Journals / Endüstri Mühendisliği / 2026 / Cilt: 36 Sayı: 1

BİR OTOMOTİV İŞLETMESİNDE MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE KESİCİ TAKIM AŞINMASININ TAHMİNLENMESİ

Merve Deniz(ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ)0009-0008-0298-3377
Feriştah Özçelik(ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ)0000-0003-0329-203X
Tuğba Saraç(ESKİŞEHİR OSMANGAZİ ÜNİVERSİTESİ)0000-0002-8115-3206
Pages
21–46
Publication Date
2025-04-30
🏛️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)

Kesici takım aşınmasının evrelere ayrılması, daha hassas bir şekilde tahmin edilmesini sağlamaktadır ve işletmelere daha doğru ve zamanında müdahale imkanı vermektedir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Kesici takım aşınmasını tahmin etmek ve önlemek için etkili bir yöntem geliştirmek işletmelerde üretim verimliliği açısından kritiktir.
📊
Key Findings & Data:Bu modeller, veri setlerinin farklı kombinasyonlarından oluşan 3 farklı senaryo üzerinde değerlendirilmiştir.
💡
Conclusion & Impact:Kesici takım aşınmasının evrelere ayrılması, daha hassas bir şekilde tahmin edilmesini sağlamaktadır ve işletmelere daha doğru ve zamanında müdahale imkanı vermektedir.
🔬Design:Experimental Field Trial
📍Scope:Comprehensive Sample
⚙️Variables:Kestirimci bakım · kesici takım ömrü · yapay zeka

Özet

Kesici takım aşınmasını tahmin etmek ve önlemek için etkili bir yöntem geliştirmek işletmelerde üretim verimliliği açısından kritiktir. Bu çalışmada, bir otomotiv firmasında, makine öğrenmesi teknikleri kullanılarak CNC makinelerinden elde edilen veriler ile kesici takım aşınmasını tahminlemek amaçlanmıştır. Rastgele Orman Regresyonu (RFR), Gradyan Artırma Regresyonu (GBR), Aşırı Gradyan Artırma Regresyonu (XGB) ve Uyarlamalı Artırma Regresyonu (ABR) makine öğrenmesi modelleri kullanılmıştır. Bu modeller, veri setlerinin farklı kombinasyonlarından oluşan 3 farklı senaryo üzerinde değerlendirilmiştir. Veri setleri kesici takım ömrünün evrelerine bölünmüş ve farklı modellerin, kesici takımın farklı evrelerini daha iyi tahmin edebileceği öngörülerek denemeler yapılmıştır. Modeller, Hata Kareleri Ortalaması (MSE) metriğine göre, farklı pencere büyüklükleri ve evreler için tüm senaryolarda değerlendirilmiştir. Senaryo 1’de elde edilen minimum MSE değeri 0,0242; Senaryo 2’de 0,0404; Senaryo 3’te ise 0,0041 olmuştur. Kesici takım aşınmasının evrelere ayrılması, daha hassas bir şekilde tahmin edilmesini sağlamaktadır ve işletmelere daha doğru ve zamanında müdahale imkanı vermektedir.

🔖

Cite This Article

Deniz, M., Özçelik, F., Saraç, T. (2025). BİR OTOMOTİV İŞLETMESİNDE MAKİNE ÖĞRENMESİ TEKNİKLERİ İLE KESİCİ TAKIM AŞINMASININ TAHMİNLENMESİ. Endüstri Mühendisliği, Cilt: 36 Sayı: 1, 21–46. https://doi.org/10.46465/endustrimuhendisligi.1569135

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (30)

