Sac metal çatlaklarının evrişimli yapay sinir ağları ile tespit edilmesi (ESA)

Yıl 2023, , 153 - 162, 21.06.2022

İlhan Çekiç , Kadir Çavdar

https://doi.org/10.17341/gazimmfd.873479

Cited By: 2

Öz

Bu çalışmada, özellikle sac metal şekillendiren firmaların, en önemli konularından biri olan sac metal yırtık tanımlama ve yakalama konusu araştırılmıştır. Sac yırtıklar seri imalatta frekansiyel olarak görülmesine karşın, araç ıskartalarına neden olduğu için etki derecesi ve maliyeti yüksektir. Bunu yapabilmek için, 0,6-3 mm kalınlık aralığında saclarda, sahada 490 adet farklı sac üzerinde yırtık denemeleri yapılarak, sac yırtık resim datası kütüphanesi oluşturulmuştur. Ayrıca 121 adet de yırtık olmayan “ok” parça da kütüphaneye dahil edilmiştir. Üstün özellik çıkarma yeteneği nedeniyle evrişimli sinir ağı (ESA), akıllı hata teşhisi alanında geniş çapta araştırılmış ve uygulanmış ve diğer geleneksel makine öğrenme yöntemlerine kıyasla üstün performans kazanmıştır. Daha sonra sac yırtık verisi ve yırtık olmayan parça verileri, eğitim ve test verisi olarak bölünerek ve farklı parametreler ile optimize edilerek, sistemin doğruluk değerleri test edilmiştir. Burada %98,5 doğruluk ve %90 doğrulama kesinliği gibi çok yüksek doğruluk oranlarına ulaşılmıştır. Bu durum, hem hatalara ait resim kütüphanemizin hem de modelimizin güvenilirliği hakkında bilgi vermektedir. Araştırma sonuçları, seri imalat uygulamalarında çok önemli olan, sac yırtık hatalarının tespiti ve yakalanması adına temel oluşturacağı için önemlidir.

