3B Sanal İmalat Sistemlerinde Yapay Sinir Ağı ile Takım Aşınmasının Modellenmesi

3B Sanal İmalat Sistemlerinde Yapay Sinir Ağı ile Takım Aşınmasının Modellenmesi H. Gökçe * TÜBİTAK Savunma Sanayii Araştırma ve Geliştirme Enstitüsü Ankara Özet Bu çalışmada, yapay sinir ağı tekniği ile elde edilen kesici takım aşınma modelinin üç boyutlu (3B) sanal işleme yazılımında iş parçasına etkisi incelenmiştir. Sanal ortamda iş parçası ve kesici takımın etkileşimini tanımlamak için poligon tabanlı modelleme tekniğinden, kesici takım aşınma bilgisi için geri yayılım tekniğinden faydalanılmıştır. Kesilecek malzemenin sertliği, kullanılan kesici takımın cinsi ve kesme parametrelerine göre kesici takım üzerinde meydana gelen aşınma miktarı 3B kesici takım modeline yansıtılmış ve nihai iş parçası üzerinde kalan talaş miktarı elde edilmiştir. Deneysel sonuçlarla YSA sonuçları karşılaştırıldığında, tasarlanan modelin başarılı bir şekilde oluşturulduğu ortaya konmuştur. Anahtar kelimeler: takım geometrisi, sanal imalat, yapay sinir ağları Abstract In this study, effect of cutting tool wearing on the workpiece has been reviewed in three dimensional (3D) virtual machining software environment. Cutting tool wearing was obtained by artificial neural network (ANN) method. In virtual environment, polygon based modeling technique was utilized to define the interaction of workpiece and cutting tool while forward propagation technique was utilized for the information of cutting tool wearing. Hardness of the material to be cut, type of the used cutting tool and amount of wearing tool place on the cutting tool according to cutting parameters were reflected to 3D cutting tool model, and amount of chip remained on the final workpiece was obtained. When experimental and ANN results were compared, it was revealed that the designed model was successfully created. Keywords: tool geometry, virtual machining, artificial neural networks I Giriş 1 Talaşlı imalat endüstrisinde tornalama işlemi en önemli üretim süreçlerinden biridir. Tornalama sonucu elde edilmiş parçaların kalitesi, toplam ürün kalitesini etkileyen bir faktördür. Dolayısıyla bu parçalarda kalite seviyesini yükseltmek zorunludur [1]. Tüm talaşlı imalat işlemlerinde maliyeti ve kaliteyi etkileyen ana unsurlar iş parçası ve kesici takım etkileşim modelidir. Talaş kaldırma anında kesici takım, kesme kuvvetleri olarak adlandırılan yüklere maruz kalır. Kesme kuvvetleri, malzemenin birincil ve ikincil deformasyon bölgelerinde meydana gelen plastik şekil değiştirme ve takım talaş ve takım iş parçası ara yüzeylerinde oluşan sürtünmelerden kaynaklanır. Talaş kaldırma deneylerinde, dik ve eğik kesme olmak üzere iki farklı yöntem uygulanmaktadır. Eğik kesme yöntemi 3B olduğundan dik kesme işlemine kıyasla daha karmaşık bir geometriye sahiptir. Bu nedenle deneysel çalışmalarda işlem kontrolünün daha kolay ve etkin olarak yapıldığı, parametre sayısı az olan ve mekanik davranışın 2B incelenebildiği dik kesme (ortogonal) yöntemi daha çok tercih edilmektedir [2]. Talaş kaldırma sırasında kesme kuvvetini etkileyen değişik faktörler söz konusudur. Kesme hızı, ilerleme hızı, takım geometrisi, işlem türü, iş parçası ve takım malzemesi kesme kuvvetini etkileyen önemli faktörler