Özet
Yapay Zeka (AI) ve Makine öğrenimi (ML), bilgisayar bilimi ve veri işleme sistemlerinde önemli bir evrimi temsil etmekte ve neredeyse tüm teknoloji destekli hizmet, ürün ve endüstriyel uygulamaları geliştirmek için kullanılabilmektedir. Yapay zeka ve bilgisayar biliminin bir alt alanı, makinelerin öğrenme sürecini simüle etmek ve sistemlerin doğruluğunu artırmak için veri ve algoritmaları kullanmaya odaklanan makine öğrenimi olarak adlandırılır. Makine öğrenimi sistemleri, işleme operasyonları sırasında kesici takım ömrünü artırmak için CNC takım tezgahlarında kesme kuvvetlerine ve kesici takım aşınma tahminine uygulanabilir. Parça üretim süreçlerinde verimliliği artırmak için gelişmiş makine öğrenme sistemleri kullanılarak CNC işleme operasyonlarının optimize edilmiş işleme parametreleri elde edilebilir. Ayrıca, işlenmiş parçaların kalitesini artırmak için gelişmiş makine öğrenme sistemleri kullanılarak işlenmiş bileşenlerin yüzey kalitesi tahmin edilebilir ve iyileştirilebilir. CNC işleme operasyonları sırasında güç kullanımını analiz etmek ve en aza indirmek için, makine öğrenimi CNC takım tezgahlarının enerji tüketiminin tahmin tekniklerine uygulanmaktadır. Bu makalede, CNC takım tezgahlarında makine öğrenimi ve yapay zeka sistemlerinin uygulamaları gözden geçirilmiş ve CNC işleme süreçlerinde makine öğrenimi ve yapay zeka yaklaşımları üzerine mevcut araştırmalara genel bir bakış sunmak için gelecekteki araştırma çalışmaları da önerilmiştir. Sonuç olarak, CNC takım tezgahlarında yapay zeka ve makine öğrenimi uygulamalarında yenilikçi kavramlar ve yaklaşımlar sunmak için yayınlanan makalelerdeki son başarıları gözden geçirerek ve analiz ederek araştırma alanı ileriye taşınabilir.

1. Giriş
CNC işleme operasyonu en önemli parça üretim metodolojilerinden biridir ve genellikle modern üretim süreçlerinin motoru olarak adlandırılır. Otomotiv ve tıp sektörleri, havacılık ve uzay, gaz ve petrol ve depolama hizmetleri, farklı uygulamalarda parçalar oluşturmak için CNC işleme operasyonlarını kullanmaktadır. CNC işleme genellikle her makinenin, kalıplanmış parçanın veya bitmiş ürünün imalatında en önemli imalat süreçlerinden biri olarak kullanılır. CNC makineleri, imalat ve talaşlı imalatın önünü açarak işletmelerin amaç ve hedeflerine çeşitli şekillerde ulaşmalarını sağlamıştır. Ancak, üretim metodolojileri sürekli geliştiğinden ve yeni teknolojiler ortaya çıktığından, CNC işleme operasyonlarının geleceğini düşünmek kritik önem taşımaktadır. Makine öğrenimi (ML), insan müdahalesi olmadan kalıpları bulmak ve tahminler yapmak için bilgisayarlara verilerden ve önceki deneyimlerden otomatik olarak öğrenme kapasitesi veren bilgisayar algoritmalarının incelenmesidir. Makine öğrenimi ve farklı çalışma alanlarındaki uygulamaları yapay zekanın bir bileşeni olarak kabul edilmektedir.

Özellikle makine öğrenimi ve yapay zeka, CNC işleme operasyonlarının geleceği ve bu kavramların üretim şirketlerinin gelecekteki çalışmalarını nasıl geliştireceği konusunda birçok endişeye yol açmaktadır. Bir makinenin öğrenme, uyum sağlama ve çıktıyı optimize etme şekli gerçek zamanlı verilerden, analitiklerden ve derin öğrenmeden de etkilenebilir. Veri setleri, operatörlerin bir makinenin nasıl çalıştığını ve nihayetinde tüm bir makine katının birlikte nasıl çalıştığını anlamaları için gereklidir. Uygun fiyatlı, güvenilir ve esnek sensörler ile veri toplama ve iletişim sistemlerinin geliştirilmesi sayesinde, takım durumu izleme için makine öğrenimi yaklaşımlarının yeni uygulamaları sunulabilir. Makine öğrenimi sistemleri, verileri tamamen inceleyebilir ve değiştirilmesi gereken çeşitli alanları belirleyebilir. Takım tezgahları, üretimde makine öğrenimi tekniklerinin kullanımı için gerekli büyük miktarda veriyi sağlamak amacıyla dahili tahrik sinyallerini yüksek frekansta kaydetmek için giderek daha fazla uç bilişim seçenekleriyle donatılmaktadır. Üretkenlik ve verimlilik, CNC işleme operasyonlarının doğruluğunu artırmak için yapay zekanın CNC takım tezgahı operasyonlarını değiştirebileceği iki alandır.

Üretim verilerini üretip analiz edebilen ve insan operatörlere gerçek zamanlı bulgular sağlayabilen makineler, parça üretim süreçlerinde verimliliği artırmak için etkili cihazlardır. Sonuç olarak, atölye sahipleri, parça üretiminin verimliliğini artırmak için gelişmiş makine öğrenme algoritmaları tarafından üretilen değiştirilmiş verileri kullanarak bir makinenin çalışma şeklini hızlı bir şekilde ayarlayabilir [13]. Süreç planlama stratejilerinde daha fazla bilgiye sahip olmak ve daha iyi kararlar almak, parça üretimi sürecinde çalışma alanında daha az kesinti anlamına gelir. CNC takım tezgahları kullanarak parça üretiminin üretim ve bakım süreci, parça üretim operasyonlarında verimliliği artırmak için makine öğrenimi ve yapay zeka kullanılarak geliştirilebilir.
Para ve zamandan tasarruf etmek ve üretim dönemi başına toplam karı artırmak için CNC işleme operasyonları optimize edilmelidir. Yapay zeka, makine performansı ve takım ömrü gibi üretim verilerine bağlanarak CNC takım tezgahları yapılarının servis ve ekipman sürelerini tahmin edebilir. Yapay zekadan elde edilen veriler, bir makinenin bakım gerektirmeden önce ne kadar süre çalışabileceğini de gösterecektir. Dolayısıyla, YZ’nin öngörücü verileri daha az takım arızası, daha uzun takım ömrü, daha az duruş süresi ve işleme süresi anlamına gelir ve bu da parça üretiminde para tasarrufu sağlayabilir.

