Frezelemede Optimum Kesme Parametrelerini Belirlemek İçin Yapay Zeka Sistemlerinden Oluşan Adaptif Bir Sanal Operatörün Geliştirilmesi

Transkript

1 Frezelemede Optimum Kesme Parametrelerini Belirlemek İçin Yapay Zeka Sistemlerinden Oluşan Adaptif Bir Sanal Operatörün Geliştirilmesi Yusuf FEDAİ a, Ali ÜNÜVAR b a, Osmaniye Korkut Ata Üniversitesi, OMYO, Makine, yusuffedai@osmaniye.edu.tr b, Selçuk Üniversitesi, Mühendislik Fak., Makine Müh. Böl., aunuvar@selcuk.edu.tr Özet CNC işleme merkezlerinde talaşlı işlemede karşımıza çıkan en önemli iki sorun; işleme başlangıcında optimum kesme parametrelerinin tayini ile sürekli çalışma esnasında meydana gelen adaptif değişimlerin karşılanmasıdır. Bu çalışma, CNC Frezelemede adaptif olarak optimum kesme parametrelerinin seçimini yapan, yapay zeki sistemlerden oluşan, sanal bir operatörün geliştirilmesini ve ayrıca bu konuda yapılan çalışmaları içermektedir. Sanal operatör, Yapay Sinir Ağları, Adaptif Sinirsel Bulanık Çıkarım Sistemi ile Parçacık Sürü Optimizasyonu nun bileşiminden meydana gelmektedir. Çalışma kapsamında yapılan deneylerle, değişik kesme parametrelerinin etkisinde aşınma, yüzey pürüzlülüğü ve kesme kuvvetlerindeki değişimler sisteme verilerek sanal operatörün eğitimi yapılacaktır. Böylece sonraki çalışmalarda operatörün bilgi ve deneyimine ihtiyaç duymadan optimum kesme değerleri sanal operatör tarafından belirlenebilecektir. Yine çalışma esnasında meydana gelebilecek aşınma, yüzey pürüzlülüğü ile diğer bozucu etkilere ve talaş kaldırmadaki değişimlere karşı sistem adaptif olarak kendisini sürekli yenileyebilecektir. Anahtar Kelimeler: CNC tezgahlarda Frezeleme, Adaptif Kontrol, PSO, ANFIS, YSA, Sanal Operatör Development of an Adaptive Virtual Operator including Artificial Intelligence Systems to determine the optimum cutting parameters in milling Abstract The two important problems encountered in machining process performed on CNC machine tool are the determination of optimum cutting parameter at the beginning of machining and the adaptation of machining system to eliminate disturbance effects during continuous machining. This study contains the development of a virtual operator that adaptively chooses optimum cutting parameters in CNC milling and consists of artificial intelligent systems. Virtual operator is a combination of "Artificial Neural Network", "Adaptive Fuzzy-Neural Inference System" and "Partical Swarm Optimization". By conducting experiments as part of the study; changes in wear, surface roughness and cutting forces are transferred to system in order to train virtual operator. Thereby, optimum cutting parameters can be determined by virtual operator, instead of relying on knowledge and experience of operator in subsequent processes. Additionally, the system is able to adapt itself to changing conditions such as wear, surface roughness and other deteriorating effects. Keywords: CNC Milling, Adaptive Control, PSO, ANFIS, ANN, Virtual Operator

2 1. Giriş Günümüzde CNC işleme tezgâhlarındaki hızlı gelişmeler sayesinde, müşterinin istediği kalitede ürünlerin, hassas ve maksimum verimle üretilebilmesi sağlanmaktadır. Bu gelişmelere rağmen CNC işlemede hala birçok soruna cevap aranmaktadır. Bu sorunların başlıcalarını şu şekilde sıralayabiliriz; - Nitelikli operatör: En uygun işleme parametrelerini seçebilecek nitelik ve nicelikte operatörün yetiştirilmesi, - Birim zamanda kaldırılan talaş oranı: Kesme hızı, ilerleme ve kesme derinliği gibi kesme parametrelerinin bir kısmının, operatör tarafından öngörülmesi veya kesici takım kataloglarından seçilmesidir. Genellikle operatörlerin, pratikte nadiren meydana gelen en olumsuz koşulları hesaplayarak işleme değişkenlerini en güven aralığının en üst değerlerinden seçmesi [1], - Düşük tezgâh verimi: Konservatif seçilen değerler yüzünden CNC tezgâhının verimsiz kullanımı, - Büyük tolerans değerleri: İşleme esnasında zamana bağlı olarak artan takım aşınması ve bu aşınma sonucu ortaya çıkan değişken yüzey pürüzlülük değerleri, - Zaman kaybı: karmaşık geometrik yüzeylerin sorunsuz ve güvenli bir şekilde işlenebilmesi için gereken işleme değerlerinin ayrı ayrı hesaplanmasıyla geçen zaman, - Hataya yatkınlık: hesaplama ve veri işleme çok özellikli ve karmaşık yüzeylere sahip parçalar için oldukça uzun bir süreç alması hata olasılığını artıran bir etmen olması, - Geri bildirim: Kontrol edilemeyen ve hesaba katılamayan değişkenlerin değerlendirilmek üzere geri bildirilememesi[2] olarak sayılabilir. Bu tür sorunları çözmek için araştırmacılar tarafından çok sayıda çalışmalar yapılmıştır. Bu çalışmalardan birinde Lui ve ark. CNC işleme sistemine müdahale edilerek, çevrimiçi işleme sürecini optimize etmek ve kontrol altında tutmak gerektiği fikrini ileri sürmüşlerdir[3]. Adaptif kontrol olarak adlandırılan bu sistem, çalışma anındaki değişiklikleri algılayarak tezgâhın optimizasyonu sağlayan sistemdir. İyi bir adaptif kontrol sistemi takım tezgâhının çalışma durumunu izlerken aynı zamanda sistemde meydana gelen değişiklikleri kullanıcıya aktarır ve sistem optimizasyonunu kendisi sağlar[4]. Ancak adaptif kontrolün uygulanmasına yönelik üç büyük engelle karşılaşılmaktadır. Bunlardan birincisi; gelişmiş CNC tezgahlarında parça işleme programlarının, bir çalışma süreci boyunca hazırlanmış programa, işleme esnasında dışarıdan parametre değişikliğine izin vermemesidir. Oysa adaptif kontrolün temel kuralı, çalışma esnasında meydana gelen değişikliği algılayarak sistemin yeni duruma kendisini ayarlamasıdır. Bu durum adaptif kontrolün temel yapısına ters düşmektedir. Diğer engel ise iş parçası-tezgah ikilisinin yapısal durumundan dolayı, yüzey pürüzlülüğü ve takım aşınması gibi hedef çıktıların işleme esnasındaki çevrimiçi ölçümünün zorluğudur. Adaptif kontrolün önündeki son engel ise, çevrimiçi bir adaptif kontrolde, günümüz tezgahlarının işleme hızı göz önüne alındığında cevap tepki süresinin oldukça yetersiz kalmasıdır. Bütün bu olumsuzları gidermede sistemin, sanal olarak devreye girmesi çözüme yönelik en önemli adım olarak görülmektedir. Böylece parça işlenmeden önce sanal ortamda proses adım adım hazırlanarak süreç içerisinde ortaya çıkan değişimlere uygun koşullardaki işleme parametreleri belirlenmiş olacaktır. Bu çalışma, çevrimiçi adaptif kontrolün uygulanmasındaki zorlukları elimine ederek optimum işleme koşullarını belirleyen sanal bir operatörün geliştirilmesi hakkındaki çalışmaları içermektedir. Çalışmanın ikinci bölümünde yapay zeka sistemleri kullanılarak yapılan tahmin ve optimizasyon yöntemleri konusundaki çalışmalar ele alınarak incelenmiştir. Üçüncü bölümde yapılması düşünülen sanal sistemin yapısı, işleyişi ve deneysel çalışmalar konusunda bilgi verilmiştir. Dördüncü ve son bölümde ise sonuçlarla birlikte sanal sistemin değerlendirilmesi ve beklentileri sunulmuştur. 2

