asyu-ınısta 2004 bildiri taslağı - Akademik ve Blog Sistemi Mehmet

Yapay Bağışıklık Algoritmaları ile CNC
Kesici Takım Aşınmalarındaki Değişimin
Belirlenmesi
Emre DANDIL
Orhan GÜNGÖR
Bilgisayar Teknolojileri Bölümü
Meslek Yüksekokulu
Bilecik Üniversitesi
BİLECİK
[email protected]
Bilgisayar Teknolojileri Bölümü
Tefenni Meslek Yüksekokulu
Mehmet Akif Ersoy Üniversitesi
Tefenni, BURDUR
[email protected]
Özet
kullanılması [7],[8], bu çalışmada da kullanılan
İnconel 718 süper alaşımı çalışmaları [9] ve daha
birçok çalışma literatürde mevcuttur.
Bu çalışmada ise, kesici takımlarda oluşan
aşınmaların tespiti için Matlab programı ile yapay
bağışıklık
sistemlerinin
negatif
seçim
algoritmasına dayalı kullanıcı arayüzlü bir yazılım
geliştirilmiştir. Bu yazılım ile titreşim verilerinin
zaman
düzlemlerindeki
genlik
değerleri
kullanılarak, kesici takılarda oluşan anormal
durumların tespiti, titreşim sinyalinin hangi zaman
adımlarında hatanın oluştuğu ve hata seviyesinin
derecesinin tespiti gerçekleştirilmiştir.
Bu bildirinin ikinci bölümünde çalışmada
kullanılan materyal ve yöntemler tanıtılmış,
üçüncü bölümünde tasarlanan sistem ve yazılım
hakkında detaylı olarak açıklamalar yapılmış ve
dördüncü bölümünde elde edilen sonuçlar
değerlendirilerek bildiri tamamlanmıştır.
Bu çalışmada, CNC tezgahların kesici takım
aşınmalarının
değişimi
geliştirilen
yapay
bağışıklık tabanlı bir yazılım ile belirlenmiştir. Bu
yazılım Yapay Bağışıklık Sistemlerinin(YBS)
Negatif Seçim Algoritmasını(NSA) kullanmaktadır.
Tezgahlardan farklı zamanlarda alınan titreşim
verilerinde oluşan anormal durumların tespiti
aktifleşen detektör sayılarındaki değişim ile
izlenerek kesici takımlarda oluşan aşınmaların o
anki düzeyine karar verilmektedir.
1. Giriş
Günümüz imalat teknolojilerinde talaşlı üretim
yöntemlerinin kullanılması, oldukça önemli bir
yere sahiptir. Daha kaliteli bir üretimin olabilmesi
için üretim anında oluşan işlemlerin izlenmesi
gereklidir. Talaşlı üretimle oluşturulan nikel
tabanlı alaşımlar havacılık, gaz türbinleri, uzay
araçları, roket motorları, nükleer reaktörler, deniz
altılar, buhar üretme tesisleri, petrokimyasal
cihazlar ve diğer ısıya dayanıklı uygulamalarda
kullanılmaktadır[1]. Bu alaşımların işlenmesi
esnasında oluşan zorlukların ortadan kaldırmanın
yöntemlerinden birisi yüksek basınçlı jet
soğutmadır. Buna ilave olarak kesici uçta oluşan
sıcaklık düşürülerek çalışılması kesici uçta oluşan
aşınma seviyesini azaltacaktır[2].
Özellikle işlenmesi zor olan parçaların yüksek
kesme hızlarında ve yüksek talaş kaldırma
oranlarında oluşan kuvvetler talaşlı üretim
esnasında kesici takımların aşırı ve düzensiz
şekilde titreşimine sebep olmaktadır. Takımlardaki
bu titreşim işleme esnasında kesici takımın
kırılmasına, işleme kararlılığının ve kalitesinin
bozulmasına
sebep
olabilmektedir[3].
Bu
nedenlerden ötürü takım ve tezgâh titreşim
analizlerinin yapılarak aşınma durumlarının
kontrol edilmesi gerekmektedir. Bu alanda
günümüze kadar birçok çalışma yapılmıştır.
Talaşlı imalatta kesici takım parametrelerinin
incelenmesi [4],[5],[6], bu alanda akıllı sistemlerin
2. Materyal ve Yöntem
Önerilen teknik ile bir CNC takım tezgahından
alınmış olan titreşim verilerinden yararlanarak
kesici uçlarda oluşan aşınmaların o anki seviyesi
tespit edilmiştir. Gerçekleştirilen sistemin genel
blok şeması Şekil 1' de gösterilmektedir.