CNC işleme ve izleme sistemlerinde derin öğrenme uygulamaları, derin öğrenme ve sinir ağı sistemlerini kullanarak işleme operasyonlarının izleme sistemlerini geliştirmek için gözden geçirilmiştir. İmalat operasyonlarındaki hataları tespit etmek için derin öğrenme sistemlerinin parça üretimindeki uygulamaları incelenmiştir. Parça üretimi sürecinde operasyon yönetimini geliştirmek için endüstriyel zorluklara uygulanan makine ve derin öğrenme yöntemleri üzerine bir inceleme sunulmuştur. Sürdürülebilir üretimde makine öğrenimi sistemlerinin uygulamaları, parça üretiminin süreç planlamasında büyük veri analizi modellerini değiştirmek için gözden geçirilmiştir. Akıllı üretim için derin öğrenme, parça üretim sürecinin performansını artırmak için gözden geçirilmiştir. Parça üretim sürecinde gelecekteki yönelimleri sunmak için makine öğrenimini kullanan akıllı üretim sistemlerinde bir inceleme sunulmuştur.

Soori ve diğerleri sanal işleme yöntemleri ve süreçleri kullanarak dijital ortamlarda CNC işlemenin iyileştirilmesini sağlamıştır. Soori ve diğerleri [28], kaynak tekniklerini kullanarak parça üretimi sürecinde verimliliği incelemek ve iyileştirmek için sürtünme karıştırma kaynağı işlemlerindeki güncel gelişmelerin bir incelemesini sağlamıştır. Soori ve Asamel, türbin kanatlarının beş eksenli uç frezeleme işlemi boyunca artık gerilimi ve sapma hatasını azaltmak için simüle edilmiş frezeleme sistemlerinin uygulamalarını araştırmıştır. Soori ve Asmael, bileşenlerin işleme süreçleri sırasında kesme sıcaklığını değerlendirmek ve azaltmak için sanal işleme sistemi uygulamaları oluşturmuştur. Soori ve diğerleri türbin kanatlarının frezeleme işlemleri boyunca yüzey özelliklerini iyileştirmek için geliştirilmiş bir sanal işleme yöntemi önermiştir. Soori ve Asmael, pervane kanatlarının beş eksenli frezeleme işlemleri sırasında yer değiştirme hatasını azaltmak için sanal frezeleme yaklaşımlarını icat etmiştir. Soori ve Arezoo, işleme süreçleri sırasında artık gerilmeyi değerlendirmek ve azaltmak için artık gerilme konusunda bir inceleme sunmuştur. Inconel 718’in taşlama işlemleri sırasında yüzey bütünlüğünü ve artık gerilmeyi en aza indirmek için, Taguchi optimizasyon yaklaşımı kullanılarak optimize edilmiş işleme parametreleri Soori ve Arezoo tarafından sunulmuştur. İşleme operasyonları sırasında kesici takım ömrünü artırmak için, takım aşınması tahmini için farklı yöntemler Soori ve Arezoo tarafından incelenmiştir. Bilgisayar destekli süreç planlama, parça üretim sürecinde verimliliği artırmak için Soori ve Asmael tarafından incelenmiştir. Soori ve Asmael, işleme süreçlerinin parametre optimizasyon tekniğini incelemek ve geliştirmek için yayınlanmış makalelerden mevcut gelişmelerin bir özetini sunmuştur. Dastres ve diğerleri, parça üretim sürecinde enerji verimliliğini, tedarik zinciri boyunca veri kalitesini ve kullanılabilirliğini, doğruluğu ve güvenilirliği artırmak için RFID tabanlı kablosuz üretim sistemleri üzerine araştırma yapmıştır.

Web tabanlı karar destek sistem lerindeki gelişmeler, veri ambarı operasyonları için karar destek sistemleri oluşturmak amacıyla Dastres ve Soori tarafından sunulmuştur. Dastres ve Soori, mühendislik ürünlerinin performansının artırılmasında yapay sinir ağlarının uygulanmasını geliştirmek için risk analiz sistemleri, drone kontrolü, kaynak kalite analizi ve bilgisayar kalite analizi dahil olmak üzere çeşitli disiplinlerde yapay sinir ağlarının mevcut araştırma ve kullanımlarının bir incelemesini sunmuştur. Dastres ve Soori, teknoloji gelişiminin doğal afete olan etkilerini azaltmak amacıyla, bilgi ve iletişim teknolojisinin çevre korumada kullanımını tartışmıştır. Ağlarda ve veri ağında güvenliği artırmak için güvenli soket katmanı Dastres ve Soori tarafından sunulmuştur. Web tabanlı karar destek sistemindeki gelişmeler, sunulan teknikler arasındaki boşlukları analiz ederek ve önererek karar destek sistemlerinin metodolojisini geliştirmek amacıyla Dastres ve Soori tarafından gözden geçirilmiştir. Ağlarda güvenlik önlemlerini artırmak için, ağ tehditlerinin son gelişimine ilişkin bir inceleme Dastres ve Soori tarafından sunulmuştur. Gelişmiş görüntü işleme sistemleri, farklı uygulamalarda görüntü işleme sistemlerinin yeteneklerini geliştirmek için Dastres ve Soori tarafından gözden geçirilmiştir.

CNC takım tezgahlarında makine öğrenimi ve yapay zeka sistemlerinin uygulamaları, yayınlanan makalelerden elde edilen son başarıları gözden geçirip analiz ederek araştırma çalışmasında incelenmiştir. Araştırma çalışmaları, CNC takım tezgahlarında MA ve AI uygulamalarına dayalı kategoriler halinde düzenlenmiştir ve bu alanda gelecekteki araştırma çalışmaları yönleri de önerilmektedir. Sonuç olarak, CNC işleme operasyonlarını kullanan bileşen üretim süreçlerinde üretkenliği ve katma değeri artırmak için yayınlanmış makalelerden elde edilen son başarılar incelenerek ve analiz edilerek yeni fikirler sunulmuştur.

