Bu araştırmayı Türkiye’de ilk uygulayan ve makinelerinde yapay zeka ile aluminyum profilin üzerindeki işlemleri 3 boyuttan direkt cnc makineye gönderebilen Mecanica CNC firması ile yapmış bulunmaktayız. Kendilerine bu araştırmamızda bizlere yardım ettiği için çok teşekkür ederiz.

Yapay Zeka (YZ) ve Makine Öğrenimi (ML), hemen hemen her teknoloji destekli hizmeti, ürünü ve endüstriyel uygulamayı geliştirmek için kullanılabilen bilgisayar bilimi ve veri işleme sistemlerinde önemli bir evrimi temsil eder. Yapay zeka ve bilgisayar biliminin bir alt alanı, makinelerin öğrenme sürecini simüle etmek ve sistemlerin doğruluğunu artırmak için veri ve algoritmaları kullanmaya odaklanan makine öğrenimi olarak adlandırılır. Makine öğrenimi sistemleri, işleme operasyonları sırasında kesici takım ömrünü artırmak için CNC takım tezgahlarındaki kesme kuvvetlerine ve kesici takım aşınma tahminine uygulanabilir. Parça üretim süreçleri sırasında verimliliği artırmak için gelişmiş makine öğrenimi sistemleri kullanılarak CNC işleme operasyonlarının optimize edilmiş işleme parametreleri elde edilebilir. Dahası, işlenmiş parçaların kalitesini artırmak için gelişmiş makine öğrenimi sistemleri kullanılarak işlenmiş bileşenlerin yüzey kalitesi tahmin edilebilir ve iyileştirilebilir. CNC işleme operasyonları sırasında güç kullanımını analiz etmek ve en aza indirmek için, makine öğrenimi CNC takım tezgahlarının enerji tüketiminin tahmin tekniklerine uygulanır. Bu makalede, CNC takım tezgahlarında makine öğrenimi ve yapay zeka sistemlerinin uygulamaları incelenmekte ve CNC işleme süreçlerinde makine öğrenimi ve yapay zeka yaklaşımları üzerine güncel araştırmalara genel bir bakış sunmak için gelecekteki araştırma çalışmaları da önerilmektedir. Sonuç olarak, CNC takım tezgahlarında Yapay Zeka ve Makine Öğrenmesi uygulamalarında yenilikçi konseptler ve yaklaşımlar sunmak amacıyla, yayınlanmış makalelerdeki son gelişmelerin incelenmesi ve analiz edilmesiyle araştırma alanı ileriye taşınabilir.

. Giriş
CNC işleme operasyonu en önemli parça üretim metodolojilerinden biridir ve sıklıkla modern üretim süreçlerinin motoru olarak anılır. Aluminyum profillerine kullanımının artmasından dolayı artık cnc aluminyum profil işleme merkezleri oldukça yaygın kullanılmaktadır. Operatör sıkıntısından dolayı bu tarz aluminyum profillerin işlemlerini yazmak gün geçtikte zorlaşmaktadır.

Buna çözüm olarak Mecanica CNC firmasının geliştirdiği Makine öğrenmesine sahip 3 boyutlu yazılım operatörün daha önce yazdığı programları analiz ederek ve operatörün normal olarak yazdığı programları analiz ederek, o işlemleri uygulamakta, böylece otomotiv sektöründe, beyaz eşya sektöründe, havacılık sektöründe, aluminyum işleme sırasında gereken parametreleri kendisi size önermektedir. Bu şekilde sizin sadece kontrol edip makineyi çalıştırmanız yeterlidir.