Dataların alınması
Datalarının okunması
Ön-İşlem ve Özellik
Çıkarımı
YBS Negatif Seçim
Algoritması
Takım Aşınmalarının
Belirlenmesi
Şekil 1. Gerçekleştirilen sistemin blok şeması
Bu çalışmada titreşim sinyalleri Yüksek
Soğutma Sıvısı Basıncında CNC Torna
Tezgahında kesim işlemleri sırasında bir titreşim
ölçer sensör ile alınmıştır. Çalışmaya ait deney
düzeneği Şekil 2.' de görülmektedir.
belirlenmiştir. Şekil 5' te gösterilen bu sensörün
duyarlılığı 5.1 mV/(m/s2) dir.
Şekil 5. Titreşim sensörü
Titreşim sensöründen gelen veriler veri toplama
kartı olan ve Şekil 6' da gösteriilen DAQ 6062E ile
bilgisayara aktarılmıştır.
Şekil 2. CNC torna tezgahı deney düzeneği
Deneylerde iş parçasının kesimi sırasında
oluşan sinyaller titreşim sensörü ile sinyal
düzenleyiciye alınarak DAQ kartı ile bilgisayara
aktarılmıştır. Bilgisayarda Cut-Pro programı ile
sinyaller işlenebilir hale getirildikten sonra Matlab
geliştirilen yazılım ile değerlendirilmiştir.
2.1. Kullanılan Materyaller
CNC torna tezgahında iş parçası olarak Şekil
3'de gösterilen İnconel 718 süper alaşımı
kullanılmıştır. Yapısı demir, nikel ya da kobalt
olan nispeten yüksek miktarlarda krom, az
miktarda da yüksek sıcaklıkta ergiyen molibden,
volfram, alüminyum ve titanyum içeren alaşım
olarak tanımlanabilir.
Şekil 3. İnconel 718 iş parçası
Kesici takım olarak Şekil 4'de gösterilen
çalışmadaki basıncına cevap verebilecek yapıda
olan SECO Jet Stream ve CNMG-CP250
kullanılmıştır.
Şekil 4. Kesici torna takımı
Titreşim datalarının okunması için kullanılan
sensör(accelerometer) modeli PCB 353B31
Şekil 6. Veri toplama(DAQ) kartı
2.2. Yöntem
Bu çalışmada kesici takımlardaki aşınmanın
belirlenmesi için yeni bir esnek hesaplama
yöntemi olan Yapay Bağışıklık Sistemleri yöntemi
kullanılmıştır.
2.2.1.
Yapay Bağışıklık Sistemleri
Yapay bağışıklık sistemleri, diğer zeki
sistemlerde olduğu gibi doğadan esinlenilerek
ortaya çıkarılmış genel amaçlı bir sezgisel
yöntemdir. Canlılardaki savunma mekanizması
özetlenip modellenerek oluşturulmuş bu sistem
birçok çalışmada incelenmiştir. Çok eski olmayan
bu yöntemin popülerliği gittikçe artmaktadır.
Diğer yöntemlere göre avantajları olduğu yapılan
uygulamalarda gözlemlenmiştir[10].
YBS (Yapay Bağışıklık Sistemleri), insanın
bağışıklık sistemi örnek alınarak geliştirilmiş yeni
bir yapay zeka alanıdır. Bağışıklık sistemindeki
olduğu gibi vücuda giren yabancı maddelere karşı
bağışıklık
sisteminin
verdiği
tepkiler
gözlemlenerek
anormal
durumlar
tespit
edilmektedir. Bağışıklık sisteminin yabancı
maddelere karşı gösterdiği tepkiler dikkate
alınarak YBS' de bilgisayar tabanlı algoritmalar
geliştirilmiştir[11].
YBS' nin, şu ana kadar bağışıklık sistemine
dayalı olarak geliştirilen; Negatif / Pozitif Seçim
Algoritması, Klonal Seçim Algoritması, Bağışık
Ağ Modelleri, Antikor Ağ Modeli olmak üzere dört
ana algoritması bulunmaktadır[12].Bu çalışmada
yapay bağışıklığın Negatif Seçim Algoritması
kullanılmıştır.
2.2.2.
