• Buradasın

    CNC Makinelerinde Yapay Zeka ile Devir ve Hız Ayarlaması Eğitimi

    youtube.com/watch?v=bbKdRbfWN_Q

    Yapay zekadan makale özeti

    • Bu video, bir eğitmen tarafından sunulan teknik bir eğitim içeriğidir. Eğitmen, CNC makinelerinde operatörlerin devir ve hız ayarlamasındaki hataları ve bunun verimliliğe etkilerini anlatmaktadır.
    • Video, CNC makinelerinde operatörlerin takım tipine göre uygun devir ve hız ayarlamaması nedeniyle yaşanan verimsizliklere odaklanmaktadır. Eğitmen, bu sorunu çözmek için Python programlama dilini, Jupyter Notebook ve Anakonda araçlarını kullanarak yapay zeka (makine öğrenmesi) modeli geliştirme sürecini adım adım göstermektedir. Proje, DS-1 ve DS-11 veri setlerini kullanarak kesme hızı, takım çapı ve diş sayısı gibi parametreleri kullanarak makineye uygun devir değerini tahmin edecek bir model oluşturmayı amaçlamaktadır.
    • Eğitim içeriğinde Lasso regresyon modeli kullanılarak model kurma süreci, veri setinin %75'ini eğitim için, %25'ini test için ayırma ve takım çapı, kesici ağız sayısı ve ilerleme hızı gibi parametrelerin değiştirilmesiyle devir sayısının nasıl değiştiği gösterilmektedir. Video, makine kesimi için otomatik devir hesaplama sisteminin nasıl entegre edilebileceğini öğrenmek isteyenler için faydalı olacaktır.
    00:01CNC İşlemlerinde Verimsizlik Sorunu
    • Konuşmacı, CNC ile ilgili bir konu hakkında konuşacağını belirtiyor.
    • Türkiye'de operatörler ve program kullananlar, kullandıkları takımın tipine göre devir ve hız ayarlama konusunda dikkat etmemektedir.
    • Bu durum bıçağın ömrünü kısaltıyor, daha çabuk kırılıyor veya körleniyor ve firma içinde verimsizlikler yaratıyor.
    01:50Proje Amacı ve Yöntemi
    • Konuşmacı, bir firma içerisindeki verimliliği maksimuma çıkarmak ve verimsizliklerin önüne geçmek için bir proje geliştirmektedir.
    • Proje, makinalardaki hız-devir orantısını kullanıcıdan alıp yapay zeka yazılımlarına vermek yönünde bir çalışmadır.
    • Yapay zeka denildiği halde, aslında bu çalışma makine öğrenmesi ve derin öğrenme ile ilgilidir.
    02:42Proje Detayları
    • Proje, konuşmacının kendi kütüphanesinden ve deneyimlerine dayanarak oluşturduğu bir dataset üzerinden geliştirilecektir.
    • Dataset, devir, kesme hızı, takım cinsi, kesici ağız sayısı ve kestiği malzemeye göre skorlama yapmış bir veri setidir.
    • Derin öğrenme metoduyla makineyi eğitip, uygunsuz devir-hızları yakalayıp verilen hıza göre uygun hale getirmeye çalışılacaktır.
    04:30Kullanılacak Araçlar
    • Proje için Python programlama dili ve Spider arayüzü kullanılacaktır.
    • Verileri daha iyi izleyebilmek için arada bir Jupyter Lab kullanılacaktır.
    • Konuşmacı, Python'da derin öğrenme algoritması yazabilmek için gerekli kütüphaneleri tanıtacaktır.
    06:43Kullanılacak Kütüphaneler
    • Python'da derin öğrenme için olmazsa olmaz kütüphaneler arasında Pandas ve Numpy bulunmaktadır.
    • Bu kütüphaneler, veri setleri üzerinde işlemler yapmayı ve veri setlerine ulaşmayı sağlar.
    • Makine öğrenmesi için cct-learn kütüphanesi kullanılacak ve lineer modellemede lasso modeli tercih edilecektir.
    08:49Veri Çekme İşlemi
    • Programın içine verileri çekmek için öncelikle pandas kütüphanesinden veri seti çekilecektir.