arasındadır. Bu faktörlerden kesici takım geometrisi kesme kuvvetleri üzerindeki etkisinin yanında, talaş oluşumu, yüzey pürüzlüğü ve takım aşınması gibi hususların hepsini birden etkileyen önemli bir unsurdur [3]. Son yıllarda talaş kaldırma sürecini analiz edebilmek için birçok farklı yöntem geliştirilmiştir. Bilgisayar teknolojisindeki hızlı gelişmeler ve bilgisayarlı grafik uygulamalarının artması, bilgisayar ortamında karmaşık nümerik metotlu analizlerin yapılabilmesine olanak sağlamıştır. Özellikle sonlu elemanlar metodu (SEM) günümüzde artan bir ilgiye sahip olmuştur. Tornalama operasyonlarındaki talaş kaldırma işleminin analizi için Eulerian ve Lagrangian algoritmasına dayanan sonlu elemanlar metotları geliştirilmiştir [4]. Talaş kaldırma işlemi doğrusal olmayan açık hesaplamalar içermektedir ve çok fazla deneysel verinin bilgisayar ortamına aktarılması zordur. Ayrıca, deneysel çalışmaların uzun süre alması, zahmetli ve pahalı oluşu imalat sürecinin doğrulanmasını zorlaştırmaktadır. Bu sebeplerden ötürü amaca yönelik deneysel veriler ile istatistiksel veri analizine dayalı süreç tahmin yöntemleri geliştirilmiştir. Endüstride takım aşınmasının tahmin edilmesi için kullanılan en yaygın dört yöntem şunlardır: Çoklu regresyon analizi, Matematiksel modelleme, Bulanık küme tabanlı teknikleri, Yapay sinir ağı modellemesi, * harungokce@yahoo.ca 1

Kesici takım aşınma mekanizmasının modellenmesi, esasen talaş kaldırma işlemine bağlı karmaşık bir süreçtir. Bu yüzden analitik olarak aşınma değerinin bulunması oldukça zordur. Mevcut deneysel aşınma verilerinden yola çıkarak YSA yöntemleri ile süreç analizleri kolayca yapılabilmektedir. Bu doğrultuda yapılan çalışmalarda deneysel veriler ile YSA verilerinin yakın sonuçlar verdiği görülmüştür. Du vd. tornalama işleminde takımın kırılması, aşınması ve talaş oluşumunu YSA yöntemini kullanarak izlemişlerdir. Çalışmada deneysel veriler için güç sensörü, kuvvet sensörü ve titreşim sensörü içeren çoklu sensör sistemleri kullanılmış ve yüzde 90 doğruluk göstermiştir [5]. Diğer bir çalışmada, Neşeli vd. YSA yaklaşımı ile tornalamada yüzey pürüzlülüğünün tahmin edilmesini amaçlamışlardır. Giriş parametresi olarak, kesici takım uç yarıçap, yaklaşma açısı, talaş açısı tanımlanmıştır. Çıkış parametresi olarak (R a ) yüzey pürüzlülüğü tahmin edilmiştir. Elde edilen veriler, deneysel sonuçlar ile karşılaştırılmış ve yakın değerler verdiği tespit edilmiştir. İmalat sistemlerinde hata kontrolü için sanal imalat sistemleri geliştirilmiştir. Bu sistemler ile beraber takım hareketleri ve iş parçası nihai durumu bilgisayar ortamında 3B olarak görüntülenebilmektedir. Sanal imalat sistemleri fiziksel ve model tabanlı olarak iki farklı yaklaşımla gelişim göstermiştir. Sonlu elemanlar yöntemi ile yapılan talaş kaldırma analizleri fizik tabanlı modelleme prensibine dayanmaktadır. Endüstride kullanılan Bilgisayar Destekli İmalat (BDİ) yazılımları ise avantajlarından dolayı model tabanlı yaklaşımlar ile geliştirilmektedir. Bu çalışmada, BDİ yazılımlarından farklı olarak, YSA tekniği ile elde edilen kesici takım aşınma modelinin 3B sanal işleme yazılımında iş parçasına etkisi incelenmiştir. Sanal ortamda iş parçası ve kesici takımın etkileşimini tanımlamak için