Negatif Seçim Algoritması
Yabancı hücrelerin tanınması, doğal bağışık
sistemlerde kemik iliğinde üretilen iki lenfosit
olan B ve T hücreleri ile yapılmaktadır[13]. Her
iki hücre de kemik iliğinde üretildikten sonra T
hücreleri timüste negatif seçim olarak adlandırılan
bir süreçten geçer. Doğal bağışık sisteminin bu
özelliğinden faydalanılarak T hücrelerinin negatif
seçimine dayalı bir kural dışı tespit algoritması
geliştirilmiştir[14].Negatif seçim algoritmasının
detektör üretimi ve anormal durum tespit
aşamaları Şekil 7’de gösterilmiştir.
Eğitim Kümesi
Aday Detektör
Kümesi
İptal Et
Eşleşme var
mı?
Eğitim
Aşaması
Bir aday detektör ile öz hücre arasındaki
afiniteyi ölçerek eşleşmenin hesaplanması için
Denklem 1' de verilen Öklid (Euclidian) mesafe
ölçümü kullanılmıştır.
(1)
Bu denklemde A bulunan mesafeyi, l data
sayısını, Ab test veya eğitim kümesini, Ag ise
detektör kümesini belirtmektedir.
3. Gerçekleştirilen Sistem ve Yazılım
Bu çalışmada kesici takımlardan gelen titreşim
sinyallerinden
kesici
uçlarındaki
aşınma
seviyesini tespit etmek için arayüzü Şekil 8' de
gösterilen bir yazılım geliştirilmiştir. Yazılım
Matlab GUI ile tasarlanmıştır. Yazılıma eğitim ve
test verileri tanıtıldıktan sonra test sonuçları yine
aynı arayüz üzerinden görüntülenip grafiksel
değerlendirmeler yapılabilir.
E
H
Detektör Kümesine
Ekle
Detektör Kümesi
Test Kümesi
Anormal Durum
Şekil 8. Gerçekleştirilen yazılımın arayüzü
Eşleşme var
mı?
Test
Aşaması
E
Kesici takım aşınmalarının belirlenmesi için
ilk aşama, Şekil 9'daki gibi gerçekleştirilen
sisteme eğitim ve test titreşim verilerini
yüklenmesidir.
H
Anormal Durum Yok
Şekil 7. Negatif seçim algoritması
Yukarıda
gösterilen
algoritmasında;
negatif
seçim
i. İlk aşama eğitim kümesi / öz hücrelerin
belirlenmesidir
ii. Öz hücreler belirlendikten sonra, rastgele bir
şekilde aday detektörler üretilir
iii. Üretilen bu aday detektörlerden öz hücreler ile
eşleşenler aday detektör kümesinden çıkarılır.
Eşleşmeyenler ise detektör kümesine atılarak eğitim
aşaması gerçekleştirilir
iv. Test aşamasındaki ilk aşama test kümesi / öz
olmayan hücrelerin oluşturulmasıdır.Bu aşamada
oluşturulan detektör kümesindeki her bir eleman,
test kümesindeki her bir eleman eşleşme olduğunda
anormal durum olduğu, eşleşme olmadığı
durumunda ise normal durum olduğu tespit edilir.
v. Son aşamada da test aşamasının sonuçları
gösterilir.
Şekil 9. Eğitim ve test verilerinin yüklenmesi
Bu aşamada CNC takımdan ilk alınan titreşim
verileri eğitim verilerini, diğerleri ise test
verşlerini tanımlar. Bu çalışmada eğitim ve test
verileri için veri boyutu 250 olarak belirlenmiştir.
Eğitim ve test verileri belirlendikten sonraki
diğer aşama ise eşik değeri, üretilecek detektör
sayısı, döngü sayısı gibi yapay bağışıklık
parametrelerinin belirlenmesidir. Bu çalışmada
yazılım belirlenen parametreler Şekil 10' da
gösterilmiştir.
Yazılımda kesici takımların titreşim verilerinin
incelenmesi sırasında oluşan aktifleşen detektörler
aşınmaları belirleyen ana unsurdur. Aktifleşen
detektörler ayrıca titreşim sinyallerinin zaman
adımlarında hata olduğunu da göstermektedir.
Şekil 12' de aktifleşen detektörler ve hangi aman
adımlarında oluştuğu gösterilmiştir.
