KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI

Mahmut Durgun; Bilal Yıldırım

doi:10.17780/ksujes.1673438

TR EN

KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI

Abstract

Bu çalışma, kaynak kalitesinin otomatik olarak analiz edilmesi amacıyla Nesnelerin İnterneti (IoT) ve Kenar Bilişim (Edge Computing) teknolojilerinin ses verisi analiziyle nasıl entegre edilebileceğini incelemektedir. Geleneksel kaynak kalite kontrol yöntemleri genellikle manuel denetime dayanmakta ve fiziksel ölçüm ekipmanlarına ihtiyaç duymaktadır. Buna karşılık önerilen yaklaşım, kaynak işlemleri sırasında elde edilen ses verilerinin analizine dayalı müdahale gerektirmeyen, gerçek zamanlı bir izleme yöntemi sunmaktadır. Çalışmada, farklı kaynak koşulları altında kaydedilen ses verilerinden oluşan bir veri seti kullanılmış ve bu ses kayıtları, gelişmiş sinyal işleme teknikleri (MFCC, spektral centroid, sıfır geçiş oranı) ile öznitelik çıkarımı yapılarak işlenmiştir. Elde edilen özellikler, daha sonra bir Yapay Sinir Ağı (ANN) modeli ile analiz edilerek yüksek ve düşük kaliteli kaynakların sınıflandırılması sağlanmıştır. Uygulanan model, %77 doğruluk oranına ulaşmış ve her iki sınıfta da tatmin edici performans sergilemiştir. İşlemin kenarda gerçekleştirilmesi, bulut kaynaklarına olan bağımlılığı azaltarak sistemin tepki süresini iyileştirmiş ve daha enerji verimli bir yapı oluşturmuştur. Bu çalışma, yalnızca akıllı üretim sistemlerine katkı sağlamakla kalmayıp, aynı zamanda endüstriyel kalite kontrol sistemlerinde Nesnelerin İnterneti (IoT) ve Kenar Bilişim (Edge Computing) tabanlı çözümlerin uygulanabilirliğine dair değerli bir temel sunmaktadır.

Keywords

EDGE COMPUTING BASED AUTOMATED QUALITY ANALYSIS: UTILIZATION OF AUDIO DATA IN WELDING PROCESSES

Abstract

This study investigates how Internet of Things (IoT) and Edge Computing technologies can be integrated with sound data analysis to automatically evaluate welding quality. Traditional welding quality control methods typically rely on manual inspection and require physical measurement equipment. In contrast, the proposed approach offers a real-time, non-intrusive monitoring method based on the analysis of acoustic data collected during welding operations. A dataset consisting of sound recordings captured under different welding conditions was used, and these recordings were processed using advanced signal processing techniques such as MFCC, spectral centroid, and zero-crossing rate for feature extraction. The extracted features were then analyzed using an Artificial Neural Network (ANN) model to classify high- and low-quality welds. The implemented model achieved an accuracy rate of 77% and demonstrated satisfactory performance across both classes. Performing the computation at the edge reduced dependency on cloud resources, improved response time, and enhanced energy efficiency. This study not only contributes to the development of smart manufacturing systems but also provides a valuable foundation for the applicability of IoT- and Edge Computing–based solutions in industrial quality control processes.

