Classification of Vibration Data from Brownfield Milling Machines Using Machine Learning

Year 2025, Volume: 8 Issue: 2, 7 - 8

Rasim Çekik , Abdullah Turan

https://doi.org/10.34248/bsengineering.1583610

Abstract

This study aims to classify vibration data obtained from old CNC milling (brownfield) machines used in industrial production processes with machine learning algorithms. The analysis of data obtained from such machines is of critical importance in order to increase the efficiency of old production machines and optimize production processes. In the study, vibration data collected from three different CNC machines under real production conditions for two years were used. The collected data were analyzed with various machine learning algorithms, especially overlearning techniques, and the performances of these algorithms were compared. The results showed that the proposed machine learning methods can classify the information obtained from vibration data with high accuracy rates. The algorithms used provided an effective solution for early detection of tool wear, operational errors and other production problems caused by vibration, thus enabling more efficient management of production processes. The study presents an innovative method for modernizing old machines in particular within the framework of Industry 4.0, and provides important practical contributions in terms of improving industrial processes, optimizing maintenance processes and increasing overall efficiency.

Keywords

CNC machines, vibration, machine learning, extreme learning, classification.

Ethical Statement

Since this study did not involve any studies on animals or humans, ethics committee approval was not obtained.

Classification of Vibration Data from Brownfield Milling Machines Using Machine Learning

Abstract

Bu çalışma, endüstriyel üretim süreçlerinde kullanılan eski CNC freze (kahverengi saha) makinelerinden elde edilen titreşim verilerini makine öğrenimi algoritmaları ile sınıflandırmayı amaçlamaktadır. Bu tür makinelerden elde edilen verilerin analizi, eski üretim makinelerinin verimliliğini artırmak ve üretim süreçlerini optimize etmek için kritik öneme sahiptir. Çalışmada, gerçek üretim koşulları altında iki yıl boyunca üç farklı CNC makinesinden toplanan titreşim verileri kullanılmıştır. Toplanan veriler, özellikle aşırı öğrenme teknikleri olmak üzere çeşitli makine öğrenimi algoritmaları ile analiz edilmiş ve bu algoritmaların performansları karşılaştırılmıştır. Sonuçlar, önerilen makine öğrenimi yöntemlerinin titreşim verilerinden elde edilen bilgileri yüksek doğruluk oranlarıyla sınıflandırabildiğini göstermiştir. Kullanılan algoritmalar, titreşim kaynaklı takım aşınması, operasyonel hatalar ve diğer üretim sorunlarının erken tespiti için etkili bir çözüm sağlamış ve böylece üretim süreçlerinin daha verimli bir şekilde yönetilmesine olanak tanımıştır. Çalışma, özellikle Endüstri 4.0 çerçevesinde eski makinelerin modernize edilmesi için yenilikçi bir yöntem sunmakta ve endüstriyel süreçlerin iyileştirilmesi, bakım süreçlerinin optimize edilmesi ve genel verimliliğin artırılması açısından önemli pratik katkılar sağlamaktadır.

Keywords

CNC makineler, Titreşim, Makine öğrenme, Aşırı öğrenme, Sınıflandırma.

References

• Anonymous. 2020. Retrieved from bosch connected devices and solutions GmbH. URL: https://www.bosch-connectivity.com/%0Amedia/downloads/ciss/ciss_datasheet.pdf (accessed date: 23 September 2024).
• Hesser DF, Markert B. 2019. Tool wear monitoring of a retrofitted CNC milling machine using artificial neural networks. Manuf Lett, 19: 1-4.