Anahtar Kelimeler

Evrişimli sinir ağları, sac metal yırtık, derin öğrenme

Kaynakça

• 1. Gedney R., Sheet metal formability, Advanced Materials & Processes, 160(8), 2002.
• 2. Paul K.S., Manikandan G., Verma K. R., Prediction of entire forming limit diagram from simple tensile material properties, The Journal of Strain Analysis for Engineering Design, 48: 386, 2013.
• 3. Dixon S., Burrows S.E., Dutton B., Fan Y., Detection of cracks in metal sheets using pulsed laser generated ultrasound and EMAT detection, Ultrasonics, 51, 7–16, 2011.
• 4. Jin L., Yang Q., Liu S., Zhang C., Li P., Electromagnetic stimulation of the acoustic emission for fatigue crack detection of the sheet metal, IEEE Transactions on Applied Applied Superconductivity, 20(3), 1848 – 1851, 2010.
• 5. Affronti E. , Jaremenko C., Merklein M., Maier A., Analysis of forming limits in sheet metal forming with pattern recognition methods. part 1: characterization of onset of necking and expert evaluation, Materials, 11(9),1495, 2018.
• 6. Jawale K., José Ferreira Duarte J.F., Reisa A., Silva M.B., Characterizing fracture forming limit and shear fracture forming limit for sheet metals, Journal of Materials Processing Tech., 255, 886–897, 2018.
• 7. Dizajia S.A.,Darendelilerb H., Kaftanoğlu B., Prediction of forming limit curve at fracture for sheet metal using new ductile fracture criterion, European Journal of Mechanics, 69, 255–265, 2018.
• 8. Dastjerdi M.H., Rubesam M., Ruter D., Himmel J., Kanoun O., Non destructive testing for cracks in cracks in perforated sheet, 8th International Multi-Conference on Systems, Signals & Devices, Sousse- Tunisia, 22-25 March, 1-5, 2011.
• 9. Xue F., Li F., Li J., He M., Yuan Z., Ruiting Wanga, Numerical modeling crack propagation of sheet metal forming based on stress state parameters using XFEM method, Computational Materials Science, 69, 311–326, 2013.
• 10. Han H., Wang H., Liu Z., Hao Y., An intelligence fault diagnosis approach for rolling bearings based on non-local convolutional Neural Network, Asia-Pacific International Symposium on Advanced Reliability and Maintenance Modeling (APARM), Vancouver-Canada, 20-23 Aug, 2020.
• 11. Ramdani A., Virgono A., Setianingsih C., Food detection with image processing using convolutional neural network (CNN) , The IEEE International Conference on Industry 4.0, Artificial Intelligence and Communications Technology (IAICT), Orlando-America, 7-8 July, 2020.
• 12. Kim Y., Hwang I., Cho N.I., A New Convolutional Network-in-Network Structure and Its Applications in Skin Detection, Semantic Segmentation and Artifact Reduction, arXiv:1701.06190v1, 2017.
• 13. Lazizah L.M., Umayah S.F., Riyadi S., Damarjati C., Utama N.A., Deep learning implementation using convolutional neural network in mangosteen surface defect detection, 7th IEEE International Conference on Control System, Computing and Engineering (ICCSCE), Penang-Malaysia ,242-246, 24–26 November 2017, 2017.
• 14. Wu J., National Key Lab for Novel Software Technology Nanjing University, China, 2017.
• 15. Multi-Layer Neural Networks with Sigmoid Function. https://towardsdatascience.com/multi-layer-neural-networks-with-sigmoid-function-deep-learning-for-rookies-2-bf464f09eb7f, Yayın tarihi Temmuz 7, 2017. Erişim tarihi Aralık 9, 2020.
• 16. VGG in TensorFlow. https://www.cs.toronto.edu/~frossard/post/vgg16/Yayın tarihi Mayıs 17, 2016. Erişim tarihi Aralık 9, 2020.
• 17. Khalajzadeh H., Mansouri M., Mohammad Teshnehlab M., Face Recognition using Convolutional Neural Network and Simple Logistic Classifier, Online Conference on Soft Computing in Industrial Applications Anywhere on Earth, December 10-21, 2012.
• 18. Dandıl E., Polattimur R., Daha hızlı bölgesel evrişimsel sinir ağları ile köpek davranışlarının tanınması ve takibi, Journal of the Faculty of Engineering and Architecture of Gazi University, 35(2), 819-834, 2019.
• 19. Özcan H.K., Şahin Ü., Bayat C., Uçan O.N., İstanbul İli Tropsoferik Ozon(O3) konsantrasyonlarının hücresel yapay sinir ağ yöntemiyle modellenmesi, Journal of the Faculty of Engineering and Architecture of Gazi University, 21 (2), 239-245, 2006.
• 20. Yıldız T., Sönmez E.B., Berk D.Y. , Demir A.E., Türkçe dilinde görüntü altyazısı: Veritabanı ve model, Journal of the Faculty of Engineering and Architecture of Gazi University, 35(4) , 2089-2100, 2020.
• 21. Özcan T. , Baştürk A., ERUSLR: Yeni bir Türkçe işaret dili veri seti ve hiper parametre optimizasyonu destekli evrişimli sinir ağı ile tanınması , Journal of the Faculty of Engineering and Architecture of Gazi University, 36(1), 527-542, 2021.
• 22. Zeynep Hilal Kilimci, Borsa tahmini için Derin Topluluk Modelleri (DTM) ile finansal duygu Analizi , Journal of the Faculty of Engineering and Architecture of Gazi University, 35(2), 635-650, 2020.
• 23. İnik Ö., Ülker E., Derin Öğrenme ve Görüntü Analizinde Kullanılan Derin Öğrenme Modelleri, Gaziosmanpasa Journal of Scientific Research, 6(3), 85-104, 2017.