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.