Otomotiv ve tıbbi sektörler, havacılık, gaz ve petrol ve depolama hizmetleri, farklı uygulamalarda parçalar oluşturmak için CNC işleme operasyonlarını kullanmaktadır. CNC işleme genellikle her makinenin, kalıplanmış parçanın veya bitmiş ürünün üretiminde en önemli üretim süreçlerinden biri olarak kullanılır. CNC makineleri, işletmelerin hedeflerine ve amaçlarına çeşitli şekillerde ulaşmalarını sağlayarak üretim ve işlemede yolu açmıştır. Ancak, üretim metodolojileri sürekli geliştiği ve yeni teknolojiler tanıtıldığı için CNC işleme operasyonlarının geleceğini dikkate almak kritik öneme sahiptir. Makine öğrenimi (ML), bilgisayarlara insan müdahalesi olmadan desenler bulmak ve tahminlerde bulunmak için verilerden ve önceki deneyimlerden otomatik olarak öğrenme kapasitesi veren bilgisayar algoritmalarının incelenmesidir. ML ve farklı çalışma alanlarındaki uygulamalar yapay zekanın bir bileşeni olarak kabul edilir. Özellikle makine öğrenimi ve yapay zeka, CNC işleme operasyonlarının geleceği ve bu kavramların üretim şirketlerinin gelecekteki çalışmalarını nasıl geliştireceği konusunda pek çok endişeye yol açmaktadır. Bir makinenin öğrenme, uyum sağlama ve çıktıyı optimize etme şekli, gerçek zamanlı veriler, analizler ve derin öğrenmeden de etkilenebilir. Veri kümeleri, operatörlerin bir makinenin nasıl çalıştığını ve sonunda bir kat makinenin birlikte nasıl çalıştığını anlamaları için önemlidir. Uygun fiyatlı, güvenilir ve dayanıklı sensörlerin ve edinim ve iletişim sistemlerinin geliştirilmesi nedeniyle, takım durumu izleme için makine öğrenimi yaklaşımlarının yeni uygulamaları sunulabilir. Makine öğrenimi sistemleri, verileri tamamen inceleyebilir ve değiştirilmesi gereken çeşitli alan türlerini belirleyebilir. Takım tezgahları, üretimde makine öğrenimi tekniklerinin kullanımı için gerekli büyük miktarda veri sağlamak amacıyla yüksek frekansta dahili tahrik sinyallerini kaydetmek için giderek daha fazla uç bilgi işlem seçenekleriyle donatılıyor. Üretkenlik ve verimlilik, yapay zekanın CNC takım tezgahları operasyonlarını CNC işleme operasyonlarının doğruluğunu artırmak için değiştirebileceği iki alandır. Makineler, üretim verilerini üretebilir ve analiz edebilir ve insan operatörlere gerçek zamanlı bulgular sağlayabilir, parça üretim süreçlerinde üretkenliği artırmak için etkili cihazlardır. Sonuç olarak, atölye sahipleri, parça üretiminin üretkenliğini artırmak için gelişmiş makine öğrenimi algoritmaları tarafından üretilen değiştirilmiş verileri kullanarak bir makinenin çalışma şeklini hızla ayarlayabilirler. Daha fazla bilgiye sahip olmak ve süreç planlama stratejilerinde daha iyi kararlar almak, parça üretim süreci sırasında iş yerinde daha az kesinti süresi anlamına gelir. CNC takım tezgahları kullanılarak parça üretiminin üretim ve bakım süreci, parça üretim operasyonlarında verimliliği artırmak için makine öğrenimi ve yapay zeka kullanılarak geliştirilebilir.
CNC işleme operasyonları, paradan ve zamandan tasarruf etmek ve üretim dönemi başına genel karı artırmak için optimize edilmelidir [15]. Yapay zeka, makine performansı ve takım ömrü gibi üretim verilerine bağlanarak CNC takım tezgahları yapılarının servis ve ekipman dönemlerini tahmin edebilir. Yapay zekadan gelen veriler ayrıca bir makinenin bakım gerektirmeden ne kadar süre çalışabileceğini de gösterecektir. Bu nedenle, yapay zekanın tahmini verileri daha az takım arızası, daha uzun takım ömrü, azaltılmış kesinti süresi ve parça üretiminde para tasarrufuna yol açabilecek işleme süresi anlamına gelir.
Derin öğrenmenin CNC işleme ve izleme sistemlerindeki uygulamaları, derin öğrenme ve sinir ağı sistemlerini kullanarak işleme operasyonlarının izleme sistemlerini geliştirmek amacıyla incelenmiştir. Üretim operasyonlarındaki kusurları tespit etmek için, parça üretiminde derin öğrenme sistemlerinin uygulamaları gözden geçirilmiştir. Parça üretim süreci sırasında operasyon yönetimini geliştirmek için endüstriyel zorluklara uygulanan makine ve derin öğrenme yöntemleri üzerine bir inceleme sunulmuştur. Parça üretim sürecinin planlanmasında büyük veri analizinin modellerini değiştirmek için sürdürülebilir üretimde makine öğrenme sistemlerinin uygulamaları gözden geçirilmiştir. Parça üretim sürecinin performanslarını iyileştirmek için akıllı üretim için derin öğrenme gözden geçirilmiştir. Parça üretim sürecinde gelecekteki yönleri sunmak için makine öğrenimini kullanan akıllı üretim sistemleri üzerine bir inceleme sunulmuştur.
Soori ve ark., sanal işleme yöntemleri ve süreçleri kullanarak dijital ortamlarda CNC işlemenin iyileştirilmesini sağlamıştır. Soori ve ark., verimliliği incelemek ve iyileştirmek için sürtünme karıştırma kaynak operasyonlarındaki mevcut gelişmelerin bir incelemesini sunmuştur.