Keywords

References

Asif, K., Zhang, L., Derrible, S., Indacochea, E., Ozevin, D., & Ziebart, B. (2022). Machine learning model to predict welding quality using air-coupled acoustic emission and weld inputs. Journal of Intelligent Manufacturing, 33, 1–15. https://doi.org/10.1007/s10845-020-01667-x
Billa, N. M., Akki, P., Seeniappan, K., Radha, M., & Pathuri, S. K. (2024). A ML Approach for Predicting the Winner of IPL-24 Using Novel-Hybrid Classifier. (Proceedings of the 2024 IEEE 9th International Conference on …). https://www.researchgate.net/publication/381349178_A_ML_Approach_for_Predicting_The_Winner_of_IPL-24_Using_Novel-Hybrid_Classifier
Chen, J., Wang, T., Gao, X., & Wei, L. (2018). Real-time monitoring of high-power disk laser welding based on support vector machine. Computers in Industry, 94, 75–81. https://doi.org/10.1016/j.compind.2017.10.003
Demirel, E., & Yaralı, C. (2023). İmalat işletmelerinin dijitalleşme süreçleri üzerine nitel bir çalışma. Yönetim ve Ekonomi, 30(100 Yıl Özel Sayısı), 21–41. https://doi.org/10.18657/yonveek.1379397
Dingorkar, S., Kalshetti, S., Shah, Y., & Lahane, P. (2024). Real-Time Data Processing Architectures for IoT Applications: A Comprehensive Review. 2024 First International Conference on Technological Innovations and Advance Computing (TIACOMP), 507–513. https://doi.org/10.1109/TIACOMP64125.2024.00090
Doshi, R., Inamdar, S., Karmarkar, T., & Wakode, M. (2024). Distributed MQTT Broker: A Load-Balanced Redis-Based Architecture. 2024 International Conference on Emerging Smart Computing and Informatics (ESCI), 1–6. https://doi.org/10.1109/ESCI59607.2024.10497427
Döven, S. (2023). Fog computing nodes in IoT and wireless sensor networks. May 2023. https://www.researchgate.net/publication/370865527
Durgun, Y. (2021). Nesnelerin İnterneti Teknolojisinin Kümes Ortamına Uygulanması ve Etkileri. Avrupa Bilim ve Teknoloji Dergisi, (28), 463-468. https://doi.org/10.31590/ejosat.1005685

Durgun, Y., & Durgun, M. (2025). Destek vektör makinesi ve kenar bilişim ile güçlendirilmiş gerçek zamanlı ambulans sireni algılama sistemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 40(2), 1147-1158. https://doi.org/10.17341/gazimmfd.1416188
Durgun, Y., & Durgun, M. (2025). Arı kovanlarının çevresel ve akustik verilere dayalı durum analizi: Normal ve özel koşulların karşılaştırılması. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(1), 414–429. https://dergipark.org.tr/tr/pub/ksujes
Gedik, Y. (2021). Endüstri 4.0 teknolojilerinin ve Endüstri 4.0’ın üretim ve tedarik zinciri kapsamındaki etkileri: Teorik bir çerçeve. Journal of Emerging Economies and Policy, 6(1), 248–264. https://dergipark.org.tr/tr/pub/joeep/issue/62672/933783
Hanon, W., & Salman, M. (2024). Smart Controller Integrated with MQTT Broker Based on Machina Learning Techniques. Journal Européen Des Systèmes Automatisés, 57, 87–94. https://doi.org/10.18280/jesa.570109
Lin, C.-Y., & Wu, I.-C. (2024). Real-time simulation and control of indoor air exchange volume based on Digital Twin Platform. 637–644. https://koreascience.kr/article/CFKO202431947397342.pdf
Lipovetsky, S. (2024). Symbolic Regression. Technometrics, 66(4), 674–675. https://doi.org/10.1080/00401706.2024.2407721
Liu, K., Wu, T., Shi, Z., Yu, X., Lin, Y., Chen, Q., & Jiang, H. (2024). Interpretable machine learning models for predicting the bond strength between UHPC and normal-strength concrete. Materials Today Communications, 40, 110006. https://doi.org/10.1016/j.mtcomm.2024.110006
Mazuin, E., Yusof, M. I., Ali, R., Harjimi, I., & Bahrin, Q. (2020). Welding station monitoring system using internet of thing (IOT). Indonesian Journal of Electrical Engineering and Computer Science, 18, 1319. https://doi.org/10.11591/ijeecs.v18.i3.pp1319-1330
Rausch, T., Nastic, S., & Dustdar, S. (2018). EMMA: Distributed QoS-aware MQTT middleware for edge computing applications. Proceedings - 2018 IEEE International Conference on Cloud Engineering, IC2E 2018, (i), 191–197. https://doi.org/10.1109/IC2E.2018.00043
Saimon, S. I., Islam, I., Abir, S., Sultana, N., Roy, M., & Shiam, S. (2025). Advancing Neurological Disease Prediction through Machine Learning Techniques. Journal of Computer Science and Technology Studies, 7, 139–156. https://doi.org/10.32996/jcsts.2025.7.1.11
Schmidhuber, J. (2015). Deep learning in neural networks: An overview. Neural Networks, 61, 85–117. https://doi.org/10.1016/j.neunet.2014.09.003
Turgut, M. (2024). Use of Industry 4.0 Technologies in the Logistics Activities Process in the Agriculture-Food Supply Chain. Turkish Journal of Agriculture - Food Science and Technology, 12(11), 1968-1980. https://doi.org/10.24925/turjaf.v12i11.1968-1980.6822
Udayakumar, P., & Anandan, R. (2024). Evaluation of Protocol-Centric IDS for the IoMT Leveraging ML Techniques. 2024 IEEE World AI IoT Congress (AIIoT), 546–551. https://doi.org/10.1109/AIIoT61789.2024.10578945
Yadav, P., Rishiwal, V., Yadav, M., Alotaibi, A., Maurya, V., Agarwal, U., & Sharma, S. (2024). Investigation and Empirical Analysis of Transfer Learning for Industrial IoT Networks. IEEE Access, 12(October), 173351–173379. https://doi.org/10.1109/ACCESS.2024.3499741
Yusof, M., Ishak, M., & Ghazali, M. F. (2021). Acoustic methods in real-time welding process monitoring: Application and future potential advancement. Journal of Mechanical Engineering and Sciences, 15, 8490–8507. https://doi.org/10.15282/jmes.15.4.2021.03.0669
Zhang, Y., You, D., Gao, X., Wang, C., Li, Y., & Gao, P. (2020). Real-time monitoring of high-power disk laser welding statuses based on deep learning framework. Journal of Intelligent Manufacturing, 31. https://doi.org/10.1007/s10845-019-01477-w
Zhu, C., Liu, X., Xu, Y., Liu, W., & Wang, Z. (2021). Determination of boundary temperature and intelligent control scheme for heavy oil field gathering and transportation system. Journal of Pipeline Science and Engineering, 1(4), 407–418. https://doi.org/10.1016/j.jpse.2021.09.007