3 2. Yapay zeka ve optimizasyon yöntemlerinin talaşlı imalatta kullanımı konusunda yapılan çalışmalar Talaşlı imalatta işleme şartlarının çok karmaşık ve doğrusal olmayan ilişkiler içinde olması, matematiksel teorilerin gelişim sürecini de güçleştirmektedir. Bu sebeple takım tezgahlarının adaptif kontrolüne yönelik çalışmalar son yıllarda zeki kontrolle bütünleşik olarak sürdürülmektedir. Yapay zeka tekniklerinin daha kısa sürede bu karmaşık ilişkilere optimum çözümler üretebilmesi, talaşlı imalatta yapılan çalışmalarda yoğun olarak tercih edilmesine sebep olmuştur[5]. Gelişen yapay zeka teknikleri, talaşlı üretimin tasarım ve analiz programlarının geliştirilmesinde, işleme şartlarının optimizasyonunda ve simülasyonunda, işleme anında gelişen problemlerin izlenmesinde ve önlenmesinde yaygın olarak kullanılmaya başlanmıştır. Talaşlı imalatta kullanılan yapay zeka ve optimizasyon yöntemleriyle yapılan çalışmalar ağırlıklı olarak kesme kuvvetlerinin ölçümü, optimum kesme parametrelerinin tayini, yüzey pürüzlülüğü ve takım aşınması tahminlerinde yapılmıştır. Kullanılan yöntemler ise Yapay Sinir Ağları(YSA), Bulanık Mantık(BM), Adaptif Sinirsel Bulanık Çıkarım Sistemi(ANFIS), Genetik Algoritma(GA), Parçacık Sürü Optimizasyonu(PSO), Karınca Koloni Optimizasyonu(KKO) vb.dir. Adaptif kontrol konusunda yoğun çalışmalarda bulunan Lui ve ark. geleneksel CNC sistemlerindeki işleme parametrelerinin offline ayarlanması sebebiyle işleme sürecinde ortaya çıkan sıcaklık artışı, takım aşınması ve diğer bazı bozucu etkenlerden dolayı optimal işleme kriterlerinin sürekli değiştiğini ve bu değişimi karşılamak amacıyla işleme parametrelerinin gerçek zamanlı ayarlanması gerektiğini belirtmişlerdir. Kısıtlı adaptif kontrolün (Adaptive Control Contstains - ACC) zamanla değişen işleme süresi sırasında maksimum çalışma koşullarını korumak için işleme parametrelerini kontrol ederek bu tür problemlerin çözümünde etkili olduğunu ileri sürmüşlerdir. Bu amaçla, Kısıtlı Adaptif kontrol sistemlerini; - Geri beslemeli kontrol (Feedback Controller Based ACC System), - Parametrik Adaptif kontrol/kendinden dönmeli kontrole dayalı adaptif kısıtlamalı kontrol (Parameter Adaptive Control/Self-Turning Control Based ACC System), - Model referanslı adaptif kontrol temelli adaptif kısıtlamalı kontrol (Model Reference Adaptive Control Based ACC System), - Değişken yapılı kontrol temelli kısıtlı adaptif kontrol (Variable Structure System Based ACC System), - Yapay Sinir Ağı temelli kısıtlı adaptif kontrol (Neural Network Based ACC System) ve - Bulanık mantık kontrol temelli kısıtlamalı adaptif kontrol olmak üzere teorik olarak 6 bölümde incelemişlerdir. Buradaki her bir sistemin ayrı ayrı avantaj veya dezavantajları olduğunu belirterek en uygun kontrol amacını karşılayan sistemin seçilmesi gerektiğini belirtmişlerdir[3]. Yapılan araştırmalarda optimum kesme parametrelerini elde etmek için yapay sinir ağları, ANFIS, genetik algoritmalar, parçacık sürü algoritması optimizasyonu, yerçekimsel arama algoritması ve evrimsel algoritmalar kullanan çalışmalar yapılmıştır[6,7,8,9,10]. Diğer algoritmalar ve özellikle evrimsel hesaplama teknikleri bir çok tümleşik eniyileme problemleri için geliştirilmiş olmasına rağmen, PSO temelde sürekli optimizasyon problemi için geliştirilmiştir. Çalışmalarda PSO nun doğrusal olmayan sürekli optimizasyon problemleri, tümleşik eniyileme problemleri ve karma tamsayılı doğrusal olmayan optimizasyon problemini çözmek için etkin bir optimizasyon aracı olabileceği belirtilmişdir[11]. Yine yapılan bir çalışmada genetik algoritma, tabu araştırma algoritması, karınca kolonisi optimizasyonu algoritması ve parçacık sürü optimizasyonu, frezeleme işlemlerinde işleme 3