poligon tabanlı modelleme tekniğinden, kesici takım aşınma bilgisi için geri yayılım tekniğinden faydalanılmıştır. İş parçası malzemesi, kesici takım cinsi ve kesme parametrelerine göre takım üzerinde meydana gelen aşınma miktarı 3B kesici takım modeline yansıtılmış ve nihai iş parçası üzerinde kalan talaş miktarı elde edilmiştir. Aşınma modelinin oluşturulmasında MATLAB dan, 3B nesne modellerinin hazırlanmasında OpenGL grafik programlama dilinden faydalanılmıştır. paslanmaz çeliklerin işlenmesi için tavsiye edilmiştir. Bu kesici takımlar DDJNR 2525 M-15 takım tutucuya yanaşma açısı 75 0 olacak şekilde rijit bir şekilde mekanik olarak bağlanmıştır. Kullanılan kesme hızları 130, 140 ve 150 m/dk olarak seçilmiştir. İlerleme hızı 0.15, 0.20 ve 0.30 mm/dev ve talaş derinliği 2.5 mm olarak belirlenmiştir. Deney parametreleri, mümkün olduğunca ISO 3685 standardına uygun olarak hazırlanmıştır. C S P Mn Ni Mo Cu AISI1030 0,30 0,028 0,012 0,68 0,09 5,00 0,29 TABLO 1. Malzemenin kimyasal bileşenleri Takım tezgahı Kesici takım malzemesi İş parçası malzemesi Kesme hızı İlerleme miktarı Talaş derinliği Yanak aşınması Parametreler GoodWay GA-280L IC8250 and IC9250 AISI 1030 85 HRC 130, 140, 150 m/dk. 0.15, 0.20, 0.30 mm/dk. 2.5 mm VB TABLO 2. İşleme parametreleri Aşınmış kesici uçlar JEOL JSM 6360 LV tipi bir tarama elektron mikroskobunda (SEM) incelenmiştir. Şekil 1 de SAE 1030 85HRC paslanmaz çelik malzemenin işlenmesinde kullanılan kesici takımın talaş yüzeyinden çekilmiş SEM fotoğraflarında aşınmalar görülmektedir. Aşınma esas olarak, kesici takımın işlenmemiş iş parçası yüzeyi ile temasta olduğu bölge, kesici takımın yeni oluşan iş parçası yüzeyi ile teması kestiği bölge ve burun bölgesi olarak üç bölgede gerçekleşmiştir. II. Deneysel Çalışmalar İşlenebilirlik deneyleri, SAE 1030 85HRC paslanmaz çelik malzemeyi tornalamak suretiyle yapılmıştır. Bu malzemenin kimyasal bileşenleri Tablo 1 de verilmiştir. Silindirik iş parçası malzemesi üzerindeki işlenebilirlik deneyleri Goodway marka GA-280L CNC torna tezgahı kullanılarak yapılmıştır. İş parçası malzemeleri 150 mm uzunluğunda ve 40 mm çapındadır. Deneyler esnasında soğutma sıvısı kullanılmamıştır. Kesici takım olarak Sandwick firmasının IC8250 ve IC9250 uçları seçilmiştir. Bu takımlar, üretici firma tarafından 2 Şekil 1. İşleme zamanına göre yanak aşınması x50 SEM fotoğrafından aşınmaların küçük kırılmalar (chipping) şeklinde olduğu görülmektedir. Kesici takımın yeni oluşan iş parçası yüzeyi ile teması kestiği bölgeden daha büyük bir büyütme ile çekilen SEM fotoğrafından kırılmalar daha iyi görülebilmektedir. Burada gerçekleşen kırılmaların adhesiv aşınma mekanizması sonucudur. Tablo 3.Kesici takım aşınma miktarı (mm)

Kesici Takım IC 8250 IC 9250 İlerleme (mm/dk.) Kesme Hızı (m/dk.) 130 140 150 0.15 0.060 0.055 0.050 0.20 0.055 0.045 0.040 0.30 0.060 0.050 0.045 0.15 0.070 0.065 0.055 0.20 0.065 0.060 0.045 0.30 0.075 0.070 0.060 Kesme hızı artıkça takım üzerinde oluşan yığma kenar azaldığı için yanak aşınmasında azalma görülmüştür. Buna göre kesme hızının artması ile VB yanak aşınması değerinin dolaylı olarak azaldığı tespit edilmiştir. İlerleme hızı 0.15 mm/dev den 0.2 mm/dev. değerine yükseltildiğinde yanak aşınması azalırken 0.3 mm/dev. çıkarıldığında VB değerinde artış gözlenmiştir. 