,9001  exp(-3729  Ra٭). The R² value of the model is found to be 0.9925. The results indicate that the selection of cutting parameters is a critical factor in terms of surface quality and machining time when machining aluminium alloys. The proposed method constitutes an important foundation for sustainable manufacturing processes. Moreover, the EP method has been demonstrated to be an effective tool for this purpose. The novelty of this study lies in the integration of the EP method into the optimization of cutting parameters. The method offers a more sensitive and efficient solution to multi criteria decision making problems in machining processes.

Özet

Torna, freze ve robot koldan oluşan bir imalat hücresinde gerçekleştirilen talaşlı imalat işlemlerinde, kesme parametrelerine bağlı olarak işleme süresi, Tm٭ ve yüzey pürüzlülüğü, Ra٭ parametrelerinin optimizasyonu yapılmıştır. Çalışma kapsamında, otomotiv sanayisinde yapısal parça olarak kullanılan rotil (küresel mafsal) ele alınmıştır. Malzeme olarak AA 6061 T6 kullanılmaktadır. Tasarım imalat yazılımları kullanılarak bir imalat hücresi oluşturulmuştur. Bu hücrede bir bilgisayar sayısal kontrollü (CNC) torna tezgâhı, bir CNC freze tezgâhı ve bir robot kol yer almaktadır. Tezgâhlar arasında ve hücre içerisinde iş parçasının transferi endüstriyel robot kol aracılığıyla sağlanmaktadır. Rotil parçasının imalat süresi ve kesme parametreleri ölçülmüştür. Minimum yüzey pürüzlülüğü ve minimum işleme süresi hedefleri doğrultusunda optimum kesme parametreleri tespit edilmiştir. Optimizasyon için Edgeworth Pareto (EP) optimizasyon yöntemi kullanılmıştır. Regresyon yöntemi ile işleme modeli, %95 güven sınırı aralığında, Tm٭= 0,9001  exp(-3729  Ra٭) olarak hesaplanmıştır. Modelin R² değeri 0,9925 olmuştur. Sonuçlar alüminyum alaşımlarının işlenmesinde kesme parametreleri seçiminin, yüzey kalitesi ve işleme süresi açısından kritik bir parametre olduğunu göstermektedir. Yöntem, sürdürülebilir üretim süreçlerine önemli bir temel teşkil etmektedir. EP yöntemi de bu amaçla kullanılabilecek başarılı bir yöntemdir. Bu çalışmanın özgün yönü, EP yöntemi ile kesme parametrelerinin optimizasyonunun entegre edilmesinde yatmaktadır. Söz konusu yöntem, işleme süreçlerinde çok kriterli karar verme problemlerine daha hassas ve verimli bir çözüm sunmaktadır.

🔖

Cite This Article

Kacar, İ. (2026). Optimization of the cutting parameters of a manufacturing cell using Edgeworth Pareto technique. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 41 Sayı: 2, 1025–1038. https://doi.org/10.17341/gazimmfd.1782262

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (54)