  1. Alajmi, M. ve Almeshal, A. M. (2020). Predicting the tool wear of a drilling process using novel machine learning XGBoost-SDA. Materials, 13, 4952. Doi: https://www.mdpi.com/1996-1944/13/21/4952
  2. Aldekoa, I., Olmo, A., Pinilla, L., Mouliet, S., Novoa, U. ve Lacalle, L. N. (2023). Early detection of tool wear in electromechanical broaching machines by monitoring main stroke servomotors. Mechanical Systems and Signal Processing, 204, 110773. Doi: https://doi.org/10.1016/j.ymssp.2023.110773
  3. Bilgili, D., Keçibaş, G., Beşirova, G., Chehrehzad, M. R., Burun, G., Pehlivan, T., Üresin, U., Emekli, E. ve Lazoğlu, İ. (2023). Tool flank wear prediction using high-frequency machine data from ındustrial edge device. Procedia CIRP, 118, 483–488. Doi: https://doi.org/10.1016/j.procir.2023.06.083
  4. Chacón, J.L., Barrena, T. F., García, A., Buruaga, M. S., Badiola, X. ve Vicente, J. (2021). A novel machine learning-based methodology for tool wear prediction using acoustic emission signals. Sensors, 21, 5984. Doi: https://doi.org/10.3390/s21175984
  5. Chehrehzad, M. R., Keçibaş, G., Beşirova, G., Üresin, U., İrican, M. ve Lazoğlu, İ. (2024). Tool wear prediction through AI-assisted digital shadow using ındustrial edge device. Journal of Manufacturing Processes, 113, 117–130. Doi: https://doi.org/10.1016/j.jmapro.2024.01.052
  6. Gündüzöz, U. (2002). Yapay sinir ağı kullanılarak tornalamada kesici takım aşınması tahmini (Yüksek Lisans Tezi). Yıldız Teknik Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  7. Hahn, T. (2020). End-to-end deep learning in tool wear monitoring (M.Sc. Thesis). Queen's University. Erişim adresi: http://dx.doi.org/10.1007/s00170-024-13909-w
  8. He, Z., Shi, T., Xuan, J. ve Li, T. (2021). Research on tool wear prediction based on temperature signals and deep learning. Wear, 478-479, 203902. Doi: https://doi.org/10.1016/j.wear.2021.203902
  9. Huang, Z., Shao, J., Guo, W., Li, W., Zhu, J. ve Fang, D. (2023). Hybrid machine learning-enabled multi-information fusion for indirect measurement of tool flank wear in milling. Measurement, 206, 112255. Doi: https://doi.org/10.1016/j.measurement.2022.112255
  10. Javanjal, V.K., Mahajan, K. A., Vijay, R., Sudhakar, G. P. ve Munde, K. H. (2022). Tool wear prediction system using machine learning approach. NeuroQuantology, 20(10), 12922-12928. Doi: 10.14704/nq.2022.20.10.NQ551252
  11. Jin, F., Bao, Y., Li, B. ve Jin, X. (2022). Tool wear prediction in edge trimming of carbon fiber reinforced polymer using machine learning with instantaneous parameters. Journal of Manufacturing Processes, 82, 277–295. Doi: https://doi.org/10.1016/j.jmapro.2022.08.006
  12. Kalkanlı, E. (2021). Ses sinyalleri kullanılarak talaşlı imalat prosesinde takım durumunun izlenmesi (Yüksek Lisans Tezi). Bursa Teknik Üniversitesi Lisansüstü Eğitim Enstitüsü, Bursa.
  13. Korkmaz, M. E., Gupta, M. K., Çelik, E., Ross, N. S. ve Günay, M. (2024). Tool wear and its mechanism in turning aluminum alloys with image processing and machine learning methods. Tribology International, 191, 109207. Doi: https://doi.org/10.1016/j.triboint.2023.109207
  14. Korkmaz, M. E., Gupta, M. K., Kuntoğlu, M., Patange, A. D., Ross, N. S., Yılmaz, H., Chauhan, S. ve Vashishtha, G. (2023). Prediction and classification of tool wear and its state in sustainable machining of bohler steel with different machine learning models. Measurement, 223, 113825. Doi: https://doi.org/10.1016/j.measurement.2023.113825
  15. Li, C., Zhao, X., Cao, H., Li, L. ve Chen, X. (2023). A data and knowledge-driven cutting parameter adaptive optimization method considering dynamic tool wear. Robotics and Computer–Integrated Manufacturing, 81, 102491. Doi: https://doi.org/10.1016/j.rcim.2022.102491
