Tornalanma işleminde kesme sıcaklıklarının makine öğrenmesi yolu ile tahmin edilmesi
[ X ]
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Kırıkkale Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
İşlenmesi zor malzemelerden parça üretilmesinde karşılaşılan olumsuzluklar, talaşlı imalat gibi geleneksel işleme yöntemlerinde yeni arayışlara gidilmesine sebep olmuştur. İşlenmesi zor malzemeleri işleyebilmek ve üretimde verimliliği artırmak için yeni teknolojilerle üretilmiş ileri kesici takımlarla çalışılması, minimum miktarda yağlama ve kriyojenik soğutma gibi yeni tekniklerin kullanıldığı soğutma-yağlama sistemlerinin ve ön ısıtmalı işleme gibi yöntemlerin kullanımı her geçen gün daha fazla tercih sebebi olmaktadır. Özellikle otonom sistemlerin, karanlık fabrikaların yer aldığı dijital imalat uygulamalarının giderek yaygınlaştığı görülmektedir. Önümüzdeki dönemlerde bu otomatik sistemlere entegre olarak çalışacak uygun işleme sıcaklığını tespit edecek, gerekirse ısıtma gerekirse soğutma-yağlama yapacak sistemler için veri alt yapısına ihtiyaç duyulacaktır. Bu çalışmada, malzemelerin talaşlı imalat yöntemleriyle işlenmesini kolaylaştırmak için kesme kuvvetini minimum yapan kesme bölgesindeki sıcaklıklar makine öğrenmesi ile tahmin edilmiştir. Makine öğrenmesi için gerekli veri seti 16MnCr5 çeliği kullanılarak yapılan kuru tornalama deneyleri esnasında, en düşük kesme kuvveti değerlerinin ölçüldüğü deney parametreleri ile sıcaklık değerlerinden oluşmaktadır. Çalışmanın sonucunda, veri seti baz alınarak istenilen değerlerde kesme hızı, ilerleme hızı, kesme derinliği, malzeme ve kesici takım parametreleri modele girilerek, kesme bölgesindeki sıcaklık tahmin edilmiştir. Tahmin edilen sıcaklık ile işleme öncesinde uygun ortam koşulları sağlanarak deneye başlanacağı için takım ve iş parçası aşınmasının, kesme kuvvetinin, yüzey pürüzlülüğünün, kesme sıvısı tüketiminin azaltılması sağlanarak enerjiden, maliyetten ve zamandan tasarruf edilmiş olacaktır.
The negativities encountered in the production of parts from difficult-to-machine materials have led to new researches in traditional machining methods such as machining. In order to process difficult-to-machine materials and increase efficiency in production, working with advanced cutting tools produced with new technologies, the use of cooling-lubrication systems using new techniques such as minimum amount of lubrication and cryogenic cooling, and methods such as preheated processing are increasingly preferred. In particular, it is seen that digital manufacturing applications involving autonomous systems and dark factories are becoming more and more common. In the coming periods, a data infrastructure will be needed for systems that will work in integration with these automatic systems, determine the appropriate processing temperature, heat if necessary, cooling-lubrication if necessary. In this study, the temperatures in the cutting zone, which minimizes the cutting force, were estimated by machine learning in order to facilitate the machining of materials with machining methods. The data set required for machine learning consists of the experiment parameters and temperature values in which the lowest shear force values are measured during dry turning experiments using 16MnCr5 steel. As a result of the study, the temperature in the cutting zone was estimated by entering the cutting speed, feed rate, cutting depth, material and cutting tool parameters into the model at the desired values based on the data set. Since the experiment will be started by providing suitable ambient conditions before machining with the estimated temperature, energy, cost and time will be saved by reducing tool and workpiece wear, cutting force, surface roughness, and coolant consumption.
The negativities encountered in the production of parts from difficult-to-machine materials have led to new researches in traditional machining methods such as machining. In order to process difficult-to-machine materials and increase efficiency in production, working with advanced cutting tools produced with new technologies, the use of cooling-lubrication systems using new techniques such as minimum amount of lubrication and cryogenic cooling, and methods such as preheated processing are increasingly preferred. In particular, it is seen that digital manufacturing applications involving autonomous systems and dark factories are becoming more and more common. In the coming periods, a data infrastructure will be needed for systems that will work in integration with these automatic systems, determine the appropriate processing temperature, heat if necessary, cooling-lubrication if necessary. In this study, the temperatures in the cutting zone, which minimizes the cutting force, were estimated by machine learning in order to facilitate the machining of materials with machining methods. The data set required for machine learning consists of the experiment parameters and temperature values in which the lowest shear force values are measured during dry turning experiments using 16MnCr5 steel. As a result of the study, the temperature in the cutting zone was estimated by entering the cutting speed, feed rate, cutting depth, material and cutting tool parameters into the model at the desired values based on the data set. Since the experiment will be started by providing suitable ambient conditions before machining with the estimated temperature, energy, cost and time will be saved by reducing tool and workpiece wear, cutting force, surface roughness, and coolant consumption.
Açıklama
Fen Bilimleri Enstitüsü, Makine Mühendisliği Ana Bilim Dalı, Makine Mühendisliği Bilim Dalı
Anahtar Kelimeler
Makine Mühendisliği, Mechanical Engineering