  1. Jantepa N., Suranuntchai S., Finite element simulation of ball joint under hot forging process, J Phys Conf Ser, 1510, The 10th Asia Conference on Mechanical and Aerospace Engineering, Bangkok, Thailand, 26-28 December 2019.
  2. Groover M.P., Fundamentals of Modern Manufacturing: Materials, Processes, and Systems, John Wiley & Sons, Inc., 111 River Street, Hoboken, NJ 07030-5774 in the United States of America, 2010.
  3. Villagrossi R., Galletti C., Leali F., Pose optimization in robotic milling based on surface location error, ASME J. Manuf. Sci. Eng., 145 (8), 084501, 2023.
  4. Zhang Y., Li X., Wang H., Optimizing cutting parameters with industrial IOT system for enhanced machining performance, J. Manuf. Syst., 68, 123–135, 2025.
  5. Heiden E., Macklin M., Narang Y., Fox D., Garg A., Ramos F., DiSECt: A differentiable simulator for parameter inference and control in robotic cutting, arXiv preprint, 2203, 0263, 2022.
  6. Gökçe H., Yüksek sünekliğe sahip Al 1050-H14 alaşımının delinme performansının incelenmesi, J. Def. Sci., 39, 180–200, 2021.
  7. Turgut Y.Z., Özsoy M., Alüminyum 2024 T351 malzemeye delik delinmesi işleminde kesme parametrelerinin itme kuvveti ve işlem süresine göre optimizasyonu, Dokuz E. Uni. Eng F. Eng. J., 26 (77), 333–340, 2024.
  8. Yaka H., Al 5052 alaşımının lazer kesiminde kerf oluşumunu ve yüzey pürüzlülüğünü etkileyen kesme parametrelerinin çoklu optimizasyonu, El-Cezerî J. Sci. Eng., 9 (1), 220–231, 2022.
  9. Özdemir C., Özlü B., Demir H., Al 6061-T6 alaşımının delinmesinde proses parametrelerinin ve matkap geometrisinin performans analizi, J. Polytechnic, 27 (5), 2043–2059, 2024.
  10. Bektaş B.S., Samtaş G., Alüminyum 6061-T651 alaşımının kaplamalı kesici uçlarla frezelenmesinde kesici takım aşınmasının optimizasyonu, Duzce Uni. J. Sci. Tech., 10, 641–651, 2022.
  11. Namlu R. H., Yılmaz O. D., Kılıç S. E., Çetin B. Investigating the effect of cutting conditions on machining performance of Al 6061-T6 alloy. 10th International Congress on Machining, Kemer, Antalya, Türkiye, 293-304, 7-9 November, 2019.
  12. Çodur Y., Özlü B., Demir H., Analysis and optimization of process parameters affecting form errors and surface roughness in milling of aging-treated AA 6063-T6 free form surfaces, Manuf. Tech. A., 5 (3), 155–171, 2024.
  13. Uğur L., 7075 alüminyum malzemesinin frezelenmesinde yüzey pürüzlülüğünün yanıt yüzey yöntemi ile iyileştirilmesi, Erzincan Uni. Sci. Tech., 12 (1), 326–335, 2019.
  14. Gökçe H., Ticari saflıktaki bakır malzemenin delinme performansının kesme kuvveti ve takım sıcaklığı açısından incelenmesi, El-Cezerî J. Sci. Eng., 7 (3), 1039–1053, 2020.
  15. Gökçe H., Investigation of drilling performance of CuZn15 brass material, E. J. Sci. Tech., (22), 32–42, 2021.
  16. Özay Ç., Küçük Z., AISI 1040 çeliğinin tornalama-frezeleme ile işlenmesinde yüzey pürüzlülüğünün genetik algoritma yöntemi ile optimizasyonu, Dicle Uni. Eng. F. Eng. J., 11 (3), 1081–1091, 2020.
  17. Avcı B., Varal Ö.B., Dalmis İ.S., Yılmaz S.O., Examination of surface hardness and roughness of AISI 1050 steel material in milling based on surface processing conditions, E. J. Eng. A. Sci., 7 (1), 27–34, 2024.
  18. Albayrak S., Yeşildal F., Yıldırım C., SAE 4140 çeliğin tornalanmasında kesme parametrelerinin ses seviyesi ve yüzey pürüzlüğüne etkileri: Parametrelerin optimizasyonu, J. Ins. Sci. Tech., 10 (4), 2759–2769, 2020.
  19. Açay S., Kolaç M., Atak O. A., AISI 4140 çeliğinin delinmesinde kesme kenar radyüsü ve kesme parametrelerinin optimizasyonu, Manuf. Tech. A., 1 (3), 33–40, 2020.