Kaynak tekniklerini kullanan bileşen üretim süreci. Soori ve Asamel [29], türbin kanatlarının beş eksenli uç frezelemesi boyunca kalıntı gerilimi ve sapma hatasını azaltmak için simüle edilmiş frezeleme sistemlerinin uygulamalarını araştırdı. Soori ve Asmael [30], bileşenlerin işleme süreçleri sırasında kesme sıcaklığını değerlendirmek ve azaltmak için sanal işleme sisteminin uygulamalarını oluşturdu. Soori ve arkadaşları, türbin kanatlarının frezeleme işlemleri boyunca yüzey özelliklerini iyileştirmek için iyileştirilmiş bir sanal işleme yöntemi önerdi. Pervane kanatlarının beş eksenli frezeleme prosedürleri sırasında yer değiştirme hatasını azaltmak için Soori ve Asmael sanal frezeleme yaklaşımlarını icat etti. Soori ve Arezoo, işleme süreçleri sırasında kalıntı gerilimi değerlendirmek ve azaltmak için kalıntı gerilim konusunda bir inceleme sundu. Inconel 718’in taşlama işlemleri sırasında yüzey bütünlüğünü ve kalıntı gerilimi en aza indirmek için, Taguchi optimizasyon yaklaşımı kullanılarak optimize edilmiş işleme parametreleri Soori ve Arezoo tarafından sunuldu. İşleme operasyonları sırasında kesici takımın ömrünü artırmak için, Soori ve Arezoo tarafından farklı takım aşınması tahmin yöntemleri incelendi. Bilgisayar destekli süreç planlaması, parça üretim sürecinde üretkenliği artırmak için Soori ve Asmael tarafından incelenmiştir. Soori ve Asmael, işleme süreçlerinin parametre optimizasyon tekniğini incelemek ve geliştirmek için yayınlanmış makalelerden elde edilen mevcut gelişmelerin bir özetini sunmuştur. Dastres ve diğerleri, tedarik zinciri boyunca enerji verimliliğini, veri kalitesini ve kullanılabilirliğini ve bileşen üretim süreci boyunca doğruluğu ve güvenilirliği artırmak için RFID tabanlı kablosuz üretim sistemleri üzerinde araştırma yapmıştır.
Web tabanlı karar destek sistemlerindeki gelişmeler, veri ambarı operasyonları için karar destek sistemleri oluşturmak amacıyla Dastres ve Soori tarafından sunulmuştur. Dastres ve Soori, risk analiz sistemleri, drone kontrolü, kaynak kalitesi analizi ve bilgisayar kalitesi analizi dahil olmak üzere çeşitli disiplinlerde yapay sinir ağlarının mevcut araştırma ve kullanımlarının bir incelemesini sunmuş ve mühendislik ürünlerinin performans iyileştirmesinde yapay sinir ağlarının uygulamasını geliştirmiştir. Teknoloji gelişiminin doğal afetlere olan etkilerini azaltmak için Dastres ve Soori, çevre korumada bilgi ve iletişim teknolojisinin kullanımını tartışmıştır. Ağlarda ve veri ağında güvenliği artırmak için güvenli soket katmanı Dastres ve Soori tarafından sunulmuştur. Dastres ve Soori, sunulan teknikler arasındaki boşlukları analiz ederek ve önererek karar destek sistemlerinin metodolojisini geliştirmek için web tabanlı karar destek sistemlerindeki ilerlemeleri inceler. Ağlardaki güvenlik önlemlerini artırmak için, Dastres ve Soori tarafından ağ tehditlerinin son gelişimine ilişkin bir inceleme sunulur. Gelişmiş görüntü işleme sistemleri, farklı uygulamalarda görüntü işleme sistemlerinin yeteneklerini geliştirmek için Dastres ve Soori tarafından incelenir.
CNC takım tezgahlarında makine öğrenimi ve yapay zeka sistemlerinin uygulamaları, yayınlanan makalelerden son başarıları inceleyerek ve analiz ederek araştırma çalışmasında incelenir. Araştırma çalışmaları, CNC takım tezgahlarında MA ve AI uygulamalarına göre kategorilere ayrılır ve alandaki gelecekteki araştırma çalışma yönleri de önerilir. Sonuç olarak, CNC işleme operasyonlarını kullanan bileşen üretim süreçlerinde üretkenliği ve katma değeri artırmak için yayınlanan makalelerden son başarıları inceleyerek ve analiz ederek yeni fikirler sunulur.

2. Veri çıkarmada inceleme metodolojisi
   Çalışmada, CNC işleme operasyonlarının çıktılarına algoritmaların etkileri açısından CNC işleme operasyonlarında ML ve AI’nın farklı uygulamaları incelenir. Makine duruş süresinin azaltılması, CNC takım tezgahlarının optimizasyonu, kesici takım aşınma tahmini, kesme kuvveti modeli, CNC takım tezgahı bakımı, işleme operasyonlarının izlenmesi, yüzey kalitesi tahmini ve enerji tahmin sistemleri, CNC işleme operasyonlarında ML ve AI uygulamalarını gözden geçirmek için ele alınmıştır. ML ve AI kullanan CNC işleme operasyonlarının üretkenliğini artırma açısından yöntemlerin zorlukları ve avantajları, yayınlanan araştırma çalışmaları arasındaki boşluğu sunmak için gözden geçirilmiştir. Son olarak, CNC işleme operasyonlarının üretkenliğini artırmada ML ve AI uygulamalarını geliştirmek için araştırma çalışmalarının gelecekteki yönleri önerilmiştir.
3. Takım tezgahı duruş süresinin azaltılması
   Ekipman arızaları nakliye ve endüstriyel sektörlerde sürekli olarak meydana gelir. Beklenmeyen ekipman arızaları veya araç arızaları, üretim programları, taşıma planlaması ve üretim süreci boyunca kapasite yönetimi üzerinde olumsuz etkilere sahip olabilir. Veri odaklı yaklaşımları kullanan öngörücü bakımdaki son gelişmeler ve eğilimler şu şekilde sunulmuştur:Farklı endüstriyel uygulamalarda güvenliği, güvenilirliği iyileştirmek ve öngörücü bakım karar vermeyi mümkün kılmak için. Öngörücü bakımın iş akışı Şekil 1’de gösterilmektedir