2. Veri çıkarımında inceleme metodolojisi
Çalışmada, algoritmaların CNC işleme operasyonlarının çıktılarına etkileri ile ilgili olarak CNC işleme operasyonlarında makine öğrenimi ve yapay zekanın farklı uygulamaları incelenmiştir. Makine duruş süresinin azaltılması, CNC takım tezgahlarının optimizasyonu, kesici takım aşınma tahmini, kesme kuvveti modeli, CNC takım tezgahı bakımı, işleme operasyonlarının izlenmesi, yüzey kalitesi tahmini ve enerji tahmin sistemleri, CNC işleme operasyonlarında makine öğrenimi ve yapay zeka uygulamalarını gözden geçirmek için ele alınmıştır. Makine öğrenimi ve yapay zeka kullanılarak CNC işleme operasyonlarının verimliliğinin artırılması açısından yöntemlerin zorlukları ve avantajları, yayınlanan araştırma çalışmaları arasındaki boşluğu ortaya koymak için gözden geçirilmiştir. Son olarak, CNC işleme operasyonlarının verimliliğini artırmada makine öğrenimi ve yapay zeka uygulamalarını geliştirmek için araştırma çalışmalarının gelecekteki yönleri önerilmektedir.

3. Takım tezgahı duruş süresinin azaltılması
Ekipman arızaları, nakliye ve sanayi sektörlerinde sürekli karşılaşılan bir durumdur. Öngörülemeyen ekipman arızaları veya araç arızaları, üretim süreci boyunca üretim programları, nakliye planlaması ve kapasite yönetimi üzerinde zararlı etkilere neden olabilir. Veri odaklı yaklaşımları kullanan kestirimci bakımdaki son gelişmeler ve eğilimler, güvenliği, güvenilirliği artırmak ve farklı endüstriyel uygulamalarda kestirimci bakım karar verme sürecini etkinleştirmek için sunulmaktadır. Kestirimci bakımın iş akışı Şekil 1′ de gösterilmektedir.

Kötü bakım, takım tezgahı parçası arızası, çok sayıda vardiya değişikliği ve diğer faktörler işleme süreçlerinde duruş süresine neden olabilir. Parça üretim süreçlerinde verimliliği artırmak için işleme duruş süreleri en aza indirilmelidir. CNC matkaplar, tornalar ve frezelerdeki standart bileşenler, takım tezgahı parçalarının arızalarını ve yaşam döngülerini tahmin etmek için sensörler tarafından izlenebilir. Kesici takımın ömrü, parça üretim sürecinde duruş süresini azaltmak için takım aşınmasına bağlı olarak gelişmiş işleme operasyonlarında önemli bir faktördür. Sensör destekli planlı duruş süresi, tam olarak uygun miktarda bakım yapılmasına olanak tanır ve CNC takım tezgahı bileşenlerinin çalışma ömrünü uzatır. Makine öğrenimi ve yapay zeka (AI) verileri yorumlayabilir ve duruş süresini planlamak için en uygun zamanı belirlemede üreticilere yardımcı olabilir. Yüzlerce farklı üretim işletmesi ve binlerce çeşitli ekipman, şirkete hammadde akış verileri sağlamaktadır. Bir makine aracı bazı nedenlerden dolayı çalışmadığında, makine aracının bakımı uygulanabilir. Sonuç olarak, CNC takım tezgahlarını kullanarak üretim sürecinde para, zaman ve kaynak tasarrufu sağlamak için CNC işleme operasyonlarında makine öğrenimi ve yapay zeka uygulamaları kullanılarak makine duruş süresinin azaltılmasına ilişkin verimli bakım süresi elde edilebilir.

4. CNC takım tezgahlarının optimizasyonu
İşleme operasyonlarının optimizasyonu, son zamanlarda farklı araştırma çalışmalarında makine öğreniminin önemli bir yönü olarak kabul edilmektedir. Makine öğrenimini kullanan optimizasyon yaklaşımları, veri miktarı üstel olarak arttığında ve model karmaşıklığı yükseldiğinde daha fazla çalışılmaktadır. Artımlı optimizasyon, tedarik zincirinden tamamlanmış ürünlere kadar gelecekteki üretimin merkezinde yer almaktadır. CNC takım tezgahı operasyonlarının optimizasyonu, paradan tasarruf etmek ve nihayetinde üretim başına toplam karı artırmak için çok önemlidir, bu da üretkenliğin artmasına ve üretilen bileşenlerde daha az kusur olmasına neden olur. Optimal bir hareket işaretleme algoritması oluşturmak için, birleşik hareketler sırasında aktüatör uzantılarını kısıtlamada simülatör performansını iyileştirmek amacıyla hareket sistemi kinematiği kullanılır. CNC işleme operasyonlarını kullanarak bileşen üretiminin doğruluğunu ve verimliliğini artırmak için, takım tezgahı performansı ve CNC işleme parametreleri için optimizasyon süreçleri gereklidir. Üretim sürecinden elde edilen çevrimiçi verileri kullanarak yapay zeka ve makine öğrenimi optimizasyonu daha otomatik hale getirebilir. Sonuç olarak, optimize edilmiş işleme parametreleri kullanılarak işlenmiş bileşenin doğruluğu ve parça üretiminin verimliliği artırılabilir.

İşleme koşullarını ve performansını optimize etmek için, makine öğrenimi ve genetik algoritmaları kullanan çok yanıtlı işleme süreci optimizasyonu için genelleştirilmiş bir teknik geliştirilmiştir . Parça üretiminin yakınsama hızını ve performansını iyileştirmek için CNC işleme operasyonları sırasında Çok Amaçlı evrimsel algoritmanın uygulanması Şekil 2′ de gösterilmiştir.