  16. Li, W., Fu, H., Zhuo, Y., Liu, C. ve Jin,H. (2023). Semi-supervised multi-source meta-domain generalization method for tool wear state prediction under varying cutting conditions. Journal of Manufacturing Systems, 71, 323–341. Doi: https://doi.org/10.1016/j.jmsy.2023.09.011
  17. Li, Y., Wang, J., Huang, Z. ve Gao, R. X. (2022). Physics-informed meta learning for machining tool wear prediction. Journal of Manufacturing Systems, 62, 17–27. Doi: https://doi.org/10.1016/j.jmsy.2021.10.013
  18. Li, Z., Liu, X., İncecik, A., Gupta, M. K., Kr´olczyk, G. M. ve Gardoni, P. (2022). A novel ensemble deep learning model for cutting tool wear monitoring using audio sensors. Journal of Manufacturing Processes, 79, 233–249. Doi: https://doi.org/10.1016/j.jmapro.2022.04.066
  19. Monferrer, C. D., P´erez, J., Santos, R., Migu´elez, M. H. ve Cantero, J. L. (2022). Machine learning approach in non-intrusive monitoring of tool wear evolution in massive cfrp automatic drilling processes in the aircraft industry. Journal of Manufacturing Systems, 65, 622–639. Doi: https://doi.org/10.1016/j.jmsy.2022.10.018
  20. Özdemir, U. ve Erten, M. (2003). Talasli imalat sirasinda kesici takimda meydana gelen hasar mekanizmalari ve takim hasarini azaltma yöntemleri. Havacılık ve Uzay Teknolojileri Dergisi, 1(1), 37-50. Erişim adresi: https://www.researchgate.net/publication/237362821_TALASLI_IMALAT_SIRASINDA_KESICI_TAKIMDA_MEYDANA_GELEN_HASAR_MEKANIZMALARI_VE_TAKIM_HASARINI_AZALTMA_YONTEMLERI
  21. Pashmforoush, F., Araghizad, A.E. ve Budak, E. (2024) Physics-informed tool wear prediction in turning process: A thermo-mechanical wear-included force model integrated with machine learning. Journal of Manufacturing Systems, 77, 266–283. Doi: https://doi.org/10.1016/j.jmsy.2024.09.008
  22. Ravikumar, S. ve Ramachandrana, K. I. (2018). Tool wear monitoring of multipoint cutting tool using sound signal features signals with machine learning techniques. Materials Today: Proceedings, 5, 25720–25729. Doi: https://doi.org/10.1016/j.matpr.2018.11.014
  23. Sönmez, M., Ertunç, H. M. ve Karakuzu, C. (2000). Kesici takım aşınma durumunun yapay sinir ağı kullanılarak belirlenmesi. Erişim adresi: https://www.academia.edu/12210520
  24. Tabaszewski, M., Twardowski, P., Pikuła, M., Znojkiewicz, N., Czyryca, A. ve Czy˙zycki, J. (2022). Machine learning approaches for monitoring of toolwear during grey cast-iron turning. Materials, 15, 4359. Doi: https://doi.org/10.3390/ma15124359
  25. Twardowski, P., Czy˙ zycki, J., Czyryca, A., Tabaszewski, M. ve Pikuła, M. (2023). Monitoring and forecasting of tool wear based on measurements of vibration accelerations during cast iron milling. Journal of Manufacturing Processes, 95, 342–350. Doi: https://doi.org/10.1016/j.jmapro.2023.04.036
  26. Twardowski, P. ve Pikuła, M. (2019). Prediction of tool wear using artificial neural networks during turning of hardened steel. Materials, 12(19), 3091. Doi: https://doi.org/10.3390/ma12193091
  27. Twardowski, P., Tabaszewski, M., Pikuła, M. ve Czyryca, A. (2021). Identification of tool wear using acoustic emission signal and machine learning methods. Precision Engineering, 72, 738–744. Doi: https://doi.org/10.1016/j.precisioneng.2021.07.019
  28. Wang, C. ve Shen, B. (2024). Auxiliary input-enhanced siamese neural network: a robust tool wear prediction framework with improved feature extraction and generalization ability. Mechanical Systems and Signal Processing, 211, 111243. Doi: https://doi.org/10.1016/j.ymssp.2024.111243
  29. Xu, X., Wang, J., Zhong, B., Ming, W. ve Chen, M. (2021). Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism. Measurement, 177, 109254. Doi: https://doi.org/10.1016/j.measurement.2021.109254
  30. Yang, Y., Zhao, X. ve Zhao, L. (2022). Research on asymmetrical edge tool wear prediction in milling tc4 titanium alloy using deep learning. Measurement, 203, 111814. Doi: https://doi.org/10.1016/j.measurement.2022.111814