Nümerik kontrollü tezgahlarda üretilecek detay parçaların işleme sürelerinin derin öğrenme yöntemleri ile tahmin edilmesi
No Thumbnail Available
Files
Date
2026
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Başkent Üniversitesi Fen Bilimleri Enstitüsü
Abstract
Hava araçlarını oluşturan yapısal detay parçaların yüksek geometrik çeşitliliği, imalat sürelerinin tahmininde belirsizlik yaratarak maliyet ve takvim planlamasını zorlaştırmaktadır. Geleneksel süreçlerde uzman görüşüne dayalı ve parça başına ortalama 45 dakika süren bu tahminleme süreci, bu tez çalışmasında derin öğrenme tabanlı hibrit bir regresyon modeli ile saniyeler mertebesine indirilmiştir. Çalışma kapsamında, alüminyum alaşımlı parçaların 3 Boyutlu modellerinden çıkartılan analitik öznitelikler ile görsel veriler entegre edilmiştir. Sınırlı veri seti problemini aşmak ve örnek dağılımını dengelemek amacıyla, "Jittering" tabanlı geometrik manipülasyon ve "Dilimleme" tabanlı grup-temelli veri artırımı stratejileri geliştirilmiştir. Mimari tarafta, parçanın hacimsel sınırlarını temsil eden 2B derinlik haritaları ile yüzey eğriliğini kodlayan ısı haritaları kullanılmıştır. Bu verilerin birleştirilmesinde önerilen Isı Haritası Uzamsal Geçit (IHUG) füzyon mekanizması sayesinde, modelin karmaşık geometrik bölgelere odaklanması sağlanmıştır. Deneysel sonuçlar, nihai modelin 18,86 RMSE ve 0,83 R2 değerlerine ulaşarak; çalışma başında hedeflenen 30-45 dakikalık tolerans aralığının alt sınırı olan 30 dakikadan %37 oranında daha düşük bir hata payı sergilediğini kanıtlamıştır. Geliştirilen sistem, endüstriyel kabul kriterlerini de karşılayarak havacılık imalat planlama süreçlerinde hızlı ve hassas bir karar destek mekanizması sunmaktadır. The high geometric diversity of structural detail parts in aircraft manufacturing creates significant uncertainty in predicting production times, thereby complicating cost and schedule planning. This estimation process, which traditionally relies on expert opinion and takes an average of 45 minutes per part, has been reduced to the order of seconds in this thesis through a deep learning-based hybrid regression model. Within the scope of the study, analytical features extracted from 3D models of aluminum alloy parts were integrated with visual data. To overcome the challenges of limited datasets and imbalanced sample distributions, "Jittering-based" geometric manipulation and "Quantile-based" group data augmentation strategies were developed. Architecturally, 2D depth maps representing the volumetric boundaries of the parts were utilized alongside heatmaps encoding surface curvature. By employing the proposed Heatmap-Guided Spatial Gating (HGSG) fusion mechanism to integrate these data streams, the model was enabled to focus on complex geometric regions. Experimental results demonstrate that the final model achieved an RMSE of 18.86 and an R2 of 0.83, proving an error margin 37% lower than the 30-minute lower bound of the 30-45 minute tolerance range initially targeted at the beginning of the study. The developed system exceeds industrial acceptance criteria, providing a fast and precise decision-support mechanism for aerospace manufacturing planning processes.
Description
Keywords
nümerik kontrol, havacılık, yapısal parça, derin öğrenme, 3B model, regresyon, veri artırımı, füzyon, ısı haritası, numerical control, aerospace, structural part, deep learning, 3d model, regression, data augmentation, fusion, heat map.