Galvaniz kaplama kalitesini etkileyen parametrelerin yapay sinir ağları ile analiz edilerek hatalı ürünlerin minimuma indirgenmesi ve bir uygulama

Abstract

Çinko (Zn) galvaniz prosesinde en önemli maliyet kalemlerinden biridir. Bu nedenle, ürün kalitesini korurken tüketilen çinko miktarını azaltmak şirketler için hayati önem taşımaktadır. Bu çalışmanın amacı, ürüne galvanizleme işlemi yapılmadan önce galvaniz kaplama kalınlığını tahmin ederek üründe oluşacak hataların önüne geçilmesi ve hurdaya ayrılmasını önlemektir. Galvaniz kaplama kalınlığını etkileyen parametreleri tespit edebilmek amacıyla Pareto Analizi, Beyin Fırtınası ve Balık kılçığı (neden-sonuç) diyagramları kullanılmıştır. Bu analiz sonucunda 18 giriş parametresi ve 1 çıkış parametresi (kaplama kalınlığı) belirlenmiştir. Problemin çözümünde MATLAB paket program ile farklı yapay sinir ağı mimarileri karşılaştırılmış ve optimal sonucu veren mimari tespit edilmiştir. Ayrıca yapay sinir ağı C++ ile kodlanarak farklı bir çözüm aracı elde edilmesi tez kapsamında çalışılmıştır. MATLAB ile elde edilen optimal yapay sinir ağı mimarisi tahminleri gerçek veriler ile karşılaştırıldığında minimum sapmayla galvaniz kaplama kalınlığının tahmin edilebileceğini ortaya koymuştur.

Zinc (Zn) is one of the most important cost items in the galvanization process. Therefore, it is vital for companies to reduce the amount of zinc consumed while maintaining product quality. The purpose of this study is to estimate the thickness of the galvanized coating before the galvanizing process and prevent the defects that will occur in the product and prevent it from being scrapped. Pareto Analysis, Brainstorming and Fishbone (cause and effect) diagrams were used to determine the parameters affecting the galvanized coating thickness. As a result of this analysis, 18 input parameters and 1 output parameter (coating thickness) were determined. In solving the problem, different artificial neural network architectures were compared with the MATLAB package program and the architecture that gave the optimal result was determined. In addition, obtaining a different solution tool by coding with artificial neural network C was studied within the scope of the thesis. The optimal artificial neural network architecture estimates obtained with MATLAB revealed that the galvanized coating thickness can be estimated with minimum deviation compared to the real data.