Şekil 1. Öngörücü bakım iş akışı.
Kötü bakım, takım tezgahı parçası arızası, çok sayıda vardiya değişimi ve diğer faktörler işleme süreçlerinde duruşa neden olabilir. Parça üretim süreçlerinde verimliliği artırmak için işleme duruş süresi en aza indirilmelidir. CNC matkapları, Mecanica CNC Aluminyum Profil İşleme Merkezleri ve frezelerdeki standart bileşenler, takım tezgahı parçalarının arızasını ve kullanım ömürlerini tahmin etmek için sensörler tarafından izlenebilir. Kesici takımın kullanım ömrü, parça üretim sürecinde duruş süresini azaltmak için takım aşınması nedeniyle gelişmiş işleme operasyonlarının önemli bir faktörüdür. Sensör destekli planlı duruş, tam olarak uygun miktarda bakım yapılmasını sağlar ve CNC takım tezgahı bileşenlerinin çalışma ömrünü artırır. Makine öğrenimi ve yapay zeka (AI), verileri yorumlayabilir ve üreticilerin duruş süresini planlamak için en uygun zamanı belirlemelerine yardımcı olabilir. Yüzlerce farklı üretim işletmesi ve binlerce çeşitli ekipman, şirkete hammaddelerin akış verilerini sağlar. Bir takım tezgahı bazı nedenlerden dolayı çalışmadığında, takım tezgahının bakımı uygulanabilir. Sonuç olarak, CNC takım tezgahları kullanılarak üretim sürecinde paradan, zamandan ve kaynaklardan tasarruf etmek için CNC işleme operasyonlarında ML ve AI uygulamaları kullanılarak makine duruş süresinin azaltılmasına ilişkin verimli bir bakım dönemi elde edilebilir.

4. CNC takım tezgahlarının optimizasyonu
   İşleme operasyonlarının optimizasyonu son zamanlarda farklı araştırma çalışmalarında makine öğreniminin önemli bir yönü olarak kabul edilmektedir. Makine öğrenimini kullanan optimizasyon yaklaşımları, veri miktarı katlanarak arttığında ve model karmaşıklığı arttığında daha fazla incelenmektedir. Artımlı optimizasyon, tedarik zincirinden tamamlanmış ürünlere kadar gelecekteki üretimin merkezinde yer almaktadır. CNC takım tezgahı operasyonlarının optimizasyonu, paradan tasarruf etmek ve sonunda üretim çalışması başına genel karı artırmak için çok önemlidir ve bu da üretilen bileşenlerde artan üretkenlik ve daha az kusurla sonuçlanır. Optimum bir hareket ipucu algoritması oluşturmak için, birleştirilmiş hareketler sırasında aktüatör uzantılarını kısıtlamada simülatör performansını iyileştirmek amacıyla hareket sistemi kinematiği kullanılır. CNC işleme operasyonlarını kullanarak bileşen üretiminin doğruluğunu ve verimliliğini artırmak için, takım tezgahı performansı ve CNC işleme parametreleri için optimizasyon süreçleri gereklidir. Üretim sürecinden çevrimiçi veriler kullanılarak, yapay zeka ve makine öğrenimi optimizasyonu daha otomatik hale getirebilir. Sonuç olarak, işlenmiş bileşenin doğruluğu ve parça üretiminin verimliliği optimize edilmiş işleme parametreleri kullanılarak artırılabilir.
   İşleme koşullarını ve performansını optimize etmek için, makine öğrenimi ve genetik algoritmalar kullanan çoklu yanıt işleme süreci optimizasyonu için genelleştirilmiş bir teknik geliştirilmiştir. Parça üretiminin yakınsama hızını ve performansını iyileştirmek amacıyla CNC işleme operasyonları sırasında Çok Amaçlı evrimsel algoritmanın uygulanması Şekil 2’de gösterilmiştir.

Şekil 2. CNC işleme optimizasyonunda Veri Odaklı Çok Amaçlı Evrimsel Algoritma Çerçevesi

Makine öğrenimi, parça üretim süreçleri sırasında verimliliği artırmak için atölye CNC işleme operasyonlarında paralel metasezgileri geliştirmek için kullanılır. CNC takım tezgahlarının optimizasyon sürecinde makine öğreniminin uygulanması, bileşen üretim kararlılığını artırmak ve beklenmeyen arıza riskini azaltmak için incelenir. Mecanica CNC Aluminyum Profil İşleme Merkezi işleme ve frezeleme sırasında kesme ayarlarını optimize etmek için tepki yüzeyi yaklaşımı ve makine öğrenimi teknolojisi kullanılır. Son frezeleme operasyonlarında işleme değişkenlerini optimize etmek için Nelder-Mead simpleks yöntemi olarak makine öğrenimi metodolojisi geliştirilmiştir. Sonuç olarak, iş parçasının esnek koşulları ve parametreleri ile işleme parametrelerine ilişkin optimize edilmiş işleme parametreleri, parça üretim sürecinde verimliliği artırmak için CNC işleme operasyonlarında ML ve AI uygulamaları kullanılarak elde edilebilir.