Makine öğrenimi, parça üretim süreçleri sırasında verimliliği artırmak için atölye CNC işleme operasyonlarında paralel metasezgiselleri geliştirmek için kullanılmaktadır. CNC takım tezgahlarının optimizasyon sürecinde makine öğreniminin bir uygulaması, parça üretim istikrarını artırmak ve beklenmedik arıza riskini azaltmak için incelenmiştir. Ti-6Al-4 V tornalanırken kesme ayarlarını optimize etmek için yanıt yüzeyi yaklaşımı ve makine öğrenimi teknolojisi kullanılmıştır. Parmak frezeleme işlemlerinde işleme değişkenlerini optimize etmek için, Nelder-Mead simpleks yöntemi olarak makine öğrenme metodolojisi geliştirilmiştir. Sonuç olarak, parça üretim sürecinde verimliliği artırmak için CNC işleme operasyonlarında makine öğrenmesi ve yapay zeka uygulamaları kullanılarak iş parçasının esnek koşulları ve parametreleri ile işleme parametrelerine ilişkin optimize edilmiş işleme parametreleri elde edilebilir.

5. Kesici takım aşınma tahmini
Makine öğrenimi tabanlı teknolojiler, karmaşık süreçlerle başa çıkma kabiliyeti nedeniyle takım aşınması tahmininde gelişmiş bir seçenek olarak kabul edilmektedir. Takım aşınmasının doğrusal olmayan karakteri nedeniyle, YSA’ lar aşınmayı değerlendirmek için en çok tercih edilen makine öğrenimi yaklaşımıdır. Kesici takımlar ve makineler için kötü durumları öngörmek ve önlemek amacıyla, takım durumu izleme ve takım tezgahı teşhisi gerçekleştirmek için modern sensörler ve hesaplama zekası kullanılmaktadır. Kendi kendini idame ettiren ve akıllı otonom işleme sistemleri oluşturma ihtiyacı, kesici takım sağlığı izlemenin geliştirilmesine neden olmuştur. Son yıllarda, işleme operasyonları sırasında kesici takımların kullanım ömrünü artırmak için takım durumu izleme veya Takım sağlığı izleme gereksinimi artmıştır. Takım durumu izleme stratejileri genellikle iki kategoriye ayrılır: ‘Çevrimdışı/Doğrudan yöntemler’ ve ‘Çevrimiçi/Doğrudan yöntemler’. Doğrudan yaklaşımlar, tipik olarak beklenmedik olan karmaşık arızaların (sert hatalar) incelenmesi ve analiz edilmesi için en uygun olanıdır, bu da onları makine öğrenimi için uygunsuz hale getirir. Uyarlanabilir bir nöro-bulanık çıkarım sistemi, gelişmiş takım aşınma izleme sistemleri sağlamak için tornalama işleminde çevrimiçi bir takım aşınma tahmin sisteminde de kullanılabilir. Tornalama işlemlerinde çevrimiçi takım aşınması izleme sisteminin prosedürleri Şekil 3′ te sunulmuştur.

Frezeleme işlemleri sırasında takım aşınmasını doğru bir şekilde tahmin etmek için karmaşık bileşen frezeleme için derin öğrenme tabanlı takım aşınması izleme yaklaşımı uygulanmıştır. Takım aşınması tahmininde geliştirilen metodolojinin prosedürü Şekil 4′ te gösterilmektedir.

Yüzey frezeleme işleminde, talaş oluşum süreci sırasında takım aşınmasını otomatik olarak tespit etmek için gelişmiş makine öğrenme sistemi olarak derin bir sinir ağı kullanılmaktadır. Matkap aşınma tolerans analizi ve optimizasyonu, delme işlemleri sırasında kesici takım ömrünü en üst düzeye çıkarmak için kesici takımın uzun süreli kullanımı için uyarlanabilir bir nöro bulanık – genetik algoritma yaklaşımı kullanılarak uygulanmaktadır. CNC işleme operasyonları sırasında belirli kesme enerjisi ile ilgili kesici takım aşınmasını doğru bir şekilde tahmin etmek için gelişmiş sinir ağı sistemleri geliştirilmiştir. İşleme operasyonlarında kesici takım aşınmasını izlemek için veri odaklı yaklaşımlarla birleştirilmiş basit makine öğrenimi geliştirilmiştir. Metal kesme işlemleri sırasında malzemelerin makine öğrenimi tabanlı yerinde yığın tespiti, ürün kalitesini artırmak ve üretim maliyetlerini azaltmak için geliştirilmiştir. İşleme operasyonları sırasında kesici takım ömrünü artırmak için bulut tabanlı paralel makine öğrenimi kullanan takım aşınma tahmini geliştirilmiştir.

Akıllı fabrikalar için makine öğrenimi algoritmaları üzerine karşılaştırmalı bir çalışma, rastgele ormanlar kullanarak işleme operasyonları sırasında takım aşınmasını tahmin etmek için uygulanmıştır. Çeşitli kesme koşulları altında frezeleme işlemleri sırasında takım aşınma koşullarını yüksek bir yanıt oranıyla değerlendirmek için, gelişmiş makine öğrenimi algoritmalarından yararlanan ses dalgaları sinyalleri kullanılmıştır. Dikey bir işleme merkezinde, işleme operasyonları sırasında kesici takım kesici ucunu tahmin etmek için titreşim tabanlı çoklu ağa dayalı bir makine öğrenme tekniği geliştirilmiştir. Tekrarlanan frezeleme işleminde takım aşınmasının ilerlemesini tahmin etmek için kalibrasyon tabanlı takım durumu izleme geliştirilmiştir.

Frezeleme işlemleri sırasında kesici takım aşınmasının durumunu doğru bir şekilde tahmin etmek için yeni bir makine öğrenimi tabanlı metodoloji kullanılarak akustik emisyon sinyalleri kullanılarak takım aşınması tahmini sunulmuştur. Takım aşınması tahmin sistemlerinde makine öğrenimi modellerinin doğruluğunu artırmak için alın frezesi dişlerinin aşınmasını hesaba katarken otomatik düzlük sapması tahmini için makine öğrenimi geliştirilmiştir. Makine öğrenme sistemi olarak yapay sinir ağları, modifiye edilmiş bir CNC freze makinesinde takım aşınmasını değerlendirmek için geliştirilmiştir. Bu nedenle, farklı iş parçası malzemelerinin ve işleme parametrelerinin talaş oluşum süreci sırasında kesici takım ömrü, CNC işleme operasyonlarında takım aşınmasının tahmin sürecinde makine öğrenimi ve yapay zeka uygulamaları kullanılarak analiz edilebilir ve geliştirilebilir.

