Developing an effective method for predicting and preventing tool wear is critical for production efficiency in businesses. In this study, the aim is to predict tool wear using data obtained from CNC machines in an automotive company through the application of machine learning techniques. Machine learning models such as Random Forest Regressor, Gradient Boosting Regressor, Extreme Gradient Boosting Regressor, and Adaptive Boosting Regressor were used. These models were evaluated on three different scenarios composed of various combinations of datasets. The datasets were divided into phases of tool life, and experiments were conducted under the assumption that different models could better predict different phases of tool wear. The models were assessed using the Mean Squared Error metric across all scenarios for different window sizes and phases. The minimum MSE value obtained in Scenario 1 is 0.0242; in Scenario 2, it is 0.0404; and in Scenario 3, it is 0.0041. Dividing tool wear into phases allows for more precise predictions, providing businesses with the opportunity for more accurate and timely interventions.
Kesici takım aşınmasını tahmin etmek ve önlemek için etkili bir yöntem geliştirmek işletmelerde üretim verimliliği açısından kritiktir. Bu çalışmada, bir otomotiv firmasında, makine öğrenmesi teknikleri kullanılarak CNC makinelerinden elde edilen veriler ile kesici takım aşınmasını tahminlemek amaçlanmıştır. Rastgele Orman Regresyonu, Gradyan Artırma Regresyonu, Aşırı Gradyan Artırma Regresyonu ve Uyarlamalı Artırma Regresyonu makine öğrenmesi modelleri kullanılmıştır. Bu modeller, veri setlerinin farklı kombinasyonlarından oluşan 3 farklı senaryo üzerinde değerlendirilmiştir. Veri setleri kesici takım ömrünün evrelerine bölünmüş ve farklı modellerin, kesici takımın farklı evrelerini daha iyi tahmin edebileceği öngörülerek denemeler yapılmıştır. Modeller, Hata Kareleri Ortalaması metriğine göre, farklı pencere büyüklükleri ve evreler için tüm senaryolarda değerlendirilmiştir. Senaryo 1’de elde edilen minimum MSE değeri 0,0242; Senaryo 2’de 0,0404; Senaryo 3’te ise 0,0041 olmuştur. Kesici takım aşınmasının evrelere ayrılması, daha hassas bir şekilde tahmin edilmesini sağlamaktadır ve işletmelere daha doğru ve zamanında müdahale imkanı vermektedir.
