Yapay zeka metotlarını kullanarak otomotiv sektöründeki örnek problemlerinin çözümlerinin araştırılması

Abstract

Otomotiv imalat sektöründe mevcut süreçlerde pek çok farklı hata modu ile karşılaşılmaktadır. Bu hataların giderilmesi için geçici ve kalıcı önlemler alınmaya çalışılır. Yapılan faaliyetlerde çoğu zaman, süreçlerin doğası gereği, sıfır hata koşulları oluşturulamamaktadır. Buradaki zafiyeti gidermek için insan inisiyatifinde olan %100 görsel kontrol ile hatanın bir sonraki sürece veya iç ve dış müşteriye gönderilmesini önlemek adına tedbir alınmaktadır. Buna karşın halen sahada hatalı parça taramalarında tespit edilemeyen hatalar nedeniyle, şiddetine bağlı olarak, son derece yüksek kalitesizlik maliyetleri ile karşılaşılmaktadır. Modern yaklaşımda, hata tespitinde görsel kontroller yerine, makine öğreniminin farklı metotları kullanılarak, yüksek doğruluk oranları ile hata tespiti sağlanabilir. Örneğin üstün resim işleme, özellik çıkarma yeteneği nedeniyle, evrişimli sinir ağı (ESA), akıllı hata teşhisi alanında geniş çapta araştırılmış ve uygulanmış, diğer geleneksel makine öğrenme yöntemlerine kıyasla üstün performansı kanıtlanmıştır. İlave olarak, proses parametrelerinin belirlenmesinde, mevcut saha verilerinden yararlanarak, yapay sinir ağları (YSA) metodunu kullanarak, en ideal parametre sonuçları elde edilebilir. Bu çalışmada, imalat süreçlerindeki hata tespitine izin veren yenilikçi bir yaklaşım geliştirilmiştir. Örnek çalışmalarda punta kaynak parametrelerinin belirlenmesinde, yapay sinir ağları (YSA) kullanarak, mevcut parametreler ile çekirdek çapı tahmini yapılmıştır. Burada farklı regresyon analizi neticelerine göre karşılaştırmalı sonuçlar çıkarılmıştır. Ayrıca punta ve gazaltı kaynak hataları, sac çatlak hataları ve araç görsel hatalarının tespit edilmesi için, makina öğrenmesindeki evrişimli sinir ağları (ESA) kullanarak, yüksek doğruluk oranları elde edilmiştir.

Many different defect modes are encountered in the current processes in the automotive manufacturing sector. Temporary and permanent measures are tried to be taken to eliminate these defects. Most of the time, due to the nature of the processes, zero defect conditions cannot be created in the activities performed. In order to eliminate the weakness here, measures are taken to prevent the error from being sent to the next process or to the internal and external customers with 100% visual control at the human initiative. However, due to the defects that cannot be detected in the field defect scans, extremely high costs of poor quality are encountered, depending on the severity. In the modern approach, defect detection with high accuracy rates can be achieved by using different methods of machine learning instead of visual controls in defect detection. For example, due to its superior image processing, feature extraction capability, convolutional neural network (CNN) has been widely researched and applied in the field of intelligent defect diagnosis and has gained superior performance compared to other traditional machine learning methods. In addition, in the determination of process parameters, the most ideal parameter results can be obtained by using the artificial neural networks (ANN) method by making use of the available field data. In this study, an innovative approach has been developed that allows defect detection in manufacturing processes. In sample studies, In the determination of spot welding parameters, nugget diameter estimation was made with existing parameters using artificial neural networks (ANN). Here, comparative results are drawn according to the different regression analysis results. In addition, high accuracy rates have been achieved by using convolutional neural networks (CNN) in machine learning to detect spot and arc metal arc welding defects, sheet metal crack defects and vehicle visual defects.