4 parametrelerini optimize etmek için üç amaç fonksiyonu ele alınarak (minimum üretim maliyeti, minimum üretim zamanı ve maksimum kâr oranı) incelemiştir. En uygun algoritmanın parçacık sürü optimizasyonu olduğu görülmüştür[12]. Özellikle tahmin problemlerinde bu konuda başarısı ispatlanmış olan ANFIS mimarisi Jang, tarafından bulunmuştur[13]. Açık olarak uyarlamalı ağlara dayanan bulanık çıkarım sistemi veya adaptif sinirsel bulanık çıkarım sistemi anlamına gelen ANFIS ismi, Adaptive Network- based Fuzzy Inference System veya Adaptive Neuro Fuzzy Inference System olan özgün adının baş harflerinden oluşmuştur. Esasen ANFIS yapısı, Sugeno tipi bulanık sistemlerin, sinirsel öğrenme kabiliyetine sahip bir ağ yapısı olarak temsilinden ibarettir. Bu ağ, her biri belli bir fonksiyonu gerçekleştirmek üzere, katmanlar halinde yerleştirilmiş düğümlerin birleşiminden oluşmuştur. Sinirsel bulanık sistemler, yapay sinir ağlarının paralel hesaplayabilme ve öğrenme kabiliyeti ile bulanık mantığın uzman bilgisini kullanarak sonuçlar çıkarabilme özelliklerinin birleşiminden oluşur. Sonuç olarak sinirsel bulanık sistemler sayesinde yapay sinir ağları daha anlaşılır hale gelmektedir[14]. ANFIS, ele alınan problem için oluşturulan yapıya göre olası tüm kuralları atayabilmekte veya kuralların veriler yardımıyla uzman tarafından atanmasına olanak vermektedir. ANFIS in kural oluşturabilmesi veya kural oluşturulmasına olanak sağlaması uzman görüşlerinden faydalanması anlamına gelmektedir. Bu nedenle birçok tahmin probleminde Yapay Sinir Ağlarına uzman görüşlerinden faydalanma imkanı tanıdığı için ortalama hata kareler kriterine göre daha iyi sonuçlar elde edilmesini mümkün kılmaktadır. ANFIS in öğrenme algoritması, en küçük kareler yöntemi ile geri yayılmalı öğrenme algoritmasının bir arada kullanılmasından oluşan melez öğrenme algoritmasıdır. Sinir ağına gömülü bilgilerden dilsel bir model çıkarır[15]. Özellikle son yıllarda ANFIS kullanılarak yapılan çalışmaların sayısında büyük bir artış gözlemlenmektedir. Talaşlı üretim esnasında takım durumunun çevrimiçi (on-line) olarak kontrolünün kaliteli ve ekonomik üretimdeki öneminden yola çıkarak yaptıkları çalışmada, Sağlam ve ark. takım durumunun izlenmesinde takım aşınmasını yansıtan doğrudan ve dolaylı izleme kriterleri incelenmiş, veri toplama ve değerlendirme tekniklerini karşılaştırmışlardır. Özellikle takım durumu izleme ve takım aşınması ölçüm yöntemlerini gruplandırmışlardır. Gruplandırmalarına göre takım aşınması ölçüm yöntemlerini doğrudan ve dolaylı ölçüm metodu olarak iki grupta incelenmekte olup, doğrudan ölçme metodu; optik ölçme, aşınma partikülleri ve radyoaktivite analizi, takım/iş parçası teması elektrik direnci, iş parçası ölçüsündeki değişmenin ölçülmesi, takım iş parçası mesafesinin ölçülmesi ve kesme kuvvetlerinin ölçümü olarak sayılabilir. Dolaylı ölçme metotlarına ise akustik yayınım (Emisyon), ses, titreşim, sıcaklık, elektriksek giriş gücü ve yüzey pürüzlülüğü sayılabilir. Bu metotlardan ölçümü en kolay ve kesin sonuçlara en yakın değerleri verdiği için kesme kuvvetlerinin ölçümü, literatürde en çok kullanılan metottur. Takım bozunumunu yansıtan birçok teknik geliştirilmiş olmasına rağmen endüstride bunlardan çok azı başarıyla kullanıldığını belirtmişlerdir. Tek bir ölçüm metodunun takım aşınmasını yansıtmadaki hata payını azaltmak ve takım aşınmasının karmaşık yapısı ve kesme parametreleri arasındaki nonlineer ilişkilerin çözümlenmesinde yapay sinir ağlarının kullanılmasını yüksek tamlık ve hızlı çözümleme sağladığından, verilerin işlenmesinde tercihe değer bulmuşlardır. Sonuç olarakta etkili bir otomatik takım körlenmesi algılama sistemi kurmak için kesme parametreleri ve takım aşınması arasındaki ilişkilerin iyi analiz edilmesi gerektiğini belirtmişlerdir[16]. Alumic 79 malzemesini eşyönlü frezeleme yöntemi kullanarak yaptıkları bir çalışmada Matlab Programında ANFIS Kullanarak yüzey pürüzlülüğünü tahmin eden Dweri ve arkadaşları, değişken parametre olarak talaş hacmini oluşturan kesme hızı, ilerleme ve 4

5 kesme derinliği ile 2 ve 4 kanallı kesici uçlu takımın etkilerini araştırmışlardır. Yaptıkları çalışmada ANFIS tekniğinin, Alumic-79 un eşyönlü frezelemesinde efektif bir biçimde kullanılabileceği gösterilmektedir. Bu yaklaşımın diğer pek çok üretim süreçlerini optimize etmek için uygulanabilir olduğuna inanıldığını belirtmişlerdir[17]. Yang ve ark. parmak frezeleme operasyonlarında müşterinin isteklerini karşılayacak şekilde yüzey kalitesi elde etmek için, proses sırasında çevrimiçi kesme parametrelerini, yüzey pürüzlülüğünün iyileşmesini sağlayacak şekilde ayarlayan bir bulanık ağ tabanlı adaptif yüzey pürüzlülük kontrol sistemi geliştirmişlerdir. Sistem, yapay sinir ağları ve bulanık mantıktan oluşmaktadır. Yapay sinir ağları sistemi, işleme süreçlerinden veri öğrenme yeteneğine sahip olmasını sağlarken bulanık mantık tekniği ise öğrenme süreci için akıl yürütülen ve kontrol veya sınıflandırma amaçlı bir kural bankası oluşturur. Yapı iki alt sistemden oluşmaktadır. Bu alt sistemlerden yüzey pürüzlülüğünü tahmin edip daha sonra arzu edilen değerle karşılaştırırken ikincisi, pürüzlülük değerinin arzu edilenden büyük olması halinde yeni bir ilerleme işleme prosesi için önermektedir. Bu sonucun önemli bir gözlemi istenilen yüzey pürüzlülüğü üretmek için optimum proses verimliliğini koruyup optimum ilerleme kullanarak uyarlanmış ilerleme elde edilmiş olmasıdır. Sistemin deneysel test sonuçları, yüzey pürüzlülüğü tanıma sürecinde, adaptif ilerleme uygulayarak% 94 oranında doğruluk olduğunu göstermiştir[18]. Özellikle ANFIS ile yüzey pürüzlülük tahminleri literatürde oldukça sık kullanılmıştır. Yapılan bir çalışmada ANFIS i, yüksek hız çeliği (HSS) 4 kanallı bir parmak freze kullanılarak, 6061 alüminyum iş parçasının yüzey pürüzlülüğünü tahmin etmek için kullanmıştır. Yapılan çalışma sonucunda yüzey pürüzlülüğüne, ilerlemenin diğer iki parametreye göre daha etkin olduğu tespit edilmiştir[19]. Kesme kuvvetlerinin tahmininde etkin bir model olan yapay sinir ağları modelini kullanan Zuperl ve ark. bir yapay sinir ağı algoritmasını, küresel uçlu frezeleme ile işlemede meydana gelen kuvvetleri tahmin etmek için geliştirilmiştir. Geliştirilen geri beslemeli yapay sinir ağları üç boyutlu Fx, Fy, Fz eksenlerinde kesme kuvvetlerini deneysel verilere % 4 yakınlıkla tahmin ederken, analitik yöntemlerdeki hata oranı % 11 civarında meydana gelmiştir. Karşılaştırma için 10 deney yapılmış girdi parametreleri olarak kuvvete etki eden 10 değişik parametre kullanırken ağın topolojisinde geri besleme parametresi olarak zaman değişkeni kullanılmıştır. Şekil 1 de oluşturulan YSA nın topolojisi gösterilmektedir. [20]. Şekil 1. Kuvvet Tahmininde Kullanılan Yapay Sinir Ağı Topolojisi Zhang ve Chen (2007) çalışmalarında, adaptif kontrolün en önemli gerçek zamanlı ölçme elemanı olan sensörler üzerinde yoğunlaşmış ve yılları arasında literatürde sensörlerle yapılan adaptif kontrol örneklerini bir tablo halinde sunmuşlardır. 5

