Journals / Uludağ Üniversitesi Mühendislik Fakültesi Dergisi / 2026 / Cilt: 31 Sayı: 2

CLUSTERING-BASED ANOMALY DETECTION FOR PISTON BEHAVIOUR IN LASER SHEET METAL CUTTING MACHINES

Lazer Sac Kesme Makinelerinde Piston Davranışına Yönelik Kümeleme Tabanlı Anomali Tespiti

Seval Ene Yalçın(Bursa Uludağ Üniversitesi)0000-0001-8248-8924
Pages
503–516
Publication Date
2026-08-04
🏛️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 findings indicate that monitoring the timedependent behaviours of pistons and detecting anomalies can serve as a preliminary step toward preventive maintenance activities.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:With the advancement of technology in industrial systems, data-driven approaches have come to the forefront, thereby increasing the importance of digitalization.
📊
Key Findings & Data:In this context, monitoring the dynamic behaviours of critical components in machine manufacturing and detecting anomaly conditions have become a necessity within the scope of Industry 4.0.
💡
Conclusion & Impact:The findings indicate that monitoring the timedependent behaviours of pistons and detecting anomalies can serve as a preliminary step toward preventive maintenance activities.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Anomali Tespiti · Lazer Sac Kesim Makineleri · Piston

Abstract

With the advancement of technology in industrial systems, data-driven approaches have come to the forefront, thereby increasing the importance of digitalization. In this context, monitoring the dynamic behaviours of critical components in machine manufacturing and detecting anomaly conditions have become a necessity within the scope of Industry 4.0. Accordingly, the aim of this study is to investigate the methodological feasibility and industrial applicability of anomaly-related approaches for pistons frequently used in the metal sheet processing industry. For this purpose, the behaviour of exhaust flap pistons in laser sheet metal cutting machines was examined based on pressure and forward motion time data. During operation, slag accumulation on the pistons leads to irregular motion characteristics, which manifest as anomaly conditions in piston movements. To identify such conditions, anomaly patterns in the data collected from the pistons via OPC UA were estimated using unsupervised machine learning clustering methods. Within this framework, the results obtained from K-means and DBSCAN clustering methods were analysed and compared. The findings indicate that monitoring the timedependent behaviours of pistons and detecting anomalies can serve as a preliminary step toward preventive maintenance activities. Consequently, such approaches enable the development of applications aimed at increasing operational efficiency and reducing maintenance costs. Furthermore, integrating machine learning–oriented approaches into the anomaly detection process has the potential to enhance overall system performance and reliability.

Özet

Endüstriyel sistemlerde teknolojinin gelişmesiyle veri odaklı yaklaşımlar ön plana çıkmış ve dijitalleşmenin önemi giderek artmıştır. Bu bağlamda, makine üretimlerinde kritik bileşenlerin dinamik davranışlarının izlenmesi ve anomali durumlarının tespit edilmesi, Endüstri 4.0 kapsamında gereklilik haline gelmiştir. Bu doğrultuda, bu çalışmanın amacı, sac metal işleme endüstrisinde yaygın olarak kullanılan pistonlar için anomaliye dayalı yaklaşımların metodolojik uygulanabilirliğini ve endüstriyel geçerliliğini incelemektir. Bu amaçla, lazer sac kesme makinelerinde egzoz kapaklarının pistonlarının davranışları, basınç ve ileri hareket zamanı verilerine dayanarak incelenmiştir. Çalışma sırasında pistonlar üzerinde biriken cüruf, piston hareketlerinde düzensiz davranışlara yol açmakta ve bu durum veri setinde anomali koşulları olarak ortaya çıkmaktadır. Bu tür durumların tespit edilebilmesi için, pistonlardan OPC UA aracılığıyla toplanan veriler, denetimsiz makine öğrenmesi tabanlı kümeleme yöntemleri kullanılarak analiz edilmiştir. Bu kapsamda, K-ortalamalar ve DBSCAN kümeleme yöntemlerinden elde edilen sonuçlar değerlendirilmiş ve karşılaştırılmıştır. Elde edilen bulgular, pistonların zamana bağlı davranışlarının izlenmesi ve anomali tespitinin, kestirimci bakım faaliyetleri için öncül bir adım olarak değerlendirilebileceğini göstermektedir. Bu sayede, operasyonel verimliliğin artırılmasına ve bakım maliyetlerinin azaltılmasına yönelik uygulamaların geliştirilmesi mümkün hâle gelmektedir. Ayrıca, makine öğrenmesi odaklı yaklaşımların anomali tespit sürecine entegre edilmesi, sistem performansını ve güvenilirliğini artırma potansiyeline sahiptir.

🔖

Cite This Article

Yalçın, E., Yalçın, S. E. (2026). CLUSTERING-BASED ANOMALY DETECTION FOR PISTON BEHAVIOUR IN LASER SHEET METAL CUTTING MACHINES. Uludağ Üniversitesi Mühendislik Fakültesi Dergisi, Cilt: 31 Sayı: 2, 503–516. https://doi.org/10.17482/uumfd.1681088

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (22)