6. Kesme kuvveti modeli
Kesme kuvveti, frezeleme işleminin verimliliğini ve kalitesini etkileyen en önemli faktördür ve makine öğrenimi sistemleri kullanılarak doğru bir şekilde tahmin edilebilir. Makine öğrenimi tabanlı eş zamanlı kesme kuvveti modeli kullanılarak frezeleme işlemlerinde hibrit bir kuvvet analizi yaklaşımı geliştirilmiştir. Hibrit kesme kuvveti modeli için modelleme çerçevesi Şekil 5′ te gösterilmektedir.

Frezeleme işlemlerinde kesme kuvvetlerini doğru bir şekilde tahmin etmek için destek vektör regresyonu, k-en yakın komşu, polinom regresyonu ve rastgele orman dahil olmak üzere çeşitli makine öğrenimi algoritmaları kullanılmaktadır. Yüksek hızlı tornalama işlemlerinde, kesme kuvvetlerinin tahmin modellerini sağlamak için makine öğrenimi kesme kuvveti, yüzey pürüzlülüğü ve takım ömrü sunulmuştur. Takım aşınma koşullarını dikkate alırken kesme kuvvetlerini tahmin etmek için geleneksel doğrusal regresyon yöntemini kullanarak makine öğrenimini kullanan hibrit bir teknik, işleme yolları boyunca kesme kuvvetlerini doğru bir şekilde tahmin etmek için araştırılmış ve geliştirilmiştir. CNC tornalama işlemlerinde yüzey dokusu değerlendirmesi için kesme kuvveti verilerinin dalgacık paket dönüşümü analizi, talaş oluşturma işlemleri sırasında gürültü ve gevezeliği gidermek için geliştirilmiştir. Kesici iş parçası temas geometrisinin görüntü temsili ile ilgili çevrimdışı bir kesme parametreleri tahmin modeli, çeşitli kesme durumlarında tahmin doğruluğunu artırmak için bir nöro-fiziksel öğrenme yaklaşımı kullanılarak geliştirilmiştir. Kesme kuvveti modelleme sistemlerinin doğruluğunu artırmak için, S15C düşük karbonlu çeliğin hassas tornalama işlemlerinde kesme kuvvetini ölçmek için makine öğrenimi ile kalibre edilmiş bir akıllı takım tutucu oluşturulmuştur. Gerçek zamanlı kesme kuvveti ölçümleri ve makine öğrenme sistemi olarak bir CNN yaklaşımı kullanılarak, kuru işleme operasyonları sırasında çevrimiçi takım aşınması kategorizasyonu geliştirilmiştir. Kesme kuvveti tahmin sistemleri kullanılarak sinyal spektrumu görüntü analizi ile Yapay Sinir, işleme operasyonları sırasında kesici takımın hasar miktarını belirlemek için geliştirilmiştir. Böylece, CNC işleme operasyonlarının farklı koşulları sırasında kesme kuvveti modellerinin doğruluğunun yanı sıra esnekliği, kesme kuvveti algılama metodolojilerinde makine öğrenimi ve yapay zeka uygulamaları kullanılarak geliştirilmiştir.

7. CNC takım tezgahı bakımı
CNC takım tezgahı bakım süreci her zaman zamana ve paraya ihtiyaç duyar. Kalibrasyon, bileşen modifikasyonları ve CNC takım tezgahlarının servisinin doğru tahmini, bir CNC takım tezgahını çalıştırmanın en zor yönlerinden ve zorluklarından biridir. Makine öğrenimi ve yapay zeka, takım tezgahı bakımıyla yakından ilişkilidir, arıza süresini azaltmayı ve üretkenliği artırmayı amaçlayan tahmin ve önleyici yaklaşımları geliştirmektedir. Makine öğrenimi, CNC takım tezgahı bakımının zamanını ve maliyetini en aza indirmek için takım tezgahlarının ne zaman bakıma alınması gerektiğini doğru bir şekilde tahmin edebilir ve takım tezgahlarını onarmak için en uygun zamanı sunabilir. Tahmine dayalı takım tezgahı bakım prosedürleri, bir makine zaman ve durum verileriyle yönlendirildiğinde ve operatörler gerçek zamanlı veri geri bildirimi akışları aldığında doğru bir şekilde yapılabilir. CNC takım tezgahları kullanılarak parça üretimi sürecinde takım tezgahında istikrarlı bir iş akışı sağlamak ve üretim sürecini sorunsuz bir şekilde devam ettirmek için bir takım tezgahının bakımı, bir parçanın değiştirilmesi veya bir işlevin bozulmadan önce düzeltilmesi gerektiğinde otomatik uyarılar uygulanabilir. Dolayısıyla, yapay zeka ve CNC takım tezgahlarının bağlantıları kullanılarak neden-sonuç bağlantıları oluşturulabilir. Sonuç olarak, CNC takım tezgahı bileşen üretimi sürecinde katma değerleri artırmak için CNC takım tezgahı üretim süreçleri için daha fazla bilgi ve daha iyi karar verme üretilebilir. CNC takım tezgahları kullanılarak parça üretimi sürecinde doğru tahmin metodolojileri sağlamak amacıyla dijital ikiz tarafından yönlendirilen CNC takım tezgahı için hibrit bir kestirimci bakım yaklaşımı sunulmuştur. CNC takım tezgahı için geliştirilen bakım yaklaşımı yöntemi Şekil 6′ da gösterilmektedir.

CNC takım tezgahlarında takım aşınmasının izlenmesi de dahil olmak üzere bakım işlemlerini değerlendirmek için gelişmiş makine öğrenme sistemleri geliştirilmiştir. CNC takım tezgahı ve kesme işlemi koşullarını değerlendirmede verileri izlemek için gelişmiş makine öğrenme sistemi geliştirilmiştir. Kesme ömrünü artırmak ve parça üretiminin verimliliğini artırmak için parmak frezeleme işleminde makine öğrenme teknikleri kullanılarak bir takım sağlığı izleme sistemi oluşturulmuştur. Böylece, CNC takım tezgahı bakımının gelişmiş prosedürleri, makine öğrenmesi ve yapay zekanın parça üretimi sürecinde CNC takım tezgahlarının çalışma süresine uygulanması sonucunda elde edilebilir.