150 m/dk. kesme hızında 0.2 mm/dev ilerleme hızında en az yanak aşınması olduğu görülmüştür. Yukarıdaki tabloda farklı kesme parametrelerinde meydana gelen yanak aşınma değerleri sayısal olarak ifade edilmiştir (Tablo 3). III. 3B Kesici Takım ve İş Parçası Geometrisi Tornalama işleminde kesici takım ve iş parçası vektör tabanlı poligon model olarak düşünülebilir. Bu yaklaşım temelinde poligon kırpma tekniği, simülasyon boyunca arzu edilen geometriyi elde etmek için her iki parçaya uygulanır. Poligonların birbirleri ile etkileşimi sonucu dinamik parça geometrisi etkilenir ve işlenecek parçanın nihai 3B modeli bu metot ile üretilmiş olur. Poligon modelleme tekniğinde kesici takım ve iş parçası oluşturma yapısı birbirine çok yakındır. Temel olarak iki fark gözlemlenmektedir. Birincisi, iş parçasındaki uzunluk ve çap koordinatları yerine kesici takım sınır koordinat bilgilerine ihtiyaç duyulur. İkincisi ise iş parçası 3B modelinin oluşturulmasında döndürerek süpürme işlemi uygulanırken kesici takım modelinde doğrusal süpürme işlemi uygulanır. Kesici takım geometrisi endüstriyel kullanım açısından iş parçasından farklı olarak parametrik inşa edilir. ISO 13399 standardına göre kullanıcı tarafında serbest olarak değiştirilebilen takım tipi, iç çap, kesici kenar uzunluğu ve uç kavis bilgisi değişken parametre olarak tanımlanırken sınır koordinatları parametrik tanımlanır. Uygulamada takım geometrisi, eşkenar dörtgendir. Bu tip kesici takımlar tornalama operasyonlarında yaygın kullanıma sahiptir. Parametrik eşkenar dörtgen takım sınır şartları: 0,0 3 2 2 2, 3 2 2 2, 2, 2 2, 2 2, 2 Burada P 1 kesici uç yarıçap merkez koordinatını gösterirken, diğer değerleri ise kesici takımın köşe koordinatlarını belirtmektedir. Kesici takımın oluşturulması için gerekli olan yarıçap, kenar uzunluğu ve uç açısı kullanıcı tarafından girilerek, yukarıdaki eşitlikler ile hesaplanır. Şekil 3. Kesici kavis parametreleri. Kesici takım doğrular yardımı ile çizdirileceğinden dolayı uç yarıçapı doğru parçaları ile modellenmiştir. 2B düzlem üzerinde hazırlanan kesici takım poligon geometrisinin 3B olarak dönüştürülmesinde doğrusal süpürme işlemi uygulanır. Bu işlem, kesici takımı oluşturan poligon doğrularının belirtilen bir vektörde tekrar oluşturulup aralarının ağ örme metodunu kullanarak kapatılmasıyla olur. Şekil 2. Eşkenar dörtgen kesici uç parametreleri. Şekil 4. Geliştirilen kesici takım ve iş parçası 3B modeli. 3

Süpürülecek poligon geometrisini oluşturan doğrular tek tek Y düzleminde belirlenen mesafe kadar ötelenir. Öteleme sonucunda oluşan dörtgen alanlar üçgen ağ örme metodolojisine göre kesişim doğrusu ile ikiye bölünür. Bu işlem doğrusal süpürme olarak ifade edilir. Poligonun tüm kenar çizgileri için süpürme işlemi uygulandığında ve matematiksel işlem gerçekleştiğinde, nihai süpürülmüş poligon yapısı elde edilmiş olur. Benzer süreç iş parçası 3B modeli içinde uygulanır. IV. Takım Aşınmasının Sanal Ortamda Uygulanması Kesici takım aşınma durumunu belirlemek için yapılan deneysel verilerden faydalanılmıştır. Elde edilen aşınma ölçümleri ile MATLAB ortamında yapay sinir ağı modeli kurulmuştur. Kesici takım aşınma bilgisinin değişken verilerinin çokluğu iterasyon