    • Pandas kütüphanesinde CSV, Excel, HTML, JSON ve SQL gibi çeşitli veri formatlarından veri çekilebilir.
    • Konuşmacı, CSV dosyasını çekip ilk beş parametresini yazdırmak için gerekli kodları çalıştıracaktır.
    10:06Veri Setlerinin Hazırlanması
    • Beş parametre içeren veri seti görsel olarak iyi görünmediği için Jupyter Notebook'a aktarılıyor.
    • İlk beş parametre ve on parametre alınarak veri seti inceleniyor.
    • Veri setinde devir, kesme hızı, takım çapı, diş sayısı ve skor gibi parametreler bulunuyor.
    11:30İkinci Veri Setinin Ekleme
    • İkinci veri seti (tool11.csv) de alınarak veri seti genişletiliyor.
    • Tool11.csv daha kapsamlı olup giriş voltajları, çekme basıncı gibi ek parametreler içeriyor.
    • Tool11.csv'de 2314 satır ve 48 sütun bulunuyor.
    14:00Veri Setinin Analizi
    • Posttan alınan kesme hızı, takım çapı ve diş sayısı gibi parametreler kullanılarak makine eğitilecek.
    • Makine, hıza, çapa ve diş sayısına göre uygun devri verecek şekilde eğitilecek.
    • Veri setinden devir (y) ve hız, çap, diş sayısı (x) gibi parametreler ayrılıyor.
    17:46Model Kurma İşlemi
    • Lasso regresyon modeli kurulacak.
    • Veri seti, trainset.split fonksiyonu ile %75 eğitim ve %25 test olarak parçalanıyor.
    • Lasso modeli kurulup, alpha parametresi ile eğitim işlemi başlatılıyor.
    22:47Lasso Model Kurulumu ve Çalıştırma
    • Alpha parametresi doğru şekilde "alpha" olarak yazılmalıdır, aksi takdirde hata verir.
    • Lasso model kurulduktan sonra "laso model" komutu ile çalıştırılabilir.
    • Model, alfa parametresini alarak extru-fit işlemi yaparak normalize işlemlerini gerçekleştirir ve eğitilir.
    23:27Modelin Test Edilmesi
    • Eğitim sonrası test edilen veriler "lassomo.predict" komutu ile görüntülenebilir.
    • Model, test edilen x değerlerine göre tahmin yapar ve sonuçları gösterir.
    • Gerçek hayatta model kurmak için farklı değerler gönderilebilir.
    24:54Gerçek Hayatta Model Kurma
    • Gerçek hayatta model kurmak için "deneme.anc" dosyası kullanılır.
    • Bu dosya, standart bir operatör veya programcı tarafından yazılmış bir programdır.
    • Program, takım çapı, kesici ağız sayısı ve ilerleme değerleri gibi parametreleri alır.
    26:06Veri İşleme ve Model Uygulaması
    • Dosya "ps open" komutu ile açılır ve "list" fonksiyonu ile liste içerisine alınır.
    • İlk satırdaki takım çapı ve kesici ağız sayısı "split" fonksiyonu ile ayrılır.
    • Gelen değerler "print" komutu ile ekrana yazdırılır.
    29:32Model Sonuçlarının Gösterilmesi
    • Model, verilen takım çapı, kesici ağız sayısı ve ilerleme değerlerine göre devir sayısını hesaplar.
    • Hesaplanan devir sayısı "print" komutu ile ekrana yazdırılır.
    • Program, kullanıcının inisiyatifinden çıkarak doğru devir sayısını belirler.
    33:00Farklı Durumlarda Model Testi
    • Farklı devir değerleri ve takım çapları için model test edilir.
    • Kesici ağız sayısı değiştiğinde (örneğin Z3'ten Z2'ye) devir sayısı değişir.
    • Model, eğitim setlerinden öğrendiği bilgileri kullanarak doğru devir sayısını hesaplar.

    Yanıtı değerlendir

  • Yazeka sinir ağı makaleleri veya videoları özetliyor