5. Kesici takım aşınması tahmini
   Makine öğrenimi tabanlı teknolojiler, karmaşık süreçlerle başa çıkma kabiliyeti nedeniyle takım aşınması tahmininin gelişmiş bir seçeneği olarak kabul edilir. Takım aşınmasının doğrusal olmayan karakteri nedeniyle, YSA’lar aşınmayı değerlendirmek için en çok tercih edilen makine öğrenimi yaklaşımıdır. Kesici takımlar ve makineler için kötü durumları öngörmek ve önlemek için, takım durumu izleme ve makine takımı teşhisi gerçekleştirmek amacıyla modern sensörler ve hesaplamalı zeka kullanılır. Kendini idame ettiren ve akıllı otonom işleme sistemleri oluşturma ihtiyacı, kesici takım sağlığı izlemenin geliştirilmesini teşvik etti. Son yıllarda, işleme operasyonları sırasında kesici takımların ömrünü artırmak için takım durumu izleme veya Takım sağlığı izleme gereksinimi artmıştır. Takım durumu izleme stratejileri genellikle iki kategoriye ayrılır: ‘Çevrimdışı/Doğrudan yöntemler’ ve ‘Çevrimiçi/Dolaylı yöntemler.’ Doğrudan yaklaşımlar, genellikle beklenmeyen ve makine öğrenimi için uygun olmayan karmaşık arızaları (sert arızalar) incelemek ve analiz etmek için en uygundur. Gelişmiş takım aşınma izleme sistemleri sağlamak amacıyla, Mecanica CNC Aluminyum Profil İşleme merkezi ile frezeleme işleminde aşınma tahmininin çevrimiçi bir takım sisteminde uyarlanabilir bir nöro-bulanık çıkarım sistemi de kullanılabilir. Mecanica CNC Aluminyum Profil CNC 5 Eksen İşleme Merkezi operasyonlarında çevrimiçi takım aşınma izleme sisteminin prosedürleri Şekil 3’te sunulmuştur.

Şekil 3. Mecanica CNC Aluminyum Profil İşleme Merkezi işlemlerinde çevrimiçi takım aşınma izleme sisteminin prosedürleri

Karmaşık bileşen frezeleme için derin öğrenme tabanlı takım aşınması izleme yaklaşımı, frezeleme işlemleri sırasında takım aşınmasını doğru bir şekilde tahmin etmek için uygulanır. Takım aşınması tahmininde geliştirilen metodolojinin prosedürü aşağıdaki şekilde gösterilmiştir.

Şekil 4. Karmaşık bileşen frezeleme için derin öğrenmeye dayalı takım aşınma izleme yaklaşımı

Yüzey frezeleme sürecinde, talaş oluşumu süreci sırasında takım aşınmasını otomatik olarak tespit etmek için gelişmiş makine öğrenimi sistemi olarak derin bir sinir ağı kullanılır. Delme işlemleri sırasında kesici takımın ömrünü en üst düzeye çıkarmak için kesici takımın uzun vadeli kullanımı için uyarlanabilir nöro-bulanık-genetik algoritma yaklaşımı kullanılarak matkap aşınma toleransı analizi ve optimizasyonu uygulanır. CNC işleme işlemleri sırasında belirli kesme enerjisi ile ilgili olarak kesici takım aşınmasını doğru bir şekilde tahmin etmek için gelişmiş sinir ağı sistemleri geliştirilmiştir. İşleme işlemlerinde kesici takım aşınmasını izlemek için veri odaklı yaklaşımlarla birleştirilmiş basit makine öğrenimi geliştirilmiştir. Ürün kalitesini artırmak ve üretim maliyetlerini düşürmek için metal kesme işlemleri sırasında malzemelerin yerinde toplu tespiti için makine öğrenimine dayalı geliştirilmiştir. İşleme işlemleri sırasında kesici takım ömrünü artırmak için bulut tabanlı paralel makine öğrenimini kullanan takım aşınması tahmini geliştirilmiştir.
Akıllı fabrikalar için makine öğrenimi algoritmaları üzerine karşılaştırmalı bir çalışma, rastgele ormanlar kullanılarak işleme işlemleri sırasında takım aşınmasını tahmin etmek için uygulanmıştır. Yüksek tepki oranına sahip çeşitli kesme koşulları altında frezeleme işlemleri sırasında takım aşınması koşullarını değerlendirmek için gelişmiş makine öğrenimi algoritmalarını kullanan ses dalgası sinyalleri kullanılmıştır. Dikey bir işleme merkezinde, işleme operasyonları sırasında kesici takım ekini tahmin etmek için titreşim tabanlı çoklu ağa dayalı bir makine öğrenme tekniği geliştirilmiştir. Tekrarlanan frezeleme işleminde takım aşınmasının ilerlemesini tahmin etmek için kalibrasyon tabanlı takım durumu izleme geliştirilmiştir. Frezeleme operasyonları sırasında kesici takım aşınmasının durumunu doğru bir şekilde tahmin etmek için yeni bir makine öğrenme tabanlı metodoloji kullanılarak akustik emisyon sinyalleri kullanılarak takım aşınması tahmini sunulmuştur. Takım aşınması tahmin sistemlerinde makine öğrenme modellerinin doğruluğunu artırmak için, yüz freze dişlerinin aşınmasını hesaba katarak otomatik düzlemsellik sapması tahmini için makine öğrenimi geliştirilmiştir. Değiştirilmiş bir CNC freze makinesinde takım aşınmasını değerlendirmek için makine öğrenme sistemi olarak yapay sinir ağları geliştirilmiştir. Bu nedenle, iş parçasının farklı malzemelerinin talaş oluşumu süreci boyunca kesici takım ömrü ve işleme parametreleri, CNC işleme operasyonlarında takım aşınmasının tahmin sürecinde ML ve AI uygulamaları kullanılarak analiz edilebilir ve geliştirilebilir.