  1. Benítez, P., Rodrigues, F., Talukdar, S., Gavilán, S., Varum, H. and Spacone, E. (2019) Analysis of correlation between real degradation data and a carbonation model for concrete structures, Cement and Concrete Composites, 95, 247-259. doi:10.1016/j.cemconcomp.2018.09.019
  2. Bilgin, T. T. and Çamurcu, Y. (2005) DBSCAN, OPTICS ve K-Means kümeleme algoritmalarının uygulamalı karşılaştırılması, Politeknik Dergisi, 8(2), 139-145.
  3. Ceyhan, H. and Kasapbaşi, M. C. (2022) Üretim sistemlerinde makine öğrenmesi ile kestirimci bakım uygulaması ve modellemesi, Avrupa Bilim ve Teknoloji Dergisi, 33, 167-175. doi:10.31590/ejosat.1019210
  4. Chazhoor, A., Mounika, Y., Vergin Raja Sarobin, M., Sanjana, M. V. and Yasashvini, R. (2020) Predictive maintenance using machine learning based classification models, IOP Conference Series: Materials Science and Engineering, 954, 012001. doi:10.1088/1757-899X/954/1/012001
  5. Çam, M. (2023) Endüstri 4.0: dijitalleşme ve muhasebe, Journal of Politics Economy and Management, 6(1), 11-29.
  6. Demiralay, M. and Çamurcu, A. Y. (2005) Cure, Agnes ve K-Means algoritmalarındaki kümeleme yeteneklerinin karşılaştırılması, İstanbul Ticaret Üniversitesi Fen Bilimleri Dergisi, 4(8), 1-18.
  7. Drath, R. and Horch, A. (2014) Industrie 4.0: hit or hype? [Industry forum], IEEE Industrial Electronics Magazine, 8(2), 56–58. doi:10.1109/MEI.2014.2312079
  8. Dündar, D. R., Sarıçi̇çek, İ., Çınar, E. and Yazıcı, A. (2021) Kestirimci bakımda makine öğrenmesi: literatür araştırması, Eskişehir Osmangazi Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, 29(2), 256-276. doi: 10.31796/ogummf.873963
  9. Erdoğmuş, P., Çolak, B. and Durdağ, Z. (2016) K-Means algoritması ile otomatik kümeleme, El-Cezeri Fen ve Mühendislik Dergisi, 3(2), 315-323. doi:10.31202/ecjse.264195
  10. Hoffmann, M. W., Wildermuth, S., Gitzel, R., Boyaci, A., Gebhardt, J., Kaul, H., Amihai, I., Forg, B., Suriyah, M., Leibfried, T., Stich, V., Hicking, J., Bremer, M., Kaminski, L., Beverungen, D., Zur Heiden, P. and Tornede, T. (2020) Integration of novel sensors and machine learning for predictive maintenance in medium voltage switchgear to enable the energy and mobility revolutions, Sensors, 20(7), 2099. doi:10.3390/s20072099
  11. İnan, İ. (2022) Rekabet ortamında bir Türk otobüs fabrikasinda endüstri 4.0 perspektifinde akıllı üretim uygulamaları, Çukurova Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 31(1), 21-37. doi:10.35379/cusosbil.906962
  12. Kalem, S. (2008) Yapay sinir ağları kullanarak dişli kutusu arıza analizi, Yüksek Lisans Tezi, Niğde Üniversitesi Fen Bilimleri Enstitüsü, Niğde.
  13. Karaçay, T. and Aktürk, N. (2009) Bilyalı rulman yerel kusurlarının neden olduğu titreşimlerin modellenmesi, Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 24(2), 191-197.
  14. Keleşoğlu, Cemal. (2015) Konik dişlilerde yapay sinir ağı yöntemiyle arıza teşhisi, Yüksek Lisans Tezi, Marmara Üniversitesi Fen Bilimleri Enstitüsü, İstanbul.
  15. Kilic, S. and Alkan, R. M. (2018) Dördüncü sanayi devrimi endüstri 4.0: dünya ve Türkiye değerlendirmeleri, Girişimcilik İnovasyon ve Pazarlama Araştırmaları Dergisi, 2(3), 29-49. doi:10.31006/gipad.417536
  16. Lin, D., Banjevic, D. and Jardine, A. K. S. (2006) Using principal components in a proportional hazards model with applications in condition-based maintenance, The Journal of the Operational Research Society, 57(8), 910-919. doi: 10.1057/palgrave.jors.2602058
  17. Ozonur, D., Kılıç, D., Akdur, H. T. K. and Bayrak, H. (2019) Temel bileşenler analizi ve yanıt yüzey yöntemi kullanılarak gıda sektöründe çoklu yanıtların optimizasyonu, Erzincan University Journal of Science and Technology, 12(2), 734-744. doi:10.18185/erzifbed.485762
  18. Özeni̇r, İ. and Nakiboğlu, G. (2019) Sürdürülebilir üretimde endüstri 4.0’in yeri, Business & Management Studies: An International Journal, 7(5), 2248-2281. doi:10.15295/bmij.v7i5.1197
  19. Susto, G. A., Schirru, A., Pampuri, S., McLoone, S. and Beghi, A. (2015) Machine learning for predictive maintenance: a multiple classifier approach, IEEE Transactions on Industrial Informatics, 11(3), 812-820. doi:10.1109/TII.2014.2349359
  20. Şahi̇n, D. (2017) Kümeleme analizi ile doğu Avrupa ülkelerinin ekonomik özgürlükler açısından değerlendirilmesi, Hitit Üniversitesi Sosyal Bilimler Enstitüsü Dergisi, 10(2), 63-64. doi:10.17218/hititsosbil.288133
  21. Topaloğlu, F. (2024) Saldırı tespit sistemlerinde k-means algoritması ve silhouette metriği ile optimum küme sayısının belirlenmesi, Bilişim Teknolojileri Dergisi, 17(2), 71-79. doi:10.17671/gazibtd.1412641
  22. Yücel S. (2009) Otomotiv endüstrisinde kullanılan kestirimci bakım uygulamaları, Yüksek Lisans Tezi, Sakarya Üniversitesi Fen Bilimleri Enstitüsü, Sakarya.