6 Çalışmalarının en önemli iki bileşeni; gerçek zamanlı yüzey pürüzlülük ölçüm verilerinin elde edilmesi ve gerçek zamanlı karar verme mekanizmasının kurulmasıdır. Bu şekilde parmak frezeleme operasyonlarında, şekil 2 de görülen, proses anında çoklu regresyon tabanlı yüzey pürüzlülüğünün adaptif kontrolü (In-process Multiple Regression Based Surface Roughness Adaptive Control-IMSRAC) adını verdikleri sistemi geliştirmişlerdir. Şekil 2. Çoklu Regresyon Tabanlı Yüzey Pürüzlülüğünün Adaptif Kontrolü (IMRSAC) Sistemde, çoklu regresyon algoritması iki alt sisteme uygulanmaktadır. Bunlar, proses anında yüzey pürüzlülüğünü değerlendiriren (In-process Multiple-regression Surface Roughness Evaluation-IMSRE) altsistemi ve proses anında adaptif parametre kontrolü yapan (In-process Multiple-regression Adaptive Parameter Control-IMAPC) alt sistemleridir. Sensörlerden alınan değerler ile kesme parametreleri IMRSE altsisteminde değerlendirilerek bir yüzey pürüzlülük değeri tahmin edilir. Tahmin edilen bu pürüzlülük değeri istenilen pürüzlülük değeri ile karşılaştırılır. Eğer tahmin edilen pürüzlülük değeri, istenilen değerden küçükse işleme aynı parametrelerle devam edilir, aksine tahmin edilen değer istenen değerden büyük ise aradaki fark hesaplanarak IMRAPC alt sistemi devreye girer. Bu durumda sisteme uygun işleme parametreleri hesaplanarak gönderilir. Bu sistemler hem ilerleme, iş mili hızı, kesme derinliği hem de bir dinamometre sensörü ile saptanan kesme kuvveti sinyallerini içermektedir. IMSRE alt sistemi proses esnasında yüzey pürüzlülüğünü %91.5 tamlıkla tahmin etmektedir. İki sistem birleştiğinde % 100 başarı oranıyla frezeleme operasyonları esnasında yüzey pürüzlülüğünün adaptif olarak kontrolü sağlanmıştır[21]. Xu ve Shin (2008),Yaptıkları çalışmada parmak frezeleme prosesinde kuvvet kontrolü ile işleme prodüktivitesini arttırmak ve iş parçası kalitesini iyileştirmek için çok seviyeli bir bulanık kontrol sistemi (Multi Level Fuzzy Control System- MLFC) üzerine çalışmışlardır. Çalışmada sisteme gelen kuvvet verileri MLFC ve FLC sistemi tarafından ölçülerek takım ilerleme miktarını ayarlayabilen kontrol tekniği kullanılmıştır. Böylece istenen sabit kuvvet seviyesi korunurken ilerleme hızı gerçek zamanlı olarak ayarlanmıştır. Bu sistemde takım aşınması, iş parçası geometrisi ve malzeme özellikleri gibi frezeleme prosesinde var olan değişimlerin varlığında kuvvet, maksimum bir kabul edilebilir değerde tutulmuştur. Kontrolör tasarımında bulanık kuralları herhangi bir matematiksel model kullanmadan sezgisel olarak bulmuşlardır. Bir adaptasyon mekanizması kontrol parametrelerinin çevrimiçi olarak ayarlanması için oluşturulmuştur[22]. İşleme ekonomisi ve işleme kalitesi üzerinde önemli bir rol oynaması nedeniyle optimum kesme parametrelerinin çok dikkatli seçilmesi gerekir. Zhao ve ark. (2008), yaptıkları çalışmada, sabit kesme kuvveti elde etmek için kesme parametrelerin optimizasyonunu, 6