sayısını artıracağından dolayı bazı değişkenler sabit olarak alınmıştır. Elde edilen aşınma veri setleri geliştirilen sanal işleme sistemine aktarılmıştır. NC kod bilgisinden alınan kesme parametreleri ve iş parçası kesici takım malzeme bilgisine göre kesici takım 2B poligon geometrisi anlık güncellenir ve iş parçasının boyutlarındaki sapma miktarı sanal ortamda tespit edilir. Yapay sinir ağlarındaki işaretin akış yönüne bağlı olarak, ileri beslemeli (feedforward) ve geri beslemeli (feedback veya recurrent) ağlar olmak üzere iki çeşit ağ modeli vardır. Bu çalışmada ileri beslemeli ağ yapısı kullanılmıştır. Bu ağda bilgi sadece ileri yönde gizli ve çıkış katmanına doğru hareket eder. Sistem belleksizdir. Bu ağ yapısına statik ağlarda denilmektedir. Şekilde bu çalışma kapsamında geliştirilen çok katmanlı ileri beslemeli ağ yapısı gösterilmiştir. Şekilde görüldüğü üzere sinyaller daima ileri yöne taşınmaktadır. İleri beslemeli bağlantıların ağırlıkları eğitim sırasında değiştirilebilir ama geri dönüşümlerin bağlantı ağırlıkları değiştirilemez, sabittir. Öğrenme ağı için giriş katmanında 4, gizli katmanda 5 ve çıkış katmanında 1 adet nöron yapı bulunmaktadır. Kurulan algoritma MATLAB ortamında derlenmiştir. Takımyolu iterasyonu ve hesaplaması YSA yöntemi ile takım aşınmasının tahmin edilmesi Aşınmış takım geometrisinin çizdirilmesi Şekil 5. Tahmini takım aşınması miktarının tespiti. YSA da oluşabilecek hataları minimize edebilmek için eğitim algoritmaları kullanılır. Eğitim algoritmaları, ağdaki ağırlıkları ayarlayarak hata değerini minimize eder. Bir karesel hata fonksiyonunun toplamı (mean square error) aşağıdaki eşitlik ile hesaplanır: 1 1,, Hedef edilen çıkış değeri ve ağın çıkışından elde edilen değerdir. Her ağırlık aşağıdaki eşitlik ile ayarlanır: Mümkün olduğu kadar hızlı bir şekilde azaltmak için hesaplanması kullanılacak eğitim algoritmasına göre değişir. Uygulamalarda kullanılan diğer bir yöntemde geri yayılımlı (back propogation) algoritmadır. Geri yayılım ağında hatalar, ileri besleme aktarma işlevinin türevi tarafından, ileri besleme mekanizması içinde kullanılan bağlantılar aracılığıyla geriye doğru yayılmaktadır. Standart geri yayılım algoritmasında uzun hesaplama zamanı ve yerel minimumda yakınsama riski gibi dezavantajları vardır. Farklı optimizasyon teknikleri kullanılarak performansı geliştiren yüksek performanslı geri yayılım eğitim algoritmalarından Levenberg- Marquart algoritması bu çalışma kapsamında YSA nın eğitilmesinde kullanılmıştır. Levenberg ve Marquart temel olarak en yakın komşuluk üzerine kurulmuş en az karaler hesaplama metodudur. Bu algoritma Gauss- Newton ve Gradient-Descent algoritmalarının en iyi özelliklerinden oluşur ve bu iki metodun kısıtlamalarını kaldırır. Genel olarak bu metot yavaş yakınsama probleminden etkilenmez. Gauss-Newton algoritmasının bir kombinasyonu olan Levenberg Marquart algoritması optimizasyon problemlerinde eğimli düşüş algoritmasına göre (gradient descent) daha etkilidir. Ayrıca daha hızlıdır. Bir sinir ağı modeli oluşturmak için nöronların bağlanış şekli, işlemci elemanlarının kullandıkları toplama ve aktivasyon fonksiyonları, öğrenme metodu, öğrenme kuralı ve algoritması belirlenmelidir. Eldeki veriye göre model tasarlanır. Kurulan modelin başarısı modelin mimarisinin doğru oluşturulması ile doğrudan ilgilidir. Bunun için YSA tasarımcısının, ağ yapısına ve işleyişine ilişkin aşağıdaki kararları vermesi gerekmektedir: Ağ mimarisinin seçimi ve yapısal özelliklerinin belirlenmesi (katman sayısı ve nöron sayısı), İşlemci elemanların özelliklerinin belirlenmesi, Öğrenme algoritması ve parametre belirlenmesi, Eğitim ve test setinin oluşturulması. 4

