NMQL ortamında XGBoost, SVR ve DNN modelleri kullanılarak akıllı takım aşınması izleme

Gerçek dünya üretimi için neden önemli

Jet motorlarından enerji santrallerine kadar yüksek performanslı metallere dayanan her ürün, keskin ve uzun ömürlü kesme takımlarına ihtiyaç duyar. Ancak zor alaşımların işlenmesi sık sık takımları tüketir, enerji israfına yol açar ve büyük miktarda yağ bazlı soğutucu gerektirir. Bu çalışma, küçük karbon temelli parçacıkları “yeşil” bir yağ içinde kullanarak ve modern yapay zekâyla birleştirerek hem takım ömrünü uzatmanın hem de işlemeyi daha temiz ve daha akıllı hale getirmenin mümkün olduğunu gösteriyor.

Zor bir metali şekillendirmeyi kolaylaştırmak

Araştırmacılar, dayanıklılığı ve ısı direnci için değer verilen ancak işlenmesi zor olmasıyla bilinen nikel bazlı süperalaşım Hastelloy X üzerinde yoğunlaştı. Normal koşullarda bu metalin işlenmesi yoğun ısı ve sürtünme üretir, bu da kesme takımlarına hızla zarar verir. Geleneksel olarak üreticiler takımları soğutmak ve yağlamak için bol miktarda kesme sıvısına güvenir; fakat bu sıvılar dağınık, maliyetli ve çevresel açıdan sorunlu olabilir. Daha sürdürülebilir bir alternatif olarak ekip, minimum miktarda yağlama (minimum quantity lubrication, MQL) stratejisini kullandı; yani kesme bölgesine yalnızca çok küçük, hassas şekilde yönlendirilmiş bir yağ sisi püskürtüldü.

Nano teknolojilerle yeşil yağı güçlendirmek

Böylesi zorlu bir malzemede düşük yağ yaklaşımını etkili kılmak için yazarlar, silindirik yapıda birkaç nanometre çapındaki karbon nanotüplerini kimyasal olarak modifiye edilmiş palm yağına dağıtarak özel bir yağlayıcı geliştirdiler. Manyetik karıştırma, ultrasonik işlem ve stabilize edici katkılar gibi dikkatli hazırlık adımları, nanoparçacıkların topaklanıp çökmek yerine eşit dağılımda kalmasını sağladı. Optik ölçümler, %0,6 nanotüp konsantrasyonunun en stabil karışımı verdiğini gösterdi; bu nedenle bu formül Hastelloy X üzerinde yapılacak ayrıntılı kesme testleri için seçildi.

Farklı koşullar altında takımların nasıl aşındığını izlemek

Ekip, bilgisayar kontrollü bir tezgâhta kaplanmış karbür freze uçları kullanarak Hastelloy X levhaları üzerinde bir dizi frezeleme deneyi gerçekleştirdi. Kuru kesme, sıkıştırılmış hava, MQL altında saf palm yağı ve nanotüp zenginleştirilmiş yeni yağ dahil olmak üzere çeşitli yağlama koşulları karşılaştırıldı. Aşınmış takımlar mikroskop ve elementel analizle incelendiğinde baskın hasar modlarının yapışkan aşınma (iş parçası parçacıklarının takım yüzeyine yapışıp çekilmesiyle oluşan zarar) ve aşındırıcı aşınma (sert parçacıkların takımı çizip oluklar oluşturması) olduğu belirlendi. %0,6 karbon nanotüp içeren yağ ile 25 dakikalık kesme sonrası takım ağzındaki maksimum aşınma, kuru kesmeye kıyasla neredeyse dörtte bir oranında azaltıldı ve saf yağa göre de önemli ölçüde düşürüldü; bu, daha iyi ısı uzaklaştırma ve temas bölgesinde oluşan koruyucu bir film sayesinde gerçekleşti.

Makinelere takım hasarını tahmin etmeyi öğretmek

Yağlamayı iyileştirmenin ötesinde çalışma, bir diğer Endüstri 4.0 zorluğuna el attı: bir takımın arızalanmadan hemen önce ne zaman değiştirileceğini öngörmek. Ek sensörler takmak yerine araştırmacılar, takım aşınmasını doğrudan temel kesme ayarlarından —kesme hızı, ilerleme hızı ve kesme derinliği— tahmin etmek için makine öğrenimi modelleri eğitti. Üç gelişmiş yaklaşımı test ettiler: Extreme Gradient Boosting olarak bilinen bir topluluk yöntemi, çok katmanlı bir derin sinir ağı ve destek vektör regresyonu (SVR) modeli. Hepsi 81 deneysel veri noktasında eğitildi ve dikkatle ayarlandı. İstatistiksel analiz, kesme hızının aşınma üzerinde açık ara en güçlü etkiye sahip olduğunu, bunu ilerleme hızının izlediğini ve test edilen aralıkta kesme derinliğinin ise çok az etkisi olduğunu gösterdi.

En doğru dijital "aşınma öngördüren"i bulmak

Modeller karşılaştırıldığında, boosting yöntemi öne çıktı. Bu yöntemin takım aşınması tahminleri ölçülen değerlerle son derece yakın eşleşti; hata çok küçüktü ve performans skoru (R²) teorik maksimuma yakın bulundu. Diğer iki model ise ilke olarak güçlü olmalarına rağmen bu özel veri setinde zayıf performans gösterdi; bazen sabit bir ortalama aşınmayı varsaymaktan daha kötü sonuçlar verdiler. Bu fark, pratikte doğru algoritma seçiminin ve veri özelliklerinin, yalnızca model karmaşıklığından daha önemli olduğunu vurguluyor.

Daha temiz, daha akıllı fabrikalar için ne anlama geliyor

Basitçe ifade etmek gerekirse, çalışma gösteriyor ki özenle tasarlanmış nano ile güçlendirilmiş bir yeşil yağ, kesme takımlarını daha serin ve daha düzgün tutarak işlenmesi zor bir alaşım üzerinde daha uzun ömür sağlamayı mümkün kılabilir. Aynı zamanda, iyi seçilmiş bir yapay zekâ modeli yalnızca temel makine ayarlarını kullanarak bu takımların ne kadar hızlı aşınacağını güvenilir biçimde öngörebilir. Bu ilerlemeler bir araya geldiğinde, daha az yağ israf eden, takımları yalnızca gerektiğinde değiştiren ve kaliteyi minimum insan müdahalesiyle sürdürebilen makina sistemlerine doğru bir adımı işaret eder — sürdürülebilir, veri odaklı üretime doğru önemli bir ilerleme.

Atıf: Almomani, O., Venkatesh, B., Chaudhary, S.P. et al. Intelligent tool wear monitoring using XGBoost, SVR, and DNN models in NMQL environment. Sci Rep 16, 10030 (2026). https://doi.org/10.1038/s41598-026-40968-8

Anahtar kelimeler: takım aşınması tahmini, nano-lubrifikasyon, Hastelloy işleme, imalatta makine öğrenimi, sürdürülebilir metal kesme