CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI

Mehmet Şah Gültekin; Eyyüp Akcan

TR EN

CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI

Öz

CNC tezgâhlarda meydana gelen mekanik arızalar, üretim kalitesinde düşüşe ve plansız duruşlar nedeniyle işletme maliyetlerinde ciddi artışlara yol açmaktadır. Bu çalışmada, CNC tezgâhlardan elde edilen çok eksenli doğrusal ve açısal titreşim verileri kullanılarak makine öğrenmesi tabanlı bir arıza tespit sistemi geliştirilmiştir. Toplam 1751 gözlemden oluşan veri setinde altı farklı titreşim bileşeni (linear_x, y, z ve rotational_x, y, z) analiz edilmiş; veri ön işleme aşamasında aykırı değer analizi ve normalizasyon uygulanmıştır. Sınıflandırma sürecinde Lojistik Regresyon ve Rastgele Orman (Random Forest) algoritmaları kullanılmış; modellerin performansı doğruluk, hassasiyet, duyarlılık, F1-skoru ve ROC-AUC metrikleri ile değerlendirilmiştir. Elde edilen bulgular, çok eksenli titreşim verilerinin arıza tespitinde etkili olduğunu göstermiştir. Özellikle "Average" ve "rotational_y" bileşenlerinin sınıflandırma başarısında en yüksek ayırt edici güce sahip olduğu belirlenmiştir. Karşılaştırmalı analizler sonucunda, Rastgele Orman algoritması tüm performans metriklerinde ve 5-katlı çapraz doğrulama testlerinde yüksek başarı sağlayarak veri seti üzerinde hatasız sınıflandırma gerçekleştirmiştir. Lojistik Regresyon modeli ise %98,29 doğruluk oranı ile güçlü performans sunmuştur. Bu çalışma, CNC sistemlerinde titreşim verisine dayalı makine öğrenmesi yaklaşımlarının kestirimci bakım stratejilerine entegre edilerek üretim sürekliliğini artırabileceğini ve bakım maliyetlerini azaltabileceğini ortaya koymaktadır.

Anahtar Kelimeler

THE USE OF MACHINE LEARNING ALGORITHMS FOR MULTI-AXIS VIBRATION-BASED FAULT DETECTION IN CNC MACHINES

Öz

Mechanical failures in CNC machine tools lead to reduced production quality and increased operational costs due to unplanned downtime. In this study, a machine learning–based fault detection system was developed using multiaxial linear and angular vibration data obtained from CNC machines. The dataset consisted of 1,751 observations, including six vibration components (linear_x, linear_y, linear_z, rotational_x, rotational_y, and rotational_z). During preprocessing, outlier detection and normalization were applied to improve data quality and model reliability. For classification, Logistic Regression and Random Forest algorithms were utilized, and model performance was evaluated using accuracy, precision, recall, F1-score, and ROC-AUC metrics. The results indicate that multiaxial vibration signals are highly effective for fault detection in CNC systems. Notably, the “Average” feature and the rotational_y component showed the highest discriminative capability in distinguishing machine conditions. Comparative analyses demonstrated that the Random Forest algorithm achieved superior performance across all evaluation metrics and 5-fold cross-validation, yielding error-free classification on the dataset. The Logistic Regression model also showed strong performance with an accuracy of 98.29%. Overall, the findings suggest that vibration-based machine learning approaches can be integrated into predictive maintenance strategies, enhancing production continuity and reducing maintenance costs.

Anahtar Kelimeler

Kaynakça

Açık, C. (2023). Geleneksel ahşap pirografi tekniğinin mobilya yüzeylerinde lazer teknolojisi ile inovasyonu. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 26(3), 734-741.
Apostolou, G., Ntemi, M., Paraschos, S., Gialampoukidis, I., Rizzi, A., Vrochidis, S., & Kompatsiaris, I. (2024). Novel framework for quality control in vibration monitoring of CNC machining. Sensors, 24(1), 307. https://doi.org/10.3390/s24010307
Babu, G. S., Zhao, P., & Li, X. L. (2016). Deep convolutional neural network based regression approach for estimation of remaining useful life. Expert Systems with Applications, 65, 1–14. https://doi.org/10.1016/j.eswa.2016.08.008
Carvalho, T. P., Soares, F. A., Vita, R., Francisco, R. D., Basto, J. P., & Alcalá, S. G. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024. https://doi.org/10.1016/j.cie.2019.106024
Çekik, R., & Turan, A. (2025). Deep learning for anomaly detection in CNC machine vibration data: A RoughLSTM-based approach. Applied Sciences, 15(6), 3179. https://doi.org/10.3390/app15063179
Dumanoğlu, F., & Bal, B. C. (2022). Cnc makinesi ile işlenmiş lif levhaların yüzey pürüzlülüğü ve işlem süresi üzerine işleme parametrelerinin etkileri. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 25(4), 615-621. https://doi.org/10.17780/ksujes.1144224
Feng, Y., Zhang, X., & Li, Z. (2017). Machine learning-based fault diagnosis for rotating machinery: A review. Mechanical Systems and Signal Processing, 88, 296–320. https://doi.org/10.1016/j.ymssp.2016.11.009
Hastie, T., Tibshirani, R., & Friedman, J. (2017). The elements of statistical learning (2nd ed.). Springer. https://doi.org/10.1007/978-0-387-84858-7