Details

Primary Language

Turkish

Subjects

Cyberphysical Systems and Internet of Things, Deep Learning

Journal Section

Research Article

Authors

Mahmut Durgun
0000-0002-5010-687X
Türkiye

Bilal Yıldırım ^*
0009-0006-5913-5841
Türkiye

Publication Date

December 3, 2025

Submission Date

April 10, 2025

Acceptance Date

October 29, 2025

Published in Issue

Year 2025 Volume: 28 Number: 4

DOI

https://doi.org/10.17780/ksujes.1673438

IZ

https://izlik.org/JA82JM62FG

Cite

RIS / Bibtex

APA

Durgun, M., & Yıldırım, B. (2025). KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 28(4), 1722-1731. https://doi.org/10.17780/ksujes.1673438

AMA

1.Durgun M, Yıldırım B. KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI. KSU J. Eng. Sci. 2025;28(4):1722-1731. doi:10.17780/ksujes.1673438

Chicago

Durgun, Mahmut, and Bilal Yıldırım. 2025. “KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 28 (4): 1722-31. https://doi.org/10.17780/ksujes.1673438.

EndNote

Durgun M, Yıldırım B (December 1, 2025) KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 28 4 1722–1731.

IEEE

[1]M. Durgun and B. Yıldırım, “KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI”, KSU J. Eng. Sci., vol. 28, no. 4, pp. 1722–1731, Dec. 2025, doi: 10.17780/ksujes.1673438.

ISNAD

Durgun, Mahmut - Yıldırım, Bilal. “KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 28/4 (December 1, 2025): 1722-1731. https://doi.org/10.17780/ksujes.1673438.

JAMA

1.Durgun M, Yıldırım B. KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI. KSU J. Eng. Sci. 2025;28:1722–1731.

MLA

Durgun, Mahmut, and Bilal Yıldırım. “KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, vol. 28, no. 4, Dec. 2025, pp. 1722-31, doi:10.17780/ksujes.1673438.

Vancouver

1.Mahmut Durgun, Bilal Yıldırım. KENAR BİLİŞİM TABANLI OTOMATİK KALİTE ANALİZİ: KAYNAK SÜREÇLERİNDE SES VERİSİNİN KULLANIMI. KSU J. Eng. Sci. 2025 Dec. 1;28(4):1722-31. doi:10.17780/ksujes.1673438