Bu kararlar doğru verilmediği takdirde sistem karmaşıklığı artacaktır. En doğru kararı verebilmek için literatürdeki benzer çalışmalar gözden geçirilerek uygulanacak problem için belirlenmiş olan parametreler ile yapıyı tasarlamaya ve eğitmeye başlamak en akılcı yaklaşım olacaktır. Ayrıca sistem tasarlanırken uygulamanın ne kadar süreceği, hafızada ne kadar yer kaplayacağı gibi bilgiler düşünülmelidir. Şekil 7. Çalışmada kullanılan eğitim verilerinin yaklaşımı. Şekil 6. Çalışmada oluşturulan yapay sinir ağı yapısı. Yapay sinir ağı tekniği ile kesici takım aşınma parametrelerinin çözüm modeli oluşturulurken Giriş katmanını oluşturan kesme hızı, ilerleme, talaş derinliği ve zaman değişkenleri deneysel çalışmalardan elde edilmiştir. Tabloda belirtilen koşullarda yapılan deneysel çalışmalarda belirli kesme hızı ve ilerlemeler için kesici takımın zamana bağlı aşınmasını gözlemlemiştir. Bu çalışma kapsamında geliştirilen YSA yapısı için Tablo 3 te belirtilen deneysel kesici takım aşınma verileri kullanılmıştır. Deney sonuçları ile elde edilen zamana bağlı yanak aşınma miktarı sistemin eğitilmesinde kullanılmıştır (Şekil 7). MATLAB ile YSA girdi verilerini NC kod verilerinden elde edebilmeyi sağlayacak bir hesaplama sistemi geliştirilmiştir. Geliştirilen bu sistem sanal işleme sistemine entegre edilerek kritik aşınma değerlerini kullanıcıya bildirmektedir. Girdi parametrelerinin NC kod verileri ile elde edilmesinde bazı formüllerinden faydalanılmıştır. İşleme zamanının hesaplanması için;.... 1000. Kesme hızının hesaplanması için;.. 1000 YSA da belirlenen giriş katmanları, takım yolu satırlarındaki talaş kaldırma operasyonları (G01,G02 ve G03 bulunan satırlar) hesaplanarak elde edilir. Yukarıdaki eşitlikler ile işleme satırları için elde edilen giriş katmanı verilerine göre kesici takım aşınma miktarı YSA çözüm kümesinden çağrılır. Her satır için belirlenen aşınma miktarı bir önceki aşınma miktarı ile toplanarak toplam aşınma miktarını hesaplanmaktadır (Tablo 4). Kesici takım doğrular yardımı ile çizdirileceğinden dolayı uç kavisi küçük doğru parçaları ile modellenmiştir. Tablo 4. NC kod ile takım aşınmasının tahmin edilmesi N05 G54; N10 T0101; N15 G00 X150. Z100.; N20 S1560 M03; N25 G00 X0. Z5.; N30 G01 Z0. F0.2; N35 G01 X32.; N40 G01 Z-18.; N45 G01 X52.; N50 G01 X80. Z-54.; N55 G01 Z-86.; N60 G01 X104.; N65 G01 Z-118.; N70 G00 X110. Z110.; N75 M30; Kesme hızı: 156 m/dk. İlerleme: 0,2 mm/dev. İşleme süresi: 3.4 s Talaş derinliği: 2.5 mm Tahmini takım aşınması: 0.002 mm Poligon tabanlı kesici takım toplam aşınma miktarı kadar her adımda güncellenmektedir. Her adımda kesici uç kavis çapında küçülme yani aşınma, doğrular yardımı ile simüle edilmektedir. Talaş kaldırma operasyonlarında elde edilen takım aşınma verileri ilgili kodun altına [VB:(aşınma miktarı)] şeklinde yazılır ve simülasyon sisteminde kayıtlı olan NC kod güncellenir. Sanal ortamda sistem daha önce belirlenmiş aşınma değerlerini aştığı an kullanıcıya bilgi vererek sistemin denetlenmesi sağlanır (Şekil 8). Talaş derinliğinin hesaplanması için; X X X ve. 5