Karabacak, Y. E. (2024). Condition monitoring of internal combustion engines with vibration signals and fault detection using machine learning techniques. International Journal of Automotive Engineering and Technologies, 13(4), 191–200. https://doi.org/10.18245/ijaet.1251886
Liu, R., Yang, B., Zio, E., & Chen, X. (2018). Artificial intelligence for fault diagnosis of rotating machinery: A review. Mechanical Systems and Signal Processing, 108, 33–47. https://doi.org/10.1016/j.ymssp.2018.02.016
Ma, J., Jiang, J., & Chen, L. (2019). Intelligent fault diagnosis of rotating machinery using deep learning and vibration signals. Sensors, 19(7), 1715. https://doi.org/10.3390/s19071715
Pirge, İ. G., & Baştürk, İ. (2025). Endüstriyel tesislerde makine öğrenmesi ile kestirimci bakım ve arıza analizleri. Karaelmas Fen ve Mühendislik Dergisi, 15(1), 119–133. https://doi.org/10.7212/karaelmasfen.1568736
Sakib, S., Wuest, T., & Kim, D. (2020). Machine learning in CNC machining: A review of recent advancements. Journal of Manufacturing Processes, 56, 1264–1279. https://doi.org/10.1016/j.jmapro.2020.05.047
Sun, W., & Li, Z. (2021). Multi-sensor data fusion for machine tool fault diagnosis using ensemble learning. Measurement, 173, 108639. https://doi.org/10.1016/j.measurement.2020.108639
Tian, Z., Jin, T., Wu, B., & Ding, F. (2016). Condition-based maintenance optimization using prognostic information. Reliability Engineering & System Safety, 145, 191–198. https://doi.org/10.1016/j.ress.2015.09.011
Wuest, T., Weimer, D., Irgens, C., & Thoben, K. D. (2016). Machine learning in manufacturing: Advantages, challenges, and applications. Production & Manufacturing Research, 4(1), 23–45. https://doi.org/10.1080/21693277.2016.1192517
Xiao, D., Huang, Y., & Qin, H. (2022). Fault diagnosis of CNC machine tools using vibration analysis and random forest algorithm. Applied Sciences, 12(9), 4372. https://doi.org/10.3390/app12094372
Zhang, W., Li, C., Peng, G., Chen, Y., & Zhang, Z. (2018). A deep convolutional neural network with new training methods for bearing fault diagnosis. Mechanical Systems and Signal Processing, 100, 439–453. https://doi.org/10.1016/j.ymssp.2017.06.023
Zhao, R., Yan, R., Chen, Z., Mao, K., Wang, P., & Gao, R. X. (2019). Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 115, 213–237. https://doi.org/10.1016/j.ymssp.2018.05.050
Zhou, H., Zhang, J., & Yang, Y. (2020). Intelligent fault diagnosis for rotating machinery using ensemble learning. IEEE Access, 8, 164532–164543. https://doi.org/10.1109/ACCESS.2020.3022117
Zonta, T., da Costa, C. A., da Rosa Righi, R., de Lima, M. J., da Trindade, E. S., & Li, G. P. (2020). Predictive maintenance in the Industry 4.0: A systematic literature review. Computers & Industrial Engineering, 150, 106889. https://doi.org/10.1016/j.cie.2020.106889

Ayrıntılar

Birincil Dil

Türkçe

Konular

Makine Mühendisliği (Diğer)

Bölüm

Araştırma Makalesi

Yazarlar

Mehmet Şah Gültekin ^*
0000-0002-1251-9219
Türkiye

Eyyüp Akcan
0000-0002-4133-4344
Türkiye

Yayımlanma Tarihi

3 Haziran 2026

Gönderilme Tarihi

19 Şubat 2026

Kabul Tarihi

22 Nisan 2026

Yayımlandığı Sayı

Yıl 2026 Cilt: 29 Sayı: 2

IZ

https://izlik.org/JA24DD44RL

Kaynak Göster

RIS / Bibtex

APA

Gültekin, M. Ş., & Akcan, E. (2026). CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, 29(2), 862-876. https://izlik.org/JA24DD44RL

AMA

1.Gültekin MŞ, Akcan E. CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 2026;29(2):862-876. https://izlik.org/JA24DD44RL

Chicago

Gültekin, Mehmet Şah, ve Eyyüp Akcan. 2026. “CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 (2): 862-76. https://izlik.org/JA24DD44RL.

EndNote

Gültekin MŞ, Akcan E (01 Haziran 2026) CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29 2 862–876.

IEEE

[1]M. Ş. Gültekin ve E. Akcan, “CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI”, Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 29, sy 2, ss. 862–876, Haz. 2026, [çevrimiçi]. Erişim adresi: https://izlik.org/JA24DD44RL

ISNAD

Gültekin, Mehmet Şah - Akcan, Eyyüp. “CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi 29/2 (01 Haziran 2026): 862-876. https://izlik.org/JA24DD44RL.

JAMA

1.Gültekin MŞ, Akcan E. CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi. 2026;29:862–876.

MLA

Gültekin, Mehmet Şah, ve Eyyüp Akcan. “CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI”. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi, c. 29, sy 2, Haziran 2026, ss. 862-76, https://izlik.org/JA24DD44RL.

Vancouver

1.Mehmet Şah Gültekin, Eyyüp Akcan. CNC TEZGAHLARDA ÇOK EKSENLİ TİTREŞİM TABANLI ARIZA TESPİTİ İÇİN MAKİNE ÖĞRENMESİ ALGORİTMALARININ KULLANIMI. Kahramanmaraş Sütçü İmam Üniversitesi Mühendislik Bilimleri Dergisi [Internet]. 01 Haziran 2026;29(2):862-76. Erişim adresi: https://izlik.org/JA24DD44RL