7 kesme bazlı sanal işlemeye dayalı olarak incelemişlerdir. Çalışmada frezeleme işleminde kesme parametrelerinin sanal işleme dayalı optimizasyonu için parçacık sürü optimizasyonu, optimum mil hızı ve ilerlemeyi aramak için kullanılmıştır. Zhao makalesinde, GA nın yaygın olarak kesme parametrelerinin 10 kullanılmasına rağmen, kodlama ve kod çözme işlemlerinde genetik işlemlerin karmaşıklığı, değişken ikiden fazla olduğu zaman işlemin arttığını belirtip bunun da sürecin verimliliğini büyük ölçüde azaltacağı için değişkenin fazla olduğu durumlarda PSO algoritmasının kullanılması gerektiğini belirtmiştir. Yapılan fiziksel frezeleme ve simülasyon deneyleri sonucunda optimize edilmiş deneyin verimliliğinin % 16.7 daha fazla olduğu ölçülmüştür. Şekil 3 de yazarın sisteminde kullandığı optimizasyon şeması görülmektedir[23]. Şekil 3. PSO Tabanlı Optimizasyon Şeması Zuperl, Cus ve Kiker, (2006), parmak frezeleme işlemi için bir adaptif yapay kontrolör tanımlamışlardır. İki farklı YSA türü içeren yapı, frezeleme prosesinin çevrimiçi olarak optimal kontrolü için kullanılmıştır. Geriye yayılım algoritmalı bir YSA, prosesi tanımlamak ve optimal kesme girişlerini belirlemek için kullanılmıştır. İlerleme değeri optimize edilmiş değişken olarak seçilmiş frezeleme durumu ise ölçülen kesme kuvvetiyle tahmin edilmiştir. Bu çalışmalarının amacı takım aşınmasını, kırılmasını önlemek ve yüksek talaş kaldırma hacmi elde etmek için ilerlemeyi adaptif olarak ayarlayan güvenilir ve sağlam bir yapay kontrolör sağlamaktır. Aynı zamanda kesme kuvvetinin otomatik olarak düzenlenmesini sağlayarak frezeleme prosesinin verimliliğini arttırmaktır[24]. Zain, Haron ve Sharif (2010), yapay sinir ağları kullanarak, frezeleme işleminde yüzey pürüzlülüğüne etki eden değişkenlerin etkilerini araştırmışlardır. Özellikle yaptıkları çalışmayı kendilerinden önce yapılan çalışmalara dayandırarak bir tablo hazırlamışlar ve yapay sinir ağı yapılarını karşılaştırarak yüzey pürüzlülük tahmininde en iyi performansı veren ağı, ağı olarak belirlemişlerdir. Yaptıkları çalışmada aynı zamanda tahmin performansını ölçmek için deneysel bir çalışma yapmışlar ve küçük bir deneysel veri seti kullanarak en iyi sonucun elde edilebileceğini de göstermişlerdir. Çalışmada elde edilen analiz sonuçları; en iyi yüzey pürüzlülüğü değerinin yüksek devir, düşük ilerleme ve radyal talaş açısı ile elde edilebileceğini göstermektedir[25]. Ok, Ünüvar ve Ersoylu (2010), yaptıkları çalışmada sanayide yaygın olarak kullanılan ve işlenmesinin zor olduğu bilinen AISI 304 paslanmaz çeliğin CNC de parmak freze ile işlenmesiyle iki farklı tip kesici takım kullanarak yaptıkları deneylerde aynı zamanda işleme parametrelerinin yüzey pürüzlülüğü üzerine etkilerini de incelemişlerdir. çalışmalarında deneysel olarak elde edilmiş veriler ile alternatif bir tahmin yöntemi olan ANFIS yöntemi kullanarak bir tahmin modeli geliştirmişlerdir. Geliştirilen model ile deney sonuçları arasında %96 başarı olduğunu gözlemlemişlerdir. Yapay zeka yöntemlerinin kullanımının talaşlı imalatta artmasıyla deneysel çalışmalarda harcanan zaman ve malzeme gibi maliyet değerlerinin düşeceğini belirtmişlerdir[26]. 7

8 Asiltürk ve Cunkaş (2011), yaptıkları çalışmada, çoklu regresyon ve yapay sinir ağları modelleri kullanarak yüzey pürüzlülüğünü tahmin eden bir sistem geliştirmişlerdir. Çalışmada kesme hızı, ilerleme ve kesme derinliği gibi parametreler tam faktöryel deney tasarımı ile ölçülmüştür. Elde edilen veriler, yüzey pürüzlülük modelleri geliştirmek için kullanılmıştır. Deney tasarımı için, deneysel verilerin güvenilirliği ve güven sınırını artırmak için yapay sinir ağları ve çoklu regresyon analizi kullanmışlardır. Çoklu regresyon ve yapay sinir ağı modelleri, istatistik yöntemler kullanılarak mukayese edilmiştir. Yapay sinir ağı modeli (%99,8) çoklu regresyon (%98,4) analiziyle mukayese edildiğinde, daha yüksek hassasiyette yüzey pürüzlülüğünü tahmin ettiği görülmüştür. Yine yapay sinir ağlarının, basitlik, hız ve öğrenme kapasitesi olarak çoklu regresyon analiziyle karşılaştırıldığında, yüzey pürüzlülüğünü tahmin etmede çok güçlü bir araç olduğu görülmüştür[27]. Asiltürk (2011), birçok değişkenin doğrudan etkilenmesinden dolayı, yüzey pürüzlülüğünü modellemenin güçlü olduğu vurgusundan yola çıkarak yaptığı çalışmada CNC tornalama sürecinde, titreşime dayalı olarak yüzey pürüzlülüğünü tahmin eden bir adaptif sinirsel bulanık çıkarım sistemi modeli sunmuştur. Modelin giriş parametreleri uç radyüsü, kesme hızı, ilerleme, kesme derinliği ve titreşim genliğidir. Bu parametrelerle çıkış parametresi olarak yüzey pürüzlülüğü belirlenmektedir. Yazar yaptığı deneysel çalışmanın diğer çalışmalara göre en önemli farkının yüzey pürüzlülüğünün tahmininde en çok kullanılan kesme hızı, ilerleme ve talaş derinliğine ilaveten ivme sensörleri kullanarak titreşimin etkisini kullanılması olduğunu belirtmiştir[28]. Uygulamada en sık karşılaşılan problem, CNC tezgahlarındaki çevrimiçi adaptif kontroldür. Zuperl ve ark. bu soruna çözüm bulmak için yeni bir yöntem geliştirmişlerdir. Çalıştıkları sistem genel olarak güç kontrol stratejisine dayanmaktadır. Bu tasarımın temel fikri off-line kesme koşullu optimizasyon algoritması ve adaptif kuvvet kontrolünü birleştirmektir. Bu yeni birleşik kontrol sistemi, çok karmaşık süreçleri standart yaklaşımlara kıyasla daha kolay ve doğru bir şekilde kontrol edebilir. Geliştirilen kombine kontrol sisteminin amacı, mümkün olduğunca Talaş Kaldırma Hızını (MRR) yüksek tutarak ve mümkün olduğunca yakın bir referans değerine kesme kuvvetini muhafaza etmektir. Kombine kontrol sisteminde, ilerleme anlık kesme koşullarına uyarlanacak şekilde ayarlanır. Kesme yükleri düşük olduğu zaman, sistem işleme zamanını ve üretim maliyetlerini önemli oranda azaltacağından, önceden programlanmış değerlerinin üzerinde ve ötesinde ilerlemeyi arttırır. İş mili yükleri yüksek olduğu zaman, ilerleme oranları hasar ve takım kırılmasını önlemek için emniyetli orana indirilir. Sistem, aşırı bir kuvvet algıladığında, otomatik olarak tezgah ve takımı korumak için makineyi durdurmaktadır. Günümüz tezgahları işleme programı harici dışarıdan müdahale kabul etmemektedir. Yazarlar bu sorunu CNC tezgahlarda bir emniyet tedbiri olarak sisteme monte edilen ve çalışma esnasında ilerleme, ve kesme hızını belirli oranlarda değiştirilmesi sağlayan kontrol düğmeleriyle aşmışlardır[29]. Kendini ayarlayabilen otomatik imalat sistemi elde etmenin en önemli unsurlardan biri, güvenilir bir takım aşınma izleme sisteminin kurulmasıdır. Bu prensipten yola çıkan Cus ve arkadaşları, yapay sinir ağlarından oluşan bir karar sistemi ile ANFIS takım aşınması tahmincisini bir arada kullanıldığı gerçek zamanlı, kırık takım tespit edebilen gelişmiş bir Takım İzleme Sistemini kurmuşlardır(şekil 4). Temel varsayım takım koşullarını belirlemek için gerekli bilgileri içermesidir. Bu nedenle, kesme kuvvet sinyallerinden takım durum özelliklerini çıkararak serbest yüzey aşınması ve kesme kuvveti gibi kesme parametrelerinin arasındaki ilişkiyi belirlemek amacıyla ANFIS metodu kullanılmıştır. Girdi parametreleri; kesme hızı, ilerleme, kesme derinliği ve zaman, çıkış parametreleri ise serbest yüzey aşınması genişliği ve takım aşınma durumudur. Deneyde elde edilen kuvvet ve aşınma verileri, ANFIS modellemeye dayanan gelişmiş simülasyonu eğitmek için 8