6. Kesme kuvveti modeli
   Kesme kuvveti, ML sistemleri kullanılarak doğru bir şekilde tahmin edilebilen frezeleme operasyonunun üretkenliğini ve kalitesini etkileyen en önemli faktördür. Frezeleme işlemlerinde hibrit bir kuvvet analizi yaklaşımı, makine öğrenimi tabanlı eş zamanlı bir kesme kuvveti modeli kullanılarak geliştirilmiştir. Hibrit kesme kuvveti modeli için modelleme çerçevesi Şekil 5’te gösterilmiştir.

Şekil 5. Hibrit kesme kuvveti modeli için modelleme çerçevesi

Çeşitli makine öğrenme algoritmaları, destek vektör regresyonu, k-en yakın komşu, polinom regresyonu ve rastgele orman dahil olmak üzere, frezeleme işlemlerinde kesme kuvvetlerini doğru bir şekilde tahmin etmek için kullanılır. Yüksek hızlı tornalama işlemlerinde, kesme kuvvetlerinin tahmin modellerini sağlamak için makine öğrenimi kesme kuvveti, yüzey pürüzlülüğü ve takım ömrü sunulur. Kesme kuvvetlerini, takım aşınma koşullarını dikkate alarak geleneksel doğrusal regresyon yöntemini kullanarak tahmin etmek için makine öğrenimini kullanan bir hibrit teknik araştırılmış ve geliştirilmiştir. Talaş oluşum süreçleri sırasında gürültüyü ve titreşimi gidermek için CNC tornalama işlemlerinde yüzey dokusu değerlendirmesi için kesme kuvveti verilerinin dalgacık paketi dönüşümü analizi geliştirilmiştir. Çeşitli kesme durumlarında tahmin doğruluğunu artırmak için nöro-fiziksel bir öğrenme yaklaşımı kullanılarak kesici iş parçası temas geometrisinin görüntü gösterimiyle ilgili bir çevrimdışı kesme parametreleri tahmin modeli geliştirilmiştir. Kesme kuvveti modelleme sistemlerinin doğruluğunu artırmak için, alüminyum profilin hassas işlenmesinde kesme kuvvetini ölçmek üzere makine öğrenimi ile kalibre edilmiş akıllı bir takım tutucu oluşturulmuştur. Gerçek zamanlı kesme kuvveti ölçümleri ve makine öğrenme sistemi olarak bir CNN yaklaşımı kullanılarak, kuru işleme operasyonları sırasında çevrimiçi takım aşınması kategorizasyonu geliştirilmiştir. Kesme kuvveti tahmin sistemlerini kullanan sinyal spektrumu görüntü analizine sahip Yapay Sinir, işleme operasyonları sırasında kesici takımın hasar miktarını belirlemek için geliştirilmiştir. Böylece, kesme kuvveti perdition metodolojilerinde ML ve AI uygulamaları kullanılarak CNC işleme operasyonlarının farklı koşulları sırasında kesme kuvveti modellerinin doğruluğu ve esnekliği geliştirilmiştir.

7. CNC takım tezgahı bakımı
   CNC takım tezgahı bakım süreci her zaman zaman ve para gerektirir. CNC takım tezgahlarının kalibrasyonunun, bileşen modifikasyonlarının ve servisinin doğru tahmini, bir CNC takım tezgahını çalıştırmanın en zor yönlerinden ve zorluklarından biridir. Makine öğrenimi ve yapay zeka, takım tezgahı bakımıyla yakından bağlantılıdır, duruş süresini düşürmeyi ve üretkenliği artırmayı amaçlayan tahmini ve önleyici yaklaşımları ilerletir. Makine öğrenimi, takım tezgahlarının ne zaman servise ihtiyacı olduğunu doğru bir şekilde tahmin edebilir ve CNC Takım tezgahı bakımının zamanını ve maliyetini en aza indirmek için takım tezgahlarını onarmak için en uygun zamanı sunabilir. Tahmini takım tezgahı bakım prosedürleri, bir makine makine zamanı ve durum verileri tarafından çalıştırıldığında ve operatörler gerçek zamanlı veri geri bildirimi akışları aldığında doğru bir şekilde yapılabilir. CNC takım tezgahları kullanılarak parça üretim sürecinde istikrarlı bir iş akışı sağlamak ve üretim sürecini sorunsuz bir şekilde sürdürmek için bir takım tezgahının bakımının yapılması, bir parçanın değiştirilmesi veya bozulmadan önce bir işlevin düzeltilmesi gerektiğinde otomatik uyarılar uygulanabilir. Böylece, yapay zeka ve CNC takım tezgahlarının bağlantıları kullanılarak neden-sonuç bağlantıları oluşturulabilir. Sonuç olarak, CNC takım tezgahı bileşen üretim sürecinde katma değerleri artırmak için CNC takım tezgahı üretim süreçleri için daha fazla bilgi ve daha iyi karar alma üretilebilir. CNC takım tezgahları kullanılarak parça üretim süreci sırasında doğru tahmin metodolojileri sağlamak amacıyla dijital ikiz tarafından çalıştırılan CNC takım tezgahı için hibrit bir tahminli bakım yaklaşımı sunulmuştur. CNC takım tezgahı için geliştirilen bakım yaklaşımı yöntemi Şekil 6’da gösterilmiştir.