Şekil 8. Tahmini takım aşınmasının sanal ortamda tespiti. V. Sonuçlar Günümüzde hem ekonomik hem de kaliteli üretim yapmanın önem kazanması ile beraber talaşlı imalat alanında takım durumunun izlenmesi, üzerinde önemle durulan araştırma alanlarından biri haline gelmiştir. Takım durumu izleme sistemlerinde genellikle iki durum gözlemlenmektedir, bunlar takım kırılması ve takım aşınmasıdır. Takım aşınması, aşınma gelişimini sürdürürken, aşınma bölgesinin bir mikroskop altında incelenmesi ile belirlenir ve bu inceleme aşınma kriterinin belirli bir değere ulaşmasına kadar sürdürülür. Kesme parametrelerinin deneysel çalışmalarla belirlenmesi, iş parçası ve kesici takım malzemesi türlerinin çok farklı olması yapılacak deneysel çalışmaların sayısını arttırmaktadır. Bu durum, deneysel çalışmalar için maliyet artışı ve teknik zorlukları getirmektedir. Deneysel çalışmalardaki ideal şartların her çalışmada korunması da pek mümkün olmamaktadır. İş parçası ve kesici takım özellikleri ile birlikte kesme parametreleri olan kesme hızı, ilerleme oranı, kesme derinliği, çalışma sıcaklığı gibi etkenler takım aşınma miktarını belirleyen ideal şartları oluşturmaktadır. Bu çalışmada, mevcut endüstriyel BDİ yazılımlarından farklı olarak, yapay sinir ağı tekniği ile elde edilen kesici takım aşınma modelinin 3B sanal işleme yazılımında iş parçasına etkisi incelenmiştir. Sanal ortamda iş parçası ve kesici takımın etkileşimini tanımlamak için poligon tabanlı modelleme tekniğinden, kesici takım aşınma bilgisi için geri yayılım tekniğinden faydalanılmıştır. Kesilecek malzemenin sertliği, kullanılan kesici takımın cinsi ve kesme parametrelerine göre kesici takım üzerinde meydana gelen aşınma miktarı 3B kesici takım modeline yansıtılmış ve nihai iş parçası üzerinde kalan talaş miktarı elde edilmiştir. Kaynakça [1] Neşeli S., Taşdemir S., Yaldız S. Yapay Sinir Ağı Yaklaşımı ile Tornalamada Yüzey Pürüzlülüğünün Tahmin Edilmesi. Eskişehir Osmangazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 22(3):10 17, 2009. [2] Şeker U. Kesici Takım Tasarımı Ders Notları, Gazi Üniversitesi Teknoloji Fakültesi İmalat Mühendisliği, 2008. [3] Köksal S., Nart E., Batman F. Kesici Kenar Mikro Geometrisinin Takım Aşınması ve Kesme Kuvvetlerine Etkisinin İncelenmesi. International Iron and Steel Symposium, Karabük, 12-13 Eylül 2012. [4] Lee D. The Effect of Cutting Speed on Chip Formation Under Orthogonal Machining. Journal of Engineering for Industry, 107(1):55 63, 1985. [5] Du R.X., Elbestavi M.A., Li S. Tool Condition Monitoring in TurningUsingFuzzySetTheory. International Journal of Machine Tools and Manufacture, 32(6):11 19, 1992. [6] Gökçe H. 3B Sanal İmalat Sistemleri için Nesne Modelleme Teknikleri, Gazi Üniversitesi Fen Bilimleri Enstitüsü Doktora Tezi, 2014. [7] Gençoğlu A. Physics Based Turning Process Simulation, The University of British Columbia Master Thesis, 2011. Teşekkür MANUS Yazılım Ltd. firmasına bu çalışmada verdiği desteklerden dolayı teşekkür ederiz. 6