Koşullu Çekişmeli Üretken Ağ Kullanarak Dengesiz Veriler ile Tornalama İşlemlerinde Tırlama Tespiti

Abstract

Tornalama, tarihteki en eski ve günümüzde de en sık kullanılan talaşlı imalat yöntemlerinden biridir. Tırlama kesici takım ve iş parçası arasındaki kuvvetler sebebiyle oluşan istenmeyen bir titreşim türüdür. Talaşlı imalatta karşılaşılan ve tezgâhlar için en yıkıcı titreşim türü olan tırlama titreşimleri, iş parçasına, kesici takıma ve tezgâhlara zarar verebilmektedir. Tornalamada akıllı veriye dayalı tırlama tespit yöntemlerindeki son gelişmelere rağmen, çoğu çalışmada farklı sınıf koşulları için dengeli eğitim veri setleri olduğu varsayılmaktadır. Bununla birlikte, tırlama görülen sinyallerin toplanması genellikle zor ve pahalıdır, bu durum dengesiz eğitim veri setlerine sebep olmaktadır. Bu tez kapsamında gerçek eğitim verilerine ek olarak dengesiz veri setlerindeki veri dengesizliğini gidermek için derin öğrenmeye dayalı bir tırlama tespit yöntemi önerilmektedir. Veri setlerindeki başta tırlama verisi olmak üzere veri eksikliğini gidermek amacı ile tırlama tespiti çalışmalarında ilk kez bir boyutlu koşullu çekişmeli üretken ağlar kullanılmıştır. Tornalama verileri kolayca sisteme entegre edilebilen bir sensör yardımı ile yapılmıştır. Deneyler kapsamında toplanan verilerdeki gürültü etkilerini gidermek için tırlama tespit çalışmaları kapsamında ilk defa CEEMDAN sinyal ayrıştırma algoritması kullanılmıştır. Farklı senaryolar halinde üretilen sentetik verilerin güvenilirliğini araştırılmıştır. Sonuçlar ışında üretilen sentetik verilerin ve CEEMDAN algoritmasının tırlama tespitine olan katkıları ortaya konulmuştur.

Turning is one of the oldest and most frequently used machining methods in history. Chatter is an undesirable type of vibration caused by the forces between the cutting tool and the work piece. Chatter vibrations, which are the most destructive vibration type for machines, can damage the work piece, cutting tool and machines during the machining process. Despite recent advances in smart data-driven chatter detection methods in turning, most studies assume balanced training datasets for different class conditions. However, chatter signals are often difficult and expensive to collect, resulting in unstable training datasets. In this thesis, in addition to real training data, a deep learning-based chatter detection method is proposed to eliminate data imbalance problems. For the first time, one-dimensional conditional generative adversarial networks are used in chatter detection in order to eliminate the lack of data in the datasets, especially the chatter data. Turning data is obtained with the help of a sensor that can be easily integrated into the system. The CEEMDAN decomposition algorithm is used for the first time within the scope of chatter detection studies in order to eliminate the noise effects in the data collected within the scope of the experiments. The reliability of synthetic data produced in different scenarios is investigated. In the light of the results, the contributions of the synthetic data and the CEEMDAN algorithm to the detection of chatter are presented.