Şekil 12. Aktifleşen detektörler ve hangi zaman
adımlarında aktifleştiğinin bilgisi
Şekil 10. YBS parametrelerinin belirlenmesi
YBS parametreleri belirlendikten sonra daha
önceden ayarlanmış olan eğitim ve test verilerine
göre kesici takımda oluşmuş olan aşınma yazılım
tarafından bulunur. Takımda oluşan aşınma
titreşim verilerinde oluşan hata yüzdesi ve bu
aşamada gerçekleşen aktifleşen detektör sayısına
göre belirlenir. Bu çalışma için kesici takımda
oluşan aşınmasını belirlenmesi için yazılımın
çalışması sonucu oluşan arayüz Şekil 11' deki gibi
olmaktadır.
Şekil 11. Kesici takım aşınmalarının belirlenmesi
CNC takım tezgahından alınmış olan 5 farklı
zamana ait titreşim verileri, yazılımda aktifleşen
detektör ve hata yüzdesindeki artışa bakılarak,
incelendiğinde kesici takımda oluşan aşınmanın
arttığı kolaylıkla söylenebilir. Kesici takım
titreşimlerinde oluşan aktifleşen detektörler ve
hata yüzdeleri Tablo 1'de gösterilmiştir.
Tablo
1.Kesici
takım titreşimlerinde oluşan
aktifleşen detektörler ve hata yüzdeleri
Titreşim
Verisi
Aktifleşen
Detektör Sayısı
Hata
Yüzdesi(%)
Data1
Data2
Data3
Data4
Data5
9
15
28
32
73
62.8
65.2
66.4
68.4
74
Bu çalışmada kullanılan CNC torna tezgahında
kullanılan kesici takımlarda oluşan aşınmaların
belirlenmesi için kullanılan titreşim verileri farklı
zamanlarda alınmıştır. Gerçekleştirilen yazılım ile
titreşim verileri incelendiğinde kesici takımda
aşınma arttığı zaman oluşan titreşimde
artmaktadır. Bu durumda YBS yazılımında
aktifleşen detektör ve bulunan hata yüzdesinde bir
artışa neden olmaktadır.Titreşim verilerinin bu
davranışı incelenerek YBS ile kesici uçlarda
oluşan aşınmanın seviyesi kolay bir şekilde
belirlenebilmektedir. Şekil 13' deki grafikten de
Aktifleşen Detektör Sayısı
görüldüğü gibi kesici takımdan belli zaman
aralıklarında sırasıyla Data1, Data2, Data3, Data4
ve Data5 titreşim verileri içeren örnekler
alınmıştır.
80
70
60
50
40
30
20
10
0
[2]
[3]
[4]
Data1 Data2 Data3 Data4 Data5
Titreşim verileri
[5]
Şekil 13. Aktifleşen detektör sayıları
Bu titreşim datalarının YBS tabanlı yazılım ile
analizi sonucunda her bir adımda aktifleşen
detektör sayısının belli oranda arttığı görülmüştür.
Ayrıca eğitim ve test verileri arasında bir
inceleme yapıldığında alınan titreşim verilerinin
ortalama değerinde bir artış olmuştur. Literatürde
bu durum "bir kesici takımda, kesici uçta aşınma
arttığı zaman titreşim de artar[1]" şeklinde
verilmiştir. Ancak burada aşınmanın seviyesine
ve miktarına hakkında titreşim verilerindeki
genlik değerindeki değişim ile karar verilemez.
Ancak bunu öğrenebilen bir algoritma kullanan
yazılım ile yapmak mümkündür. Bu çalışmada da
bu yönde bir yazılım gerçekleştirilmiştir. Bu
yazılım sonuçları incelendiğinde titreşim arttıkça
YBS' de aktifleşen detektör sayısı da artmaktadır.
Aktifleşen bu detektör sayısına göre kesici uçta
aşınmanın da arttığı söylenebilir.
[6]
[7]
[8]
[9]
4. Sonuçlar
Bu çalışmada kullanılan CNC torna tezgahında
kullanılan kesici takımlarda oluşan aşınmaların
belirlenmesi için kullanılan titreşim verileri farklı
zamanlarda alınmıştır. Gerçekleştirilen yazılım ile
titreşim verileri incelendiğinde kesici takımda
aşınma arttığı zaman oluşan titreşimde
artmaktadır. Bu durumda YBS yazılımında
aktifleşen detektör ve bulunan hata yüzdesinde bir
artışa neden olmaktadır.Titreşim verilerinin bu
davranışı incelenerek YBS ile kesici uçlarda
oluşan aşınmanın seviyesi kolay bir şekilde
belirlenebilmektedir. Daha sonraki çalışmalarda
kesici uçlardaki aşınma seviyeleri sınıflandırma
algoritmaları ile seviyelerine ayrılıp başarım
analizi yapılabilir.