  20. Bayram B.S., Korkut İ., Kesme kuvvetine bağlı olarak parmak freze hareket denklemlerinin sayısal analizi, Manuf. Tech. A., 5 (1), 14–22, 2024.
  21. Yılmaz E., Güngör F., Hartomacıoğlu S., AISI 4340 malzemesinin torna ile işlemesinde gri ilişkisel analiz yöntemi kullanılarak uygun takım tutucu (kater) seçimine karar verilmesi, Beykent Uni. J. Sci. Eng., 12 (2), 7–13, 2019.
  22. Aslan A., Tornalamada akustik emisyon ve motor akımı optimizasyonu ve analizi, J. E. Sci. Tech., (25), 50–57, 2021.
  23. Demirpolat H., Evaluation of the turning parameters of AISI 5115 steel in dry and MQL cutting environments with the use of a coated carbide cutting insert: an experimental study, J. Mat. Mechat. A, 5 (1), 168–182, 2024.
  24. Akgün M., Özlü B., Optimization of cutting parameters affecting cutting force and surface roughness in machining of AISI P20 die steel, Open Journal of Nano, 7 (1), 7–14, 2022.
  25. Nas E., Uzuner S., Optimization of laser cutting parameters for improved surface quality in AISI 304 stainless steel, Gazi Journal of Engineering Sciences, 9 (3), 654–662, 2023.
  26. Gürbüz H., Baday Ş., CNC torna tezgâhlarında ayna ve punta basıncının yüzey pürüzlülüğü ve titreşim üzerine etkisinin Taguchi metodu ile optimizasyonu, Bilecik S. E. Uni. J. Sci., 6 (2), 119–134, 2019.
  27. Ataş G., Kalyoncu M., Aydın M., Çetin M.H., Optimization of the process parameters by the bees algorithm in milling of austempered ductile cast iron (GGG70) material, Gazi Journal of Engineering Sciences, 9 (3), 520–534, 2023.
  28. Binali R., Kuntoğlu M., An in-depth analysis on the surface roughness variations during turning of GGG50 ductile cast iron, J. Sci. East, 5 (2), 41–49, 2022.
  29. Düzce R., Samtaş G., GG25 dökme demirin frezelenmesinde kesme parametrelerinin kesme sıcaklığı üzerine etkisi ve optimizasyonu, Manuf. Tech. A., 2 (3), 20–33, 2021.
  30. Toprak İ.B., Çağlar M. F., Çolak O., Kıran K., Bayhan M., Ti-6Al-4V süper alaşımının yüksek basınçlı soğutma kullanılarak frezelenmesinde yüzey pürüzlülüğünün taguchi yöntemi ile optimizasyonu, Int. J. Tech. Sci., 4 (2), 30–39, 2012.
  31. Demir M.E., Investigation of the abrasive wear behavior of GFRC and CFRC with different parameters using Taguchi and artificial neural networks method, J. Polytechnic, 28 (1), 215–228, 2025.
  32. Yaka H., Atilkan R., Optimization of machining parameters in drilling of nickel based superalloys with gray relational analysis and Taguchi, Kahramanmaras Sutcu Imam University J. Eng. Sci., 26 (2), 363–378, 2023.
  33. Bayram B.S., Yıldız O., Korkut I., Yüzey pürüzlüğünün makine öğrenmesi ile tahmin edilmesi, J. Polytechnic, 28 (1), 187–195, 2025.
  34. Der O., Ordu M., Başar G., Multi-objective optimization of cutting parameters for polyethylene thermoplastic material by integrating data envelopment analysis and SWARA-based CoCoSo approach, Osmaniye Korkut Ata Uni. J. Ins. Sci. Tech., 7 (2), 638–661, 2024.
  35. Ji W., Wang L., Industrial robotic machining: A review, Int J Adv Manuf Technol, 103 (1), 1239-1255, 2019.
  36. Kiefer D., Luo X., Reimer A., Evans D., Robotic machining: Status, challenges and future trends, 28th International Conference on Automation and Computing (ICAC), Birmingham, UK, 2023.
  37. Serra R., Chibane H., Duchosal A., Multi-objective optimization of cutting parameters for turning AISI 52100 hardened steel, 99 (5), 2025-2034, 2018.
