<link rel="stylesheet" href="styles.f3b1fba60ec7970c.css">

CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI

Basit Öğe Kaydı
dc.contributor.authorAkcan
dc.contributor.authorEyyüp
dc.contributor.authorGültekın
dc.contributor.authorMehmet Sah
dc.date.accessioned2026-10-23T18:09:50Z
dc.date.available2026-10-23T18:09:50Z
dc.date.issued2026
dc.departmentSiirt Üniversitesi
dc.description.abstractCNC tezgâhlarda meydana gelen mekanik arızalar
dc.description.abstractüretim kalitesinde düşüşe ve plansız duruşlar nedeniyle işletme maliyetlerinde ciddi artışlara yol açmaktadır. Bu çalışmada
dc.description.abstractCNC tezgâhlardan elde edilen çok eksenli doğrusal ve açısal titreşim verileri kullanılarak makine öğrenmesi tabanlı bir arıza tespit sistemi geliştirilmiştir. Toplam 1751 gözlemden oluşan veri setinde altı farklı titreşim bileşeni (linear_x
dc.description.abstracty
dc.description.abstractz ve rotational_x
dc.description.abstracty
dc.description.abstractz) analiz edilmiş; veri ön işleme aşamasında aykırı değer analizi ve normalizasyon uygulanmıştır. Sınıflandırma sürecinde Lojistik Regresyon ve Rastgele Orman (Random Forest) algoritmaları kullanılmış; modellerin performansı doğruluk
dc.description.abstracthassasiyet
dc.description.abstractduyarlılık
dc.description.abstractF1-skoru ve ROC-AUC metrikleri ile değerlendirilmiştir. Elde edilen bulgular
dc.description.abstractçok eksenli titreşim verilerinin arıza tespitinde etkili olduğunu göstermiştir. Özellikle \"Average\" ve \"rotational_y\" bileşenlerinin sınıflandırma başarısında en yüksek ayırt edici güce sahip olduğu belirlenmiştir. Karşılaştırmalı analizler sonucunda
dc.description.abstractRastgele Orman algoritması tüm performans metriklerinde ve 5-katlı çapraz doğrulama testlerinde yüksek başarı sağlayarak veri seti üzerinde hatasız sınıflandırma gerçekleştirmiştir. Lojistik Regresyon modeli ise %98
dc.description.abstract29 doğruluk oranı ile güçlü performans sunmuştur. Bu çalışma
dc.description.abstractCNC sistemlerinde titreşim verisine dayalı makine öğrenmesi yaklaşımlarının kestirimci bakım stratejilerine entegre edilerek üretim sürekliliğini artırabileceğini ve bakım maliyetlerini azaltabileceğini ortaya koymaktadır.
dc.identifier.doi10.17780/ksujes.1893408
dc.identifier.endpage876
dc.identifier.issn1309-1751
dc.identifier.issue2
dc.identifier.startpage862
dc.identifier.trdizinid1421069
dc.identifier.urihttps://doi.org/10.17780/ksujes.1893408
dc.identifier.urihttps://search.trdizin.gov.tr/tr/yayin/detay/1421069
dc.identifier.urihttps://hdl.handle.net/20.500.12604/11739
dc.identifier.volume29
dc.indekslendigikaynakTR-Dizin
dc.language.isotr
dc.relation.ispartofKSÜ Mühendislik Bilimleri Dergisi
dc.relation.publicationcategoryMakale - Ulusal Hakemli Dergi - Kurum Öğretim Elemanı
dc.rightsinfo:eu-repo/semantics/openAccess
dc.snmzKA_TR_20261017
dc.subjectMühendislik
dc.subjectMakine
dc.subjectBilgisayar Bilimleri
dc.subjectYapay Zeka
dc.titleCNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI
dc.typeArticle

Dosyalar

Koleksiyon

TR-Dizin İndeksli Yayınlar Koleksiyonu