3B baskı süreçlerinde hibrit yapay zekâ tabanlı kalite tahmini ve hata tespiti sisteminin geliştirilmesi

Abstract

Endüstri 4.0 ile birlikte üretim sistemlerinde artan veri yoğunluğu ve süreç karmaşıklığı, geleneksel modelleme yaklaşımlarının yetersiz kalmasıyla veri temelli yöntemlere ihtiyaç artmaktadır. Özellikle Eriyik Yığma Modelleme (Fused Deposition Modeling-FDM) tabanlı üç boyutlu (3B) baskı süreçlerinde üretim parametreleri ile kalite çıktıları arasındaki doğrusal olmayan ve çok değişkenli ilişkiler, nihai ürün özelliklerinin güvenilir biçimde tahmin edilmesini zorlaştırmaktadır. Bu tez çalışmasında, FDM tabanlı 3B baskı süreçlerinde kalite optimizasyonuna yönelik olarak, süreç sonrası kalite tahmini ve süreç içi hata tespitini birbirini tamamlayan iki modül şeklinde ele alan bir yapay zekâ yaklaşımı geliştirilmiştir. Önerilen yapı, baskı parametrelerinden hareketle mekanik ve fiziksel kalite çıktılarının tahminini gerçekleştiren hibrit topluluk öğrenmesi tabanlı bir makine öğrenmesi modülü ile üretim sırasında oluşabilecek baskı kusurlarının belirlenmesine yönelik görüntü tabanlı derin öğrenme modülünden oluşmaktadır. Çalışma kapsamında farklı filament türleri, baskı parametreleri ve yazıcı koşullarını içeren yaklaşık 500 üretim senaryosu oluşturulmuş ve üç tekrar ile toplam 1500 numuneden oluşan veri seti elde edilmiştir. Katman kalınlığı, dolgu yoğunluğu, baskı hızı ve dolgu deseni gibi üretim parametreleri kullanılarak çekme dayanımı, elastisite modülü, yüzey pürüzlülüğü ve sertlik gibi kalite çıktılarının tahmini amaçlanmıştır. Bu amaç doğrultusunda Rastgele Orman, XGBoost, Gradyan Artırma ve yığınlama tabanlı hibrit modeller başta olmak üzere farklı makine öğrenmesi algoritmaları değerlendirilerek çoklu kalite çıktılarının eş zamanlı tahminine yönelik hibrit topluluk öğrenmesi temelli bir model geliştirilmiştir. Çalışmanın süreç içi kalite kontrol bölümünde ise katman kayması, çatlama, çarpıklık ve ipliklenme gibi baskı kusurlarının tespitine yönelik görüntü tabanlı derin öğrenme modelleri kullanılmıştır. Elde edilen sonuçlar, üretim sürecine ait görsel veriler üzerinden kusur tespitinin başarıyla gerçekleştirilebildiğini göstermiştir. Bu kapsamda süreç içi izleme yaklaşımı, üretim güvenilirliğinin artırılmasına katkı sağlayan tamamlayıcı bir kalite kontrol mekanizması olarak değerlendirilmiştir. Sonuç olarak bu çalışma, süreç sonrası kalite tahmini ile süreç içi hata tespitini birbirini tamamlayan kalite optimizasyon çerçevesi içerisinde ele alarak FDM tabanlı 3B baskı süreçlerine yönelik bütüncül bir yaklaşım sunmaktadır. Ayrıca geliştirilen web tabanlı kullanıcı arayüzü sayesinde model çıktılarının kullanıcılar tarafından erişilebilir hale getirilerek önerilen yöntemin pratik mühendislik uygulamalarına entegrasyonu desteklenmiştir.With Industry 4.0, the increasing data density and process complexity in production systems have led to a growing need for data-driven methods, as traditional modeling approaches have proven insufficient. In particular, in Fused Deposition Modeling (FDM)-based three-dimensional (3D) printing processes, the nonlinear and multivariate relationships between production parameters and quality outputs make it difficult to reliably predict final product characteristics. This thesis develops an artificial intelligence approach for quality optimization in FDM-based 3D printing processes, addressing post-process quality prediction and in-process defect detection as two complementary modules. The proposed structure consists of a hybrid ensemble learning-based machine learning module that predicts mechanical and physical quality outputs based on printing parameters, and an image-based deep learning module for identifying printing defects that may occur during production. Approximately 500 production scenarios involving different filament types, printing parameters, and printer conditions were created, and a dataset consisting of 1500 samples was obtained through three replications. This study aims to predict quality outputs such as tensile strength, modulus of elasticity, surface roughness, and hardness using production parameters such as layer thickness, infill density, printing speed, and infill pattern. To this end, a hybrid ensemble learning-based model for simultaneous prediction of multiple quality outputs was developed by evaluating various machine learning algorithms, primarily Random Forest, XGBoost, Gradient Boosting, and stacking-based hybrid models. In the in-process quality control section of the study, image-based deep learning models were used to detect printing defects such as layer slippage, cracking, warping, and stringing. The results showed that defect detection could be successfully performed using visual data from the production process. In this context, the in-process monitoring approach was evaluated as a complementary quality control mechanism contributing to increased production reliability. In conclusion, this study offers a holistic approach to FDM-based 3D printing processes by addressing post-process quality prediction and in-process defect detection within a complementary quality optimization framework. Furthermore, the developed web-based user interface makes the model outputs accessible to users, supporting the integration of the proposed method into practical engineering applications.