Abstract
Metaller, modern zamanların en önemli yapı malzemelerinden biridir. Özellikle yassı metal sacın üretim ve işleme süreci oldukça hassastır. Üretim sürecinin kontrolü sadece ara ürünlerin değil, aynı zamanda son ürünlerinde kalitesini etkiler. Çelik levha yüzeylerinde oluşan hataların erken tespiti, endüstriyel üretimde önemli bir görevdir. Geleneksel olarak süreç kontrolü ve hata tespiti uzman kişiler tarafından manuel olarak yapılmaktadır. Ancak bu yöntem hem zaman hem de maliyet açısından uygun değildir. Sanayi devrimi IR 4.0 ile ürünlerde hata tespit problemlerini çözmek için makine öğrenimi (ML) teknikleri geliştirilmiştir. Bu çalışma, çelik yüzeyde üretim esnasında oluşabilecek altı farklı hata sınıfının tespiti için temel makine öğrenme yöntemleri geliştirmeye odaklanmıştır. Sınıflandırma problemi için beş standart ML modeli: LD, KNN, DT, SVM, RF ve bir derin öğrenme (DNN) modeli: tek boyutlu DNN geliştirilmiştir. Deneysel veri seti olarak UCI çelik plaka deformasyon veri seti kullanılmıştır. Yöntemlerin başarısını tespit etmek için beş performans kriteri: Doğruluk, Duyarlılık, Özgüllük, Kesinlik, F1 değeri kullanılmıştır. LD, KNN, DT, SVM, RF ve DNN sınıflandırma yöntemlerinin başarı oranları sırasıyla 90.136%, 91.780%, 93.013%, 93.287%, 95.479%, 96.986% olarak elde edilmiştir. Sonuçlar, makina öğrenmesi yaklaşımının çelik levha arıza teşhis problemindeki önemli etkisini gösterilmiştir.
Publisher
Duzce Universitesi Bilim ve Teknoloji Dergisi
Reference25 articles.
1. [1] S.M. Halawani, "A study of decision tree ensembles and feature selection for steel plates faults detection", International Journal of Technical Research and Applications, vol. 2, no. 4, pp. 127–131, 2014.
2. [2] K. Rajan, "Materials informatics". Materials Today, vol. 8, no.10, pp. 38–45, 2005. https://doi.org/10.1016/S1369-7021(05)71123-8
3. [3] A. Kelly, K.M. Knowles, "Crystallography and crystal defects: second edition", John Wiley & Sons, Ltd., ISBN:9780470750155, 2012. https://doi.org/10.1002/9781119961468
4. [4] A. Abdullahi, N.A. Samsudin, M.R. Ibrahim, M.S. Aripin, S.K.A. Khalid, Z.A. Othman, "Towards IR4.0 implementation in e-manufacturing: Artificial intelligence application in steel plate fault detection", Indonesian Journal of Electrical Engineering and Computer Science, vol.20, no.1, pp. 430–436, 2020. https://doi.org/10.11591/ijeecs.v20.i1.pp430-436
5. [5] T. Nkonyana, Y. Sun, B. Twala, E. Dogo, "Performance evaluation of data mining techniques in steel manufacturing industry", Procedia Manufacturing, vol. 35, pp. 623–628, 2019. https://doi.org/10.1016/j.promfg.2019.06.004
Cited by
3 articles.
订阅此论文施引文献
订阅此论文施引文献,注册后可以免费订阅5篇论文的施引文献,订阅后可以查看论文全部施引文献