5. Kaynaklar
[1] O. Güngör, Kesici Takım Titreşimlerinin Gerçek
Zamanlı İzlenmesi, Yüksek Lisans Tezi, Süleyman
Demirel Üniversitesi, Fen Bilimleri Enstitüsü
[10]
[11]
[12]
[13]
[14]
Elektronik Bilgisayar Eğitimi Ana Bilim Dalı,
2010.
A. Çini, İnconel 718 Malzemesinin Tornalama
İşleminde Yüksek Basınçlı Jet Soğutmanın Yüzey
Pürüzlülüğü ve Kesme Kuvvetlerine Etkisi,
Yüksek Lisans Tezi, Afyon Kocatepe Üniversitesi,
Fen Bilimleri Enstitüsü Makine Eğitimi Ana Bilim
Dalı, 2010.
Y. Altıntaş and M. Eyniyan, “Chatter Stability of
General Turning Operations with Process
Damping”, Journal of Manufacturing and
Engineering, 2009, s. 5-8.
Y. Işık, “Talaşlı İmalatta On-Line Takım Durumu
İzleme
Yöntemleri”,
Uludağ
Üniversitesi
Mühendislik-Mimarlık Fakültesi Dergisi, 9(1),
2004, s. 91-101.
U. Özdemir ve M. Erten, “Talaşlı İmalat Sırasında
Kesici
Takımda
Meydana
Gelen
Hasar
Mekanizmaları ve Takım Hasarını Azaltma
Yöntemleri”, Havacılık ve Uzay Teknolojileri
Dergisi, (1)1, 2003, s. 37-50.
R. Teti, K.Jemielniak, G. O’Donnel and D
Dornfeld, Advanced Monitoring of Machining
Operations. Journal of Manufacturing Science and
Engineering, 59, 2010,s. 717-739.
E. Hamamcı, Frezeleme İşlemlerinde Takım
Ömrünün Akustik Emisyon Sinyalleri ile Akıllı
Yöntemler Kullanılarak Belirlenmesi, Yüksek
Lisans Tezi, Süleyman Demirel Üniversitesi Fen
Bilimleri Enstitüsü Makine Eğitimi Anabilim Dalı,
2004.
M. Sönmez, , E.M. Ertunç ve C. Karakuzu, “Kesici
Takım Aşınma Durumunun Yapay Sinir Ağı
Kullanarak Belirlenmesi”, Elektrik-ElektronikBilgisayar Mühendisliği Sempozyumu, 2002,s.
197-201.
T., Kıvak, K., Habalı ve U. Şeker, “İnconel 718’in
Delinmesinde Kesme Parametrelerinin Yüzey
Pürüzlülüğü ve Talaş Oluşumu Üzerindeki
Etkisinin Araştırılması”, Gazi Üniversitesi
Mühendislik Mimarlık Fakültesi Dergisi, 2010, s.
293-295.
E. Duman ve E. Akın, “Yapay Bağışıklık Sistemi
ile
Bulanık
Yaklaştırıcı
Kural
Tabanı
Optimizasyonu”, Elektrik Elektronik ve Bilgisayar
Sempozyumu 2006(ELECO06), 2006, s. 1-4.
E. Dandıl, Yapay Bağışıklık ile Asenkron Motor
Hata Teşhisi, Yüksek Lisans Tezi, Süleyman
Demirel Üniversitesi, Fen Bilimleri Enstitüsü
Elektronik Bilgisayar Eğitimi Ana Bilim Dalı,
2010.
B. Alataş, İ Aydın ve E. Akın, “Asenkron
Motorların Hata Teşhisinde Yapay Bağışıklık
Sistemi Yaklaşımı. II. Mühendislik Bilimleri Genç
Araştırmacıları Kongresi”, 2005, s. 76-85.
L. N. De Castro and J. Timmis,. Artificial Immune
Systems: A New Computational Intelligence
Approach, Springer-Verlag, 2002.
S. Forrest, A. S Perelson, L. Allen and R.
Cherukuri, “Self-Nonself Discrimination in a
Computer”, In Proceedings of the IEEE
Symposium on Research in Security and Privacy,
IEEE Computer Society Press, 1994, s. 202-212.