Şekil 6. CNC makinesi için bakım yaklaşımının geliştirilmiş yöntemi.
CNC takım tezgahlarında takım aşınması izleme dahil olmak üzere bakım işlemlerini değerlendirmek için gelişmiş makine öğrenme sistemleri geliştirilmiştir. CNC takım tezgahı ve kesme işlemi koşullarını değerlendirmede verileri izlemek için gelişmiş makine öğrenme sistemi geliştirilmiştir. Kesme ömrünü artırmak ve parça üretiminin verimliliğini artırmak için uç frezeleme işleminde makine öğrenme teknikleri kullanılarak bir takım sağlığı izleme sistemi oluşturulmuştur. Böylece, CNC takım tezgahlarının çalışma süresine parça üretim süreci sırasında ML ve AI uygulanması sonucunda CNC takım tezgahı bakımının gelişmiş prosedürleri elde edilebilir.

8. İşleme operasyonlarının izlenmesi
   CNC takım tezgahlarının sağlık izlemesinde makine öğrenmesinin uygulanması, işleme operasyonları kullanılarak parça üretiminde verimliliği artırmak amacıyla yapay zeka sistemlerinin olduğu bir çağda yakın zamanda geliştirilmiştir. Durum izleme sistemleri, CNC işleme operasyonlarını güvenli ve güvenilir tutmak için CNC takım tezgahlarının bakımında önemli bir adımdır. CNC kesme takımları için akıllı bir izleme sistemi sağlamak amacıyla siber-fiziksel bir üretim ve mühendislik yapısı sunulmuştur. Şekil 7’de gösterilen akıllı CNC makine izleme sisteminde frezeleme işleminin fiziksel ve sanal modellemesinin bir kombinasyonu oluşturulmuştur.

Şekil 7. Akıllı CNC makine izleme sisteminde frezeleme işleminin fiziksel ve sanal modellemesinin birleşimi

CNC takım tezgahlarının parça üretim süreçleri sırasında performanslarını izlemek ve elde etmek için gelişmiş karar verme uygulaması sunulmuştur. Gelişmiş makine öğrenme sistemi kullanılarak, torna-frezeleme işlemlerinde performans izleme ve kesici hızı, ilerleme hızı ve kesme derinliği gibi işlem parametrelerinin çıktılar üzerindeki etkisi incelenmiştir. Stewart yapısının hareketi sırasında doğruluğu artırmak için Stewart yapısındaki ileri kinematiği çözmek için üç bacağın eklemlerinde altı adet dönen sensör kullanılmıştır. İşleme operasyonları sırasında kesici takım hatalarını önlemek ve tespit etmek için çoklu sensör sinyallerinin uyarlanabilir nöro-bulanık entegrasyonu kullanılarak CNC işleme operasyonlarının izlenmesi uygulanmıştır. CNC işleme operasyonlarının doğruluğunu artırmak için sanal gerçeklik ve sayısallaştırılmış ikiz sistemler kullanılarak işleme süreçlerinin izlenmesi yöntemi geliştirilmiştir.
İşleme parametrelerinin planlanması ve optimizasyonu, toplam üretim süresini en aza indirmek ve işleme operasyonları sırasında malzeme çıkarma oranını artırmak için frezeleme operasyonları sırasında AISI P20 çıkarma oranı için çevrimiçi izleme sistemleri kullanılarak geliştirilmiştir. Kesilmesi zor malzemelerin işleme operasyonları sırasında üretkenliği artırmak için, titanyum alaşımı veya alüminyum alaşımı (Ti-6Al-4 V) yüksek hızlı frezelemede titreşim tahminleri için karar ağaçları, yapay sinir ağları ve destek vektör makineleri gibi makine öğrenimi yaklaşımları incelenir. Mil hızı ve ilerleme hızı işleme parametreleri ile ilgili makine öğrenimi tekniklerine ve kuvvet analizine dayalı işlem içi takım aşınması tahmin sistemi, işleme operasyonları sırasında flanş aşınmasını elde etmek için geliştirilmiştir. CNC işleme parametre optimizasyonunu elde etmek için arzu edilirlik fonksiyonu ve genetik algoritma yaklaşımını içeren tepki yüzey tekniği geliştirilmiştir. Takım tezgahı izleme sistemlerinin yeteneklerini ve doğruluğunu artırmak için yapay sinir ağı uygulamaları sunulmuştur. Sonuç olarak, bilgisayar destekli süreç planlama sistemlerinde gelişmiş izleme ve karar vermede ML ve AI kullanılarak işleme operasyonlarının izlenmesi yoluyla veri elde etme ve analiz etme süreci geliştirilmiştir.