  38. Jia S., Wang S., Zhang N., Cai W., Liu Y., Hao J., Zhang Z., Yang Y., Sui Y., Multi-objective parameter optimization of CNC plane milling for sustainable manufacturing, Environ Sci Pollut Res Int, 1-22, 2022.
  39. Kalpakjian S., Schmid S.R., Manufacturing Engineering and Technology, Pearson, 2013.
  40. Sahin Y., Motorcu A.R., Surface roughness model for machining mild steel with coated carbide tool, Mater. Des., 26 (4), 321–326, 2005.
  41. Yazid M.Z.A., Zainol A., Tool life and surface roughness in dry high speed milling of aluminum alloy 7075-T6 using bull nose carbide insert, J. Eng. Sci. Tech., 15 (1), 128–138, 2020.
  42. Abbas A.T., Pimenov D.Y., Erdakov I.N., Mikolajczyk T., El Danaf E.A., Taha M.A., Minimization of turning time for high-strength steel with a given surface roughness using the Edgeworth–Pareto optimization method, Int. J. Adv. Manuf. Technol., 93 (5), 2375-2392, 2017.
  43. Abbas A.T., Pimenov D.Y., Erdakov I.N., Mikolajczyk T., Soliman M.S., El Rayes M.M., Optimization of cutting conditions using artificial neural networks and the Edgeworth-Pareto method for CNC face-milling operations on high-strength grade-H steel, Int. J. Adv. Manuf. Technol., 105 (5), 2151-2165, 2019.
  44. Dos Santos A.L.B., Duarte M.A.V., Abrão A.M., Machado A.R., An optimisation procedure to determine the coefficients of the extended Taylor's equation in machining, Int. J. Mach. Tools Manuf., 39 (1), 17–31, 1999.
  45. Lotov A.V., Decomposition of the problem of approximating the Edgeworth–Pareto hull, Comput. Math. Math. Phys., 55, 1653–1664, 2015.
  46. Podinovski V.V., Analysis of multicriteria choice problems by methods of the theory of criteria importance, based on computer systems of decision-making support, J. Comp. Sys. Sci. Int., 47, 221–225, 2008.
  47. Karabuğa Ü., Karabulut Ş., Güllü A., Alüminyum 7075-T6 malzemenin ısı desteği ile işlenebilirliğinin incelenmesi, Manuf. Tech. A., 2 (3), 67–77, 2021.
  48. Pul M., Bican O., Farklı alüminyum alaşımlarının tornalanmasında alaşım cinsinin bazı işleme özelliklerine etkisinin karşılaştırılması, J. Eng. Sci. Res., 3 (1), 9–17, 2020.
  49. Özlü B., Akgün M., Demir H., Analysis and optimization of effects on surface roughness of cutting parameters on turning of AA6061 alloy, Gazi Journal of Engineering Sciences, 5 (2), 151–158, 2019.
  50. Lotov A.V., Pareto Front Viewer, Version 1.2, Group on Visualization-based MCDM techniques, Dorodnicyn Computing Center of Russian Academy of Sciences, Vavilov street, Moscow, Russia, http://www.ccas.ru/mmes/mmeda/soft/third.htm. Yayın tarihi Şubat 21, 2007. Erişim tarihi Kasım 11, 2025.
  51. Tungaloy Corporation, Calculating power requirement, Tung. Corp., 11-1 Yoshima-Kogyodanchi, Iwaki, Fukushima, 970-1144 Japan https://tungaloy.com/wpdata/wp-content/uploads/GC_2023-2024_G_L_UsersGuide.pdf. Yayın tarihi Eylül 18, 2012. Erişim tarihi Ocak 14, 2026
  52. Ramanujam R., Venkatesan K., Saxena V., Joseph P., Modeling and optimization of cutting parameters in dry turning of inconel 718 using coated carbide inserts, Procedia Mater. Sci., 5, 2550-2559, 2014.
  53. Pul M., Özerkan H.B., The effect of cutting depth and cutting tool geometry on surface roughness and tool wear behavior in the machining of Al 6061 alloy, Journal of the Faculty of Engineering and Architecture of Gazi University, 37 (4), 2013-2024, 2022.
  54. Tutam M., Optimizing order-picking warehouse designs using collaborative robots, Journal of the Faculty of Engineering and Architecture of Gazi University, 39 (1), 203-216, 2023.