8. İşleme operasyonlarının izlenmesi
CNC takım tezgahlarının durumunun izlenmesinde makine öğrenimi uygulaması, işleme operasyonlarını kullanarak parça üretiminde verimliliği artırmak için yapay zeka sistemleri çağında yakın zamanda geliştirilmiştir. Durum izleme sistemleri, CNC işleme operasyonlarını güvenli ve güvenilir tutmak için CNC takım tezgahlarının bakımında önemli bir adımdır. CNC kesme takımları için akıllı bir izleme sistemi sağlamak amacıyla bir siber-fiziksel üretim ve mühendislik yapısı sunulmuştur. Şekil 7′ de gösterilen akıllı CNC makine izleme sisteminde frezeleme işleminin fiziksel ve sanal modellemesinin bir kombinasyonu oluşturulmuştur.

Parça üretim süreçlerinde CNC takım tezgahlarının performanslarını izlemek ve elde etmek için gelişmiş karar verme uygulaması sunulmuştur. Gelişmiş makine öğrenme sistemi kullanılarak, torna-freze operasyonlarında performans izleme ve kesici hızı, ilerleme hızı ve kesme derinliği gibi işlem parametrelerinin çıktılar üzerindeki etkisi incelenmiştir. Stewart yapısının hareketi sırasında doğruluğu artırmak için üç bacağın eklemlerindeki altı döner sensör, Stewart yapısındaki ileri kinematiği çözmek için kullanılmıştır. İşleme operasyonları sırasında kesici takım hatalarını önlemek ve tespit etmek için çoklu sensör sinyallerinin uyarlanabilir nöro-bulanık entegrasyonu kullanılarak CNC işleme operasyonlarının izlenmesi uygulanmıştır. CNC işleme operasyonlarının doğruluğunu artırmak için, sanal gerçeklik ve sayısallaştırılmış ikiz sistemler kullanarak işleme süreçlerini izleme yöntemi geliştirilmiştir.

İşleme parametrelerinin planlanması ve optimizasyonu, toplam üretim süresini en aza indirmek ve işleme operasyonları sırasında malzeme kaldırma oranını artırmak için frezeleme işlemleri sırasında AISI P20 kaldırma oranı için çevrimiçi izleme sistemleri kullanılarak geliştirilmiştir. Kesilmesi zor malzemelerin işleme operasyonları sırasında verimliliği artırmak için karar ağaçları, yapay sinir ağları ve destek vektör makineleri gibi makine öğrenimi yaklaşımları titanyum alaşımında (Ti-6Al-4 V) yüksek hızlı frezelemede gevezelik tahminleri için incelenmiştir. İşleme operasyonları sırasında yanak aşınmasını elde etmek için makine öğrenme tekniklerine ve iş mili hızı ve ilerleme hızı işleme parametrelerine ilişkin kuvvet analizine dayalı işlem içi takım aşınması tahmin sistemi geliştirilmiştir. CNC işleme parametre optimizasyonunu elde etmek için arzu edilebilirlik fonksiyonu ve genetik algoritma yaklaşımını içeren yanıt yüzeyi tekniği geliştirilmiştir. Takım tezgahı izleme sistemlerinin yeteneklerini ve doğruluğunu artırmak için yapay sinir ağı uygulamaları sunulmuştur. Sonuç olarak, işleme operasyonlarının izlenmesi yoluyla verilerin elde edilmesi ve analiz edilmesi süreci, bilgisayar destekli süreç planlama sistemlerinde gelişmiş izleme ve karar vermede makine öğrenimi ve yapay zeka kullanılarak geliştirilmiştir.

9. Yüzey kalitesi tahmini
Yüzey pürüzlülüğü, üretilen ürünlerin kalitesini değerlendirmek için kritik bir ölçüttür. Gelişmiş işleme prosedürleri, nihai ürünlerin maliyetini düşürürken yüksek geometrik doğruluğa ve gelişmiş yüzey kalitesine sahip parçalar üretmeyi amaçlamaktadır. Sonuç olarak, bazı geleneksel işleme teknikleri endüstriyel gereksinimleri karşılayamamakta ve yüksek kaliteli bir yüzey kalitesi elde etmek için işleme sonrası yüzey bitirme işleminin kullanılmasını gerektirmektedir. Ürün kalitesi için en önemli derecelendirme standartlarından biri yüzey pürüzlülüğüdür. Üretilen parçaların çalışma ömrünü artırmak için işlenmiş parçaların yüzey pürüzlülüğü en aza indirilebilir. İşlenmiş bileşenlerin yüzey kalitesini tahmin etmek ve analiz etmek için, gelişmiş yapay zeka sistemleri kullanılarak Yapay Sinir Ağları kullanılmaktadır. Tornalama işlemleri kullanılarak işlenmiş parçaların yüzey kalitesini doğru bir şekilde tahmin etmek için yüzey pürüzlülüğü özelliklerinin tahmininde makine öğrenimi algoritmalarının uygulamaları geliştirilmiştir. İşlenmiş parçaların yüzey kalitesini tahmin etmek için gelişmiş makine öğrenme sistemleri olarak doğrusal regresyon, rastgele orman ve karar ağacı uygulanmıştır. CNC takım tezgahları için işleme doğruluğu ve yüzey kalitesi, işleme operasyonlarında yüzey pürüzlülüğünü doğru bir şekilde tahmin etmek için veri odaklı yaklaşım kullanılarak tahmin edilmektedir. İşleme operasyonlarında yüzey pürüzlülüğünü tahmin etmek için titreşim sinyali analizi kullanılarak derin öğrenme sinir ağının uygulanması incelenmiştir. İşlenmiş parçaların yüzey pürüzlülüğünün tahmininde AL’nin uygulanmasında geliştirilen çalışma metodolojisi Şekil 8’d e gösterilmektedir.

İşlenmiş bileşenlerin yüzey kalitesinin iyileştirilmesi açısından doğruluğu ve güvenilirliği artırmak için, yüzey freze dişlerinin aşınmasına dayalı otonom yüzey pürüzlülüğü tahmini geliştirilmiştir. Alüminyum alaşımlı işleme operasyonlarında yüzey pürüzlülüğünü tahmin etmek için çok katmanlı perceptron modeli ve radyal bazlı fonksiyon modeli olarak sinir ağı analizi geliştirilmiştir. Makine öğrenimi, kesme kuvvetlerinin hesaplanmasında gelişmiş bir metodoloji sağlamak amacıyla helisel bilyalı parmak frezeleme işleminde kesme kuvvetlerini analiz etmek için kullanılmıştır. İşlenmiş parçaların yüzey kalitesini artırmak amacıyla hassas üretim için makine üzerinde ve süreç içinde yüzey pürüzlülüğü ölçüm sistemleri geliştirilmiştir. Bir üretim hattındaki gelişmiş yüzey metroloji sistemi Şekil 9′ da gösterilmiştir.