9 kullanılmıştır. Yapılan deneylerde yapay sinir ağları kuvvet modellerine göre eğitilmiş takımın kırılacağı kuvvet değerlerini tanıyacak duruma getirilmiştir. Yapılan test deneylerinde gerçek zamanlı olarak takım koşullarını tanıma oranı % 94.9 bulunmuştur. Yapay sinir ağı, aynı zamanda ölçülen sinyallerin farklı arıza durumlarını ayırt etmek için kullanılmıştır. Geliştirilen bu takım izleme sisteminde (TCM), işleme sürecinde çevrimiçi olarak önceden ayarlanmış bir takım aşınma sınırında sistemi durdurarak takım değişikliği yapılabilir[30]. Şekil 4. Takım İzleme Sistemi (TCM) İşleme süreçlerinin denetim uygulamalarında Adaptif Sinirsel Bulanık Çıkarım Sistemi bilimsel literatürde giderek daha yaygın olarak kullanılmaya başlamıştır. Bu sistemler uyarlamalı koşullar ya da girdilere verilen bir dizi olası sonucu tahmin yeteneği nedeniyle, konvansiyonel kontrol teknikleri için çok zor olan süreçleri kontrol etmek için gereken potansiyele sahiptir. Kabini, Ikua ve Nyakoe (2011), işleme süreçlerinin kontrolü ve uygulamalarında ANFIS e bakış isimli çalışmalarında, ANFIS in birçok alandaki ve özellikle işleme süreçlerinin kontrolündeki kullanımını araştırmışlardır. Yaptıkları çalışmalarda ANFIS in aşağıdaki alanlarda uygulanabileceğini önermişlerdir. - Taşlama, frezeleme, tornalama ve delme gibi işlemlerde meydana gelen ısı hasarlarını tahmin ederek önlemek için. - Talaşlı imalatta frezeleme, kesme ve taşlama gibi güç gerektiren yerlerde takım kırılmasını tahmin etmek için, - Tornalama, frezeleme gibi işleme sürecinde bileşenlerin boyut ve şekil kontrolünde, - İşleme sürecinde titreşim kontrolünde, - Otomatik işleme süreçlerinde ilerleme ve iş parçasının konumlandırma durumlarında kullanılabileceğini belirtmişlerdir[31]. Uygulamada, freze parametrelerin etkin seçimi maksimum takım ömrü, işleme yüzeyi istenilen pürüzlülük değeri, hedef operasyon verimliliği, talaş kaldırma hızı, vb. dahil olmak üzere, birden fazla hedeflerin aynı anda dikkate alınmasını gerekir. Bazı durumlarda, tek bir tanımlanmış amaç fonksiyonu için optimum olan parametre ayarlarını, özellikle başka bir amaç fonksiyonu için uygun olmayabilir. Geleneksel optimizasyon yöntemleri ile çok amaçlı sorunların çözülmesi zordur ve tek yolu, amaçları tek bir hedef kümesi haline getirecek şekilde azaltmak ve buna göre ele almaktır. Bu nedenle genetik algoritmalar ve parçacık sürüsü optimizasyonu gibi evrimsel algoritmalar daha uygundur. Cus ve ark. yaptıkları çalışmada, yapay sinir ağ modelleme ve parçacık sürü optimizasyonu ile 9

10 frezeleme işlemini çok amaçlı optimize edilmesini sağlayan bir sistem geliştirmişlerdir. Sistemde parçacık sürü optimizasyonu, birden fazla birbiriyle çelişen amaçlar mevcut olduğunda işleme parametrelerini, yüksek hızda freze işlemlerini verimli bir şekilde ve eşzamanlı olarak, optimize etmek için kullanılmaktadır. Bir yapay sinir ağı modeli işleme sırasında kesme kuvvetleri tahmin etmek için, PSO algoritması ise optimum kesme hızı ve ilerleme elde etmek için kullanılmıştır. Optimizasyon esansında ilerleme, kesme hızı, eksenel kesme derinliği, radyal kesme derinliği, kesme gücü, kesme kuvveti ve yüzey pürüzlülüğü olmak üzere 7 adet parametre kullanılmıştır. Sonra, yapay sinir ağı kuvvet modeli amaç fonksiyonunu tahmin etmek için kullanılmıştır. Daha sonra, PSO algoritması kesme hızı ve ilerlemeyi optimize etmek için kullanılmıştır. Deneysel sonuçlar MRR oranında % 28 bir iyileşme olduğunu göstermektedir. Ayrıca % 20 kadarda işleme süresi düşüşü gözlemlenmiştir[11]. 3. Önerilen Zeki Adaptif Sanal Sistem Sistemin oluşturulması için yapılacak çalışmalara ait Akış Şeması Şekil 5 te gösterilmiştir. Buna göre yapılacak çalışma kapsamında: - Belirlenen deney planı doğrultusunda kesme parametreleri tezgaha girilerek numune üzerinde kesme işlemi yapılır. - Kesme işlemi süresince dinamometre vasıtasıyla tüm kesme zamanı boyunca oluşan F x, F y ve F z kesme kuvvetleri amplikatör üzerinden bir DAQ kartı vasıtasıyla toplanarak PC ye aktarılır. PC deki sinyal işleme programı ile sinyaller görüntülere dönüştürülerek kaydedilir. - Her bir paso sonrası işlenen yüzeyden bir yüzey pürüzlülük ölçüm cihazı ile çok sayıda pürüzlülük değeri ölçülerek bunların ortalaması alınır. - Her bir paso sonrası bir takımcı mikroskobuyla takımda meydana gelen aşınma şeridi genişliği ölçülür. Deneyler, takımdaki yan yüzey aşınma miktarı ISO de belirtilen Vb=0,3 mm değerine kadar sürdürülmüştür. Önerilen zeki adaptif sanal sistemde; Şekil 5. Deneysel Çalışma Şeması - Girdi ve çıktı değişkenleri arasındaki herhangi bir matematiksel işleme ihtiyaç duymadan, doğrusal olmayan modellemeyi sağlayabilme, öğrenme, hafızaya alma ve veriler arasındaki ilişkiyi ortaya çıkarma kapasitesine sahip olduğu için kesme kuvvetlerinin tahmininde Yapay Sinir Ağları(YSA), - Optimum kesme parametrelerinin tayinindeki başarısından dolayı Parçacık Sürü Optimizasyonu(PSO), 10

