Ανάπτυξη προβλεπτικών μοντέλων για την αποφυγή ελαττωμάτων κατά την παραγωγή μηχανολογικών τεμαχίων

Τσιοπανή, Νικολέττα; Tsiopani, Nikoletta

dc.contributor.author	Τσιοπανή, Νικολέττα	el
dc.contributor.author	Tsiopani, Nikoletta	en
dc.date.accessioned	2023-01-19T10:32:33Z
dc.date.available	2023-01-19T10:32:33Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56776
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.24474
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Τόρνευση	el
dc.subject	Σχεδιασμός πειραμάτων	el
dc.subject	Τεχνητά νευρωνικά δίκτυα	el
dc.subject	Ελαττώματα τόρνευσης	el
dc.subject	Προβλεπτικό μοντέλο	el
dc.subject	Turning	en
dc.subject	Design of experiments	en
dc.subject	Artificial neural networks	en
dc.subject	Turning defects	en
dc.subject	Ppredictive model	en
dc.title	Ανάπτυξη προβλεπτικών μοντέλων για την αποφυγή ελαττωμάτων κατά την παραγωγή μηχανολογικών τεμαχίων	el
dc.title	Development of predictive models for defect prevention in manufacturing of mechanical parts	en
dc.contributor.department	Τομέας Τεχνολογίας των Κατεργασιών	el
heal.type	bachelorThesis
heal.classification	Κατεργασίες	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-10-26
heal.abstract	Η κατεργασία της τόρνευσης είναι μία εκτενώς μελετημένη και χρησιμοποιούμενη κατεργασία στη βιομηχανία. Ωστόσο, κατά την παραγωγή μηχανολογικών τεμαχίων μέσω τόρνευσης, παρατηρούνται ορισμένα ελαττώματα, τόσο στα τεμάχια όσο και στο κοπτικό εργαλείο. Χαρακτηριστικά παραδείγματα αυτών των ελαττωμάτων είναι η κακή επιφανειακή τραχύτητα των τεμαχίων, οι διαστασιακές αποκλίσεις των τεμαχίων και η φθορά του κοπτικού εργαλείου. Σε πλήθος άρθρων ερευνώνται οι αιτίες εμφάνισης αυτών των ελαττωμάτων, με βασική αιτία να προκύπτει η κακή επιλογή των παραμέτρων κοπής. Στις παραμέτρους κοπής εντάσσονται το βάθος κοπής, η ταχύτητα κοπής και η πρόωση. Στη σύγχρονη έρευνα και βιομηχανία, αναπτύσσονται νέες μέθοδοι ανίχνευσης ελαττωμάτων, ανίχνευσης ανωμαλιών και ανάλυσης πρωταρχικού αιτίου, με χρήση μοντέλων μηχανικής μάθησης. Στην παρούσα εργασία, μελετάται η ανάπτυξη προβλεπτικών μοντέλων για την επιφανειακή τραχύτητα και τις διαστασιακές αποκλίσεις των κατεργασμένων τεμαχίων, στην κατεργασία της τόρνευσης, ώστε αυτά τα ελαττώματα να μπορούν να αποφευχθούν. Για τη συλλογή των απαραίτητων πειραματικών δεδομένων για την ανάπτυξη των μοντέλων μηχανικής μάθησης χρησιμοποιείται ο σχεδιασμός των πειραμάτων με τη μέθοδο Taguchi. Επιλέγονται ως μετρούμενα μεγέθη η τραχύτητα και η διαστασιακή απόκλιση του κατεργασμένου τεμαχίου, καθώς και η φθορά του κοπτικού εργαλείου, ενώ ως κύριοι παράγοντες το βάθος κοπής, η ταχύτητα κοπής και η πρόωση. Επιλέγονται τρία επίπεδα των κύριων παραγόντων, σύμφωνα με τις προτεινόμενες συνθήκες κοπής από τον κατασκευαστή του χρησιμοποιούμενου κοπτικού εργαλείου για το υλικό του τεμαχίου που υπόκειται σε κατεργασία. Ως ορθογώνιος πίνακας χρησιμοποιείται ο ορθογώνιος πίνακας L27, με αποτέλεσμα το πείραμα να είναι πλήρως παραγοντοποιημένο και να έχει τη μέγιστη δυνατή ανάλυση. Τελικά, πραγματοποιούνται οι 27 δοκιμές και λαμβάνονται όλες οι απαραίτητες μετρήσεις, οι οποίες καταγράφονται σε αρχείο excel. Για τα προβλεπτικά μοντέλα, επιλέγεται η ανάπτυξη τεχνητών νευρωνικών δικτύων. Το τεχνητό νευρωνικό δίκτυο είναι μέθοδος μηχανικής μάθησης που προσομοιάζει τη λειτουργία του δικτύου νευρώνων του ανθρώπινου εγκεφάλου. Εκπαιδεύται συνολικά μεγάλο πλήθος τεχνητών νευρωνικών δικτύων σε περιβάλλον MATLAB, για τον εντοπισμό αυτού που προσφέρει την καλύτερη απόδοση, για την επιφανειακή τραχύτητα και για τις διαστασιακές αποκλίσεις, αντίστοιχα. Στο δίκτυο εισάγονται σε κάθε περίπτωση οι τρεις παράμετροι κοπής (δεδομένα εισόδου) και ως έξοδος αναμένεται το είδος της τραχύτητας (καλή ή κακή) ή το είδος της διαστασιακής απόκλισης (αποδεκτή ή μη αποδεκτή). Επομένως, το πρόβλημα αντιμετωπίζεται ως πρόβλημα ταξινόμησης. Οι παράμετροι που διερευνώνται είναι ο τρόπος εισόδου των παραμέτρων κοπής στο δίκτυο, είτε ως πρωτογενή δεδομένα είτε με τη μορφή των επιπέδων από το σχεδιασμό των πειραμάτων, και η αρχιτεκτονική του δικτύου. Για την αξιολόγηση των μοντέλων χρησιμοποιείται πίνακας σύγχυσης, από τον οποίο υπολογίζονται οι μετρικές αξιολόγησης ακρίβεια-ορθότητα (accuracy), ακρίβεια (presicion) και ανάκληση (recall). Τελικά, και για τα δύο μοντέλα αποφασίζεται ότι μεγαλύτερη συνέπεια σε καλή απόδοση προκύπτει με χρήση των πρωτογενών δεδομένων ως δεδομένα εισόδου στο δίκτυο, με επίτευξη απόδοσης 100% για τα δεδομένα ελέγχου και στα δύο μοντέλα, ενώ οι τελικές αρχιτεκτονικές είναι [25,10] και [3,15], για το προβλεπτικό μοντέλο της επιφανειακής τραχύτητας και το προβλεπτικό μοντέλο των διαστασιακών αποκλίσεων, αντίστοιχα.	el
heal.advisorName	Μπενάρδος, Πανώριος	el
heal.committeeMemberName	Μαρκόπουλος, Άγγελος	el
heal.committeeMemberName	Βοσνιάκος, Γεώργιος-Χριστόφορος	el
heal.committeeMemberName	Μπενάρδος, Πανώριος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Μηχανολόγων Μηχανικών. Τομέας Τεχνολογίας των Κατεργασιών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false