İşlenmiş bileşenlerin yüzey kalitesini artırmak için yüzey pürüzlülüğünün gerçek zamanlı izlenmesi ve değerlendirilmesi için duyusal bir freze tezgahına dayalı makine öğrenimi algoritmaları geliştirilmiştir. Gelişmiş makine öğrenimi sistemi kullanılarak kesici takımın durum tahminini sağlamak için çok modlu veri güdümlü hibrit makine öğrenimi geliştirilmiştir. Derin öğrenme tabanlı takım aşınması tespit sistemi, kesici takım ömrünü artırmak için çok ölçekli özellik füzyonu ve bir kanal dikkat mekanizması kullanılarak geliştirilmiştir. İşlenmiş parçalarda yüzey pürüzlülüğü tahmini için gelişmiş bir yöntem sağlamak amacıyla, kesme kuvvetleri ve takım salınımlarının etkilerini kullanan iç içe geçmiş bir ANN modeli geliştirilmiştir. Sonuç olarak, CNC eşleştirme işlemlerinin verimliliğini artırmak için CNC takım tezgahları kullanılarak işlenmiş bileşenlerin yüzey tahmininde ML ve AI uygulamaları kullanılarak işlenmiş parçaların yüzey kalitesi artırılabilir.

10. Enerji tahmin sistemleri
Endüstriyel üretim sırasında enerji israfını azaltmanın önemi nedeniyle, bina enerji kaybı ve yönetim sistemleri farklı araştırma çalışmalarında ele alınmaktadır. Makine öğrenimi teknikleri son zamanlarda işleme operasyonları sırasında enerji tüketiminin tahmin modellerinde kullanılmaktadır. Geleneksel zaman serisi tahmin yöntemlerinin doğruluğu, dayanıklılığı ve hassasiyetinin yanı sıra genelleme kapasiteleri, CNC takım tezgahlarının enerji tüketiminin verimliliğinin artırılması açısından makine öğrenimi modelleri kullanılarak büyük ölçüde geliştirilmiştir. Gelişmiş bir enerji tüketimi modellemesi sağlamak için derin öğrenme gömülü yarı-sup öğrenme yöntemi yaklaşımı önerilmiştir. Enerji yönetim sistemlerinde yapay zeka ve makine öğrenimi tabanlı stratejilerin uygulamaları, enerji tüketimi tahmininin doğruluğunu artırmak için sunulmuştur. CNC işleme enerji kullanımının doğru ve hızlı tahmini, CNC takım tezgahı enerji tüketiminin yalın yönetimini uygulamak ve imalat endüstrisinin uzun vadeli sürdürülebilirliğini sağlamak için etkili bir yoldur. İşleme süreçleri sırasında enerji tahmin performansını artırmak için derin öğrenme tabanlı bir enerji tahmin yöntemi geliştirilmiştir. Şekil 10, derin öğrenme tabanlı enerji tahmin yaklaşımının genel çerçevesini göstermektedir.

CNC işleme operasyonları sırasında spesifik kesme gücünü tahmin etmek için makine öğrenimi ve proses mekaniğini birleştiren hibrit metodoloji geliştirilmiştir. Beş eksenli süreç planlama işlemlerinde enerji tüketimini tahmin etmek için gelişmiş bir makine öğrenme sistemi olarak veri güdümlü simülasyon metodolojisi geliştirilmiştir. İşleme operasyonları sırasında takım tezgahı milinin enerji kullanımını tahmin etmek için gelişmiş hata teşhis yöntemleri, rastgele orman ve zaman serisi tahmini geliştirilmiştir. CNC işleme operasyonları sırasında güç tüketimini en aza indirmek için makine öğrenme sistemleri kullanılarak entegre bir süreç planlama ve kesme parametresi optimizasyonu yöntemi geliştirilmiştir. Bilgisayarlı sayısal kontrol (CNC) torna tezgahlarında yüksek kaliteli ve güç tasarruflu işleme elde etmek için geçici-durağan durum enerji tüketimini içeren CNC tornalama işlemi değişkenlerinin çok amaçlı bir optimizasyonu geliştirilmiştir. Böylece, CNC işleme operasyonları kullanılarak parça üretiminin verimliliğinin artırılması açısından talaş oluşum süreci sırasında enerji tüketiminin tahmin sistemlerinde makine öğrenimi ve yapay zeka uygulanarak daha fazla katma değer elde edilebilir.

11. Sonuç
Makine öğrenimi ve yapay zeka, endüstriyel süreçlerin performanslarını iyileştirmek için çeşitli endüstriyel uygulamalara uygulanmaktadır. CNC işleme operasyonları sırasında doğruluğun yanı sıra verimliliği artırmak için, makine öğrenimi ve yapay zeka sistemlerinin farklı uygulamaları farklı araştırma çalışmalarında incelenmiştir. Makine duruş süresinin azaltılması, CNC takım tezgahlarının optimizasyonu, kesici takım aşınma tahmini, kesme kuvveti modeli, CNC takım tezgahı bakımı, işleme operasyonlarının izlenmesi, yüzey kalitesi tahmini ve enerji tahmin sistemleri, CNC işleme operasyonlarının geliştirilmesinde makine öğrenme uygulamalarına bazı örneklerdir. ML teknikleri son zamanlarda CNC işleme operasyonları sırasında enerji tüketimini azaltmak için enerji tüketimi tahmin modellerine uygulanmaktadır. Enerji tüketimi modellerinin doğruluğu ve radyalliği, CNC işleme operasyonları sırasında geleneksel enerji kullanımı tahmin yöntemlerine kıyasla makine öğrenimi metodolojileri kullanılarak önemli ölçüde geliştirilmiştir.