11 - Yüzey pürüzlülüğü ve takım aşınmasının tayin edilmesinde, son yıllarda bu konuda uygulanmış ve yüksek hassasiyette başarı göstermiş Uyarlamalı Sinirsel Bulanık çıkarım Sistemi (ANFİS) kullanılmaktadır. Deneysel çalışma sonucu veriler ve bilgiler sistemin eğitimi için kullanılır. Bu verilerle ANFIS ve YSA nın eğitimi yapılır. Böylece sanal operatör çalışır duruma gelmiş olur. Aşağıda Şekil 6 da gösterilen Zeki adaptif sanal sistemin çalışma döngüsü ise şu şekildedir. Sistemin çalışma döngüsü YSA üzerinden başlar. YSA ya Ra, Vb, MRR (v, f, a p, a e) başlangıç değerleri belirlenen kısıtlar çerçevesinde atanır. YSA aldığı eğitim sonucu olarak uygun kuvvet değerlerini çıktı olarak verir. Elde edilen bu ilk çıktı kuvvet değerleri öncelikli olar PSO olmak üzere ANFIS I ve ANFIS II yapısına gönderilir. PSO, gelen değerleri optimize ederek en uygun MRR değerlerini çıktı olarak verir. PSO dan elde edilen MRR değerleri Ra yı tahmin etmek için ANFIS I e, Vb yi tahmin etmek içinde ANFIS II ye gönderilir. PSO, ANFIS I ve ANFIS II den elde edilen MRR, Ra ve Vb değerleri ikinci döngüyü çalıştırmak üzere tekrar YSA ya gönderilir. Döngü süresi kullanılan takım malzeme ve diğer değişkenlere göre zaman olarak istenilen sürede tekrarlanır, döngü sayısı ise işleme bitimine göre ayarlanır. Şekil 6. Sanal Operatörün Akış Şeması 11

12 4. Sonuçlar ve değerlendirmeler Bu çalışmada, hızlı gelişen CNC işleme merkezlerinde, işlemede karşılaşılan sorunlar tespit edildikten sonra bu sorunların çözümünde kullanılan adaptif kontrol yöntemlerinin gelişimi incelenmiştir. Ayrıca yine bu konuda zeki sistemlerle şimdiye kadar yapılan çalışmalardan örnekler verilmiş ve çok yaygın kullanıma sahip olan yapay sinir ağları, bulanık mantık, ANFİS, genetik algoritma, parçacık sürü optimizasyonu gibi zeki sistemlerin bu alandaki kullanımlarıyla ilgili uygulama örnekleri sunulmuştur. Yapılan çalışmalardan da görüleceği gibi adaptif kontrolün CNC ile işlemede ortaya çıkan pek çok sorunun çözümünde kullanılabileceği yönünde görüşlere karşın, çevrimiçi adaptif kontrolün, önündeki pek çok sorundan dolayı pratikte kullanılamadığı görülmüştür. Bu çalışma, yapılması düşünülen, adaptif kontrolün sanal olarak gerçekleştirilmesine imkan tanıyan, Zeki Sanal Operatör sistemine temel teşkil etmektedir. Sanal operatör parçanın işlenmesinden önce, iş parçasının işleme parametrelerinin, kısıtlar, iş parçası malzemesi, takım ve takım tezgahının özelliği vb. çerçevesinde, operatörün bilgi ve tecrübesine bağlı kalmaksızın belirlenmesini sağlayacaktır. Böylece işleme esnasında zamana ve geometrik yapıya bağlı değişimlere paralel olarak işleme parametrelerindeki değişimlerde karşılanmış olacaktır. Önerilen sistemin kurulmasından sonra testlerde kullanılan malzemeler için değişken parametrelerin optimizasyonunu sağlayan bir bilgi tabanı oluşturulması düşünülmektedir. Böylece daha sonra aynı malzemenin işlenmesi esnasında kesme kuvvetleri ve yüzey pürüzlülüğü gibi proses çıktılarından bazılarını istenen değerlere sabitleyerek, kesme parametrelerinin en optimum değerlerinin seçilmesi sağlanacaktır. Zeki Sanal operatörün en önemli özelliklerinden birisi de işleme esnasında takım durumunu izlemesidir. Böylece takımın kırılarak işlenen malzemeye ve yüksek maliyetli tezgahlara büyük zararlar vermesi önlenmiş olacaktır. Yine yüzey pürüzlülüğüne etki eden en önemli parametrelerden birisi takım aşınması olduğu için aşınmanın tahmini bize o andaki yüzey pürüzlülük değerlerini de verecektir. Sonuç olarak, aşınma miktarına bağlı olarak yüzey pürüzlülük değerleri de operatör tarafından belirlenebilecektir. Geliştirilen modelden beklentiler ise; - Frezeleme prosesini iyi bir şekilde modellemesi - İşleme zamanını azaltması - Optimum kesme şartlarını sağlayarak verimliliği arttırması - Daha kaliteli ve istenilen değerde parça yüzeyi elde etme - Malzeme, tezgah ve takım üçlüsünden oluşan bir veri tabanı oluşturulması, - Yapılan her deney sonucu bu veri tabanı genişleyerek sonraki yapılacak parça işlemelerinde çalışma parametrelerinin sanal optimize edilmesi gibi getirilerinin olacağı düşünülmektedir. 5. Kaynaklar [1] Koren, Y., 1989 Adaptive_Control_Systems_For_Machining Manufacturing Review Volume 2, Issue 1, March 1989, Pages 6-15 [2] Liang, M., Yeap T., Rahmati S., Han Z Fuzzy Control Of Spindle Power İn End Milling Processes International Journal of Machine Tools & Manufacture 42, [3] Liu, Y., Cheng, T., Zuo L Adaptive Control Constraint of Machining Processes, The Int. Journal of Advanced Manifacturing Teknology., 17: [4] Gümüş, R., 2012 Web sitesi 12