Bu çalışmada, makine öğrenimi ve yapay zeka sistemlerinin CNC takım tezgahlarındaki uygulamaları, yayınlanan makalelerden elde edilen son başarılar analiz edilerek incelenmiştir. Bu çalışmanın temel amacı, CNC işleme operasyonlarında makine öğrenimi ve yapay zeka teknikleri ile ilgili güncel çalışmalara genel bir bakış sağlamak ve böylece bu alandaki araştırmacılar için faydalı bir çalışma sunmaktır. CNC makinelerini birbirine bağlayabilen sensörler ve bulut veri kaynakları ağı, akıllı CNC takım tezgahları sağlamak için kullanılabilir. İşleme endüstrisinin verimliliği, akıllı işleme tekniklerine geçerek kendi kendini optimize etmesine ve kontrolsüz koşullara uyum sağlamasına olanak tanıyarak artırılabilir. Bununla birlikte, CNC işleme operasyonlarında gelişmiş makine öğrenme sistemlerinin uygulamalarının geliştirilmesi, fiziksel, bilgisayarlar ve ağ oluşturma sürecinin birleşimi olarak, veri ağının güvenliği ve emniyeti ile ilgili zorluklar ve güçlükler yaratmıştır. Farklı CNC takım tezgahları arasında güvenli ve gelişmiş bağlantılar sağlamak için ağların güvenliğinin artırılması gerekmektedir.

12. Gelecekteki araştırma yönleri
Bilgisayar destekli süreç planlamasında gelişmiş veri toplama, veri madenciliği yaklaşımları, veri füzyonu sinir ağları, sanallaştırma ve akıllı karar verme metodolojileri, makine öğrenme sistemleri kullanılarak parça üretim sürecinde doğruluğu ve performansı artırmak için kullanılabilir. Sanal ortamlarda CNC takım tezgahlarının simülasyon ve analiz gücünü artırmak için CNC işleme operasyonlarında makine öğrenimi uygulamaları kullanılarak sanal işleme sistemleri geliştirilebilir. CNC işleme operasyonları sırasında kesici takım yolları modifikasyonu, kesici takım seçimi ve hata telafi metodolojileri makine öğrenimi sistemlerinin uygulamaları kullanılarak değiştirilebilir. İş tutma fikstürlerinin tasarım süreci, CNC işleme operasyonları sırasında doğru fikstürler sağlamak için makine öğrenimi sistemi kullanılarak geliştirilebilir. Derin makine öğrenme ağları, parça üretiminin verimliliğini artırmada makine öğrenme uygulamalarının etkinliğini artırmak için CNC takım tezgahlarına uygulanabilir. Uzamsal yinelemeli öğrenme kontrol yöntemi, hata telafi metodolojileri ile işlenmiş parçaların doğruluğunu artırmak için işleme sırasında kesici takım yollarına uygulanabilir.

CNC işleme operasyonları sırasında çarpışma algılama sistemlerini değiştirmek için, makine öğrenimi ve yapay zeka uygulamaları kullanılarak optimize edilmiş kesici takım yolları elde edilebilir. Ayrıca, CNC işleme operatörleri için gelişmiş operasyon eğitim sistemleri sağlamak için makine öğrenimi ve yapay zeka uygulamaları gerçekleştirilebilir. Makine öğrenimi ve yapay zeka, robotları daha akıllı ve daha işbirlikçi hale getirmek için endüstriyel robotlara uygulanabilir. Ayrıca, esnek çalışma koşullarında performansı artırmak için makine öğrenimi ve yapay zeka kullanılarak robotlara karar verme uygulanabilir. Ayrıca, parça üretiminin verimliliğinin artırılması açısından makine öğrenimi ve yapay zekanın üretim sürecinin büyük veri analizine uygulanmasının bir sonucu olarak parça üretimi sürecinde otomasyon geliştirilebilir. İşleme kaynakları yeteneklerinin çevrimiçi entegrasyonu ve tanımlanması, bulut üretim sistemlerinde makine öğrenimi uygulamaları kullanılarak uygulanabilir. CNC işleme operasyonlarını kullanan gelişmiş Siber üretim sistemleri, sanal üretimde makine öğrenimi uygulamaları kullanılarak sunulabilir. Akıllı takım tezgahı, işleme operasyonları sırasında otonom optimizasyon ve karar verme ile otonom kontrol ve yürütmeyi sunmak için CNC işleme operasyonlarında yapay zeka uygulamaları kullanılarak sunulabilir.

İşleme sürecinin izleme yeteneklerini artırmak için akıllı CNC takım tezgahlarının geliştirilmesinde nesnelerin interneti uygulamaları incelenebilir. Endüstri 4.0’da sürdürülebilir akıllı üretim, CNC işleme operasyonlarında gelişmiş makine öğrenme sistemlerinin uygulamaları kullanılarak geliştirilebilir. Endüstri 4.0 için akıllı üretim süreçleri sağlamak amacıyla gelişmiş makine öğrenimi ve yapay zeka sistemleri kullanılarak akıllı işleme sistemleri geliştirilebilir. Makine öğrenimi ve yapay zeka, gelişmiş yalın üretim sistemleri açısından üreticiler için atık malzemeleri ve birim başına maliyeti azaltmak için CNC takım tezgahlarını kullanarak parça üretim sürecinde doğruluğu artırabilir. Gelişmiş bilgisayar destekli süreç planlaması, CNC takım tezgahları kullanılarak esnek koşullarda ve parça üretim parametrelerinde süreç planlamasının verimliliğini artırmak için CNC takım tezgahlarında makine öğrenimi ve yapay zeka uygulamaları kullanılarak sunulabilir. CNC işleme operasyonları sırasında makine öğrenmesi uygulamalarına bulanık tekniğin entegrasyonu, işleme operasyonlarının optimize edilmiş prosedürlerini kullanarak parça üretiminin verimliliğini artırmak için incelenebilir. Bunlar, CNC takım tezgahlarında makine öğrenimi ve yapay zeka araştırmalarında gelecekteki araştırma çalışmaları için önerilerdir. Sonuç olarak, CNC işleme operasyonlarını kullanarak parça üretiminin verimliliğini artırmak için gelişmiş makine öğrenimi ve yapay zeka sistemleri kullanılarak parça üretiminin performansı ve güvenilirliği artırılabilir.

Kaynak: https://www.sciencedirect.com/science/article/pii/S2667344423000014