13 [5] Çolak, O., 2006, Cnc Freze Tezgahı için Kesme Parametrelerinin Akıllı Yöntemlerle Elektronik Ortamda Optimizasyonu Doktora tezi, Süleyman Demirel Üniversitesi Fen Bilimleri Enstitüsü Isparta [6] Cus F., Balic J., 2003 Optimization of Cutting Process by GA Approach, Robotics and Computer Integrated Manufacturing, Vol 19 pp: [7] Pohokar N., Bhuyar L., 2014, Neural Networks Based Approach for Machining and Geometric Parameters optimization of a CNC End Milling, International Journal of Innovative Research in Science, Engineering and Technology, ISSN: , Vol 3, Issue: 2 [8] Zubaidi S.,Ghani J., A., Haron C., H., C., 2013 Optimization Of Cutting Conditions For End Milling of Ti6Al4V Alloy by using a Gravitational Search Algorithm (GSA) Meccanica Vol. 48, pp [9] Senthilkumaar J., S., Asokan P., Arunchalam R., M., (2012) Intelligent Optimization And Selection Of Machining Parameters in Finish Turning And Facing of Inconel 718. Int J Manuf Technol 58: [10] Suhail A., H., Ismail N., Wong S., V., Abdul Jalil N., A., 2011, Cutting Parameters Identification Using Multi Adaptive Network Based Fuzzy İnference System: An artificial Intelligence Approach. Scientific Research and Essays Vol. 6 (1), pp [11] Cus, F., Zuperl, U., 2009 Particle Swarm Intelligence Based Optimisation of High Speed End-milling (ACMSSE) Archives of Computational Materials Science and Surface Engineering., Volume 1, Issue 3, [12] Baskar, N., Asokan, P., Saravanan, R., Prabhaharan, G., 2005, Optimization of Machining Parameters for Milling Operations Using Non-conventional Methods International Journal of Advance Manufacture Technology (2005) 25: [13] Jang, J. S. R., 1993, ANFIS: Adaptive-Network Based Fuzzy Inference Systems IEEE Trans. On Systems, Man, and Cybernetics, 23 (03): [14] Çakıt, E., 2008, El Becerisine Etki Eden Faktörlerin Değerlendirilmesine Yönelik Bulanık Mantık Yaklaşımı Yüksek lisans Tezi, Çukurova Üniversitesi Fen Bilimleri Enstitüsü, Adana [15] Zuperl, U., Cus F., ve Kiker E., 2009, Adaptive Network Based Inference System For Estimation of Flank Wear in End-milling journal of materials processing technology 209 pp: [16] Sağlam, H., Ünüvar A., 1999, Takım aşınmasına dayalı çevrimiçi takım durumu izleme sistemleri ve verilerin değerlendirilmesi, Makina-imalat Teknolojileri Sempozyumu, Konya [17] Dweri, F., Al-Jarrah M., Al-Wedyan H., 2003, Fuzzy Surface Roughness Modeling Of CNC Down Milling of Alumic-79, Journal of Materials Processing Technology [18] Yang, L. D., Chen J.C., Chow H.M., Lin C.T., Fuzzy-Nets-Based in Process Surface Roughness Adaptive Control System in End-Milling Operations, International Journal of Advance Manufacturing Technology Vol 28, pp: [19] Ship-Peng Lo, 2003, An Adaptive Network Based Fuzzy Interface System for Prediction of Workspiece Surface Roughness in End Milling., Journal of Material Processing Technology [20] Zuperl, U. Cus. F., 2004., "Tool Cutting Force Modeling in Ball-End Milling Using Multilevel Perceptron"., Journal of Materials Processing Technology , [21] Zhang, J. Z., Chen J.C., 2007, The Development of an In-Process Surface Roughness Adaptive Control System in End Milling Operations, International Journal of Advance Manufacture Technology, Vol:31, pp: ,

14 [22] Xu, C., Shin Y. C., 2008 An Adaptive Fuzzy Controller for Constant Cutting Force in End-Milling Processes, Journal of Manufacturing Science and Engineering., June 2008, Volume 130, Issue 3, [23] Zhao, H. Li J. G., Yao Y. X., Liu C. Q., 2008, Cutting Parameters Optimization for Constant Cutting Force in Milling, Applied Mechanics and Materials Vol pp [24] Zuperl, U., Cus F., Kiker E., 2006 Intelligent Adaptive Cutting Force Control in End- Milling, Tehnicki Vjesnik, Vol:143 pp:15 22, 2006 [25] Zain, Mohd, A., Haron, H. and Sharif, S. 2010, Prediction of Surface Roughness in The End Milling Machining Using Artificial Neural Network, Expert Systems with Applications. 37, [26] Ok, M., Ünüvar A., Ersoylu A.S., 2010, AISI 304 Paslanmaz Çeliklerin İşlenebilirliğinde Yüzey Pürüzlülüğünün Bulanık Mantık Yaklaşımı ile Tahmini 2. Ulusal Talaşlı İmalat Sempozyumu [27] Asiltürk, İ., Çunkaş, M. 2011, "Modeling and Prediction Of Surface Roughness in Turning Operations Using Artificial Neural Network And Multiple Regression Method", Expert Systems with Applications. 38., [28] Asiltürk, İ., 2011, On-line Surface Roughness Recognition System By Vibration Monitoring in CNC Turning Using Adaptive Neuro-Fuzzy inference System (ANFIS) International Journal of the Physical Sciences Vol. 6(22), pp , 2 October, 2011 [29] Zuperl, U., Cus F., Reibenschuh M., 2011., Neural Control Strategy Of Constant Cutting Force System in End Milling, Robotics and Computer-Integrated Manufacturing 27, [30] Cus, F., Zuperl, U., 2011, Real Time Cutting Tool Condition Monitoring in Milling Strojniski Vestnik- Journal of Mechanical Engineering [31] Kabini, S.K., Ikua B.W. and Nyakoe G.N , Review of ANFIS and its Application in Control of Machining Processes. ISSN : Proceedings of the 2011 Mechanical Engineering Conference on Sustainable Research and Innovation, Volume 3, 5th-6th May