9. Yüzey kalitesi tahmini
   Yüzey pürüzlülüğü, üretilen ürünlerin kalitesini değerlendirmek için kritik bir ölçüttür. Gelişmiş işleme prosedürleri, son ürünlerin maliyetini düşürürken yüksek geometrik doğruluk ve geliştirilmiş yüzey kalitesine sahip parçalar üretmeyi amaçlamaktadır. Sonuç olarak, belirli geleneksel işleme teknikleri endüstriyel gereksinimleri karşılayamamakta ve yüksek kaliteli bir yüzey kalitesi elde etmek için işleme sonrası yüzey bitirme işleminin kullanılmasını gerekli kılmaktadır. Ürün kalitesi için en önemli derecelendirme standartlarından biri yüzey pürüzlülüğüdür. Üretilen parçaların çalışma ömrünü artırmak için işlenmiş parçaların yüzey pürüzlülüğü en aza indirilebilir. İşlenmiş bileşenlerin yüzey kalitesini tahmin etmek ve analiz etmek için gelişmiş yapay zeka sistemlerini kullanan Sinir Ağları kullanılır. Torna işlemlerini kullanarak işlenmiş bileşenlerin yüzey kalitesini doğru bir şekilde tahmin etmek için yüzey pürüzlülük özelliklerinin tahmininde makine öğrenme algoritmalarının uygulamaları geliştirilmiştir. İşlenmiş parçaların yüzey kalitesini tahmin etmek için gelişmiş makine öğrenme sistemleri olarak doğrusal regresyon, rastgele orman ve karar ağacı uygulanır. İşleme operasyonlarında yüzey pürüzlülüğünü doğru bir şekilde tahmin etmek için CNC takım tezgahları için işleme doğruluğu ve yüzey kalitesi veri odaklı yaklaşım kullanılarak tahmin edilir. İşleme operasyonlarında yüzey pürüzlülüğünü tahmin etmek için titreşim sinyali analizi kullanan derin öğrenme sinir ağının uygulanması incelenir. İşlenmiş parçaların yüzey pürüzlülüğünün tahmininde AL’nin uygulanmasında geliştirilen çalışma metodolojisi Şekil 8’de gösterilmiştir.

İşlenmiş bileşenlerin yüzey kalitesinin iyileştirilmesi açısından doğruluğu ve güvenilirliği artırmak için, yüz freze dişlerinin aşınmasına dayalı otonom yüzey pürüzlülüğü tahmini geliştirilmiştir. Çok katmanlı algılayıcı model ve radyal temelli bir fonksiyon modeli olarak sinir ağı analizi, alüminyum alaşım işleme operasyonlarında ve yüzey pürüzlülüğünü tahmin etmek için geliştirilmiştir. Kesme kuvvetlerinin hesaplanmasında gelişmiş bir metodoloji sağlamak amacıyla helisel bilyalı uç frezeleme işleminde kesme kuvvetlerini analiz etmek için makine öğrenimi kullanılmıştır. İşlenmiş bileşenlerin yüzey kalitesini artırmak için hassas üretim için makinede ve işlem sırasında yüzey pürüzlülüğü ölçüm sistemleri geliştirilmiştir. Bir üretim hattındaki gelişmiş yüzey metrolojisi sistemi Şekil 9’da gösterilmiştir.

Şekil 9. Bir üretim hattında gelişmiş yüzey metrolojisi sistemi.
İşlenmiş bileşenlerin yüzey kalitesini artırmak için, yüzey pürüzlülüğünün gerçek zamanlı izlenmesi ve değerlendirilmesi için duyusal freze tezgahına dayalı makine öğrenimi algoritmaları geliştirilmiştir. Gelişmiş makine öğrenimi sistemi kullanılarak kesici takımın durum tahmini sağlamak için çok modlu veri odaklı hibrit makine öğrenimi geliştirilmiştir. Kesici takım ömrünü artırmak için çok ölçekli özellik birleştirme ve bir kanal dikkat mekanizması kullanan derin öğrenmeye dayalı takım aşınma tespit sistemi geliştirilmiştir. İşlenmiş parçalarda gelişmiş yüzey pürüzlülüğü tahmini yöntemi sağlamak için, kesme kuvvetlerinin ve takım salınımlarının etkilerini kullanan iç içe geçmiş bir YSA modeli geliştirilmiştir. Sonuç olarak, CNC eşleştirme işlemlerinin üretkenliğini artırmak için CNC takım tezgahları kullanılarak işlenmiş bileşenlerin yüzey tahmininde ML ve AI uygulamaları kullanılarak işlenmiş parçaların yüzey kalitesi artırılabilir.

10. Enerji tahmin sistemleri
    Endüstriyel üretim sırasında enerji israfını azaltmanın önemi, bina enerji kaybı ve yönetim sistemleri farklı araştırma çalışmalarında ele alınmıştır. Makine öğrenimi teknikleri son zamanlarda işleme operasyonları sırasında enerji tüketiminin tahmin modellerinde kullanılmaktadır. Geleneksel zaman serisi tahmin yöntemlerinin doğruluğu, dayanıklılığı ve hassasiyeti ile genelleştirme kapasiteleri, CNC takım tezgahlarının enerji tüketiminin verimliliğinin artırılması açısından ML modellerinin kullanılmasıyla büyük ölçüde iyileştirilmiştir. Gelişmiş bir enerji tüketimi modellemesi sağlamak için derin öğrenmeye gömülü yarı-sup öğrenme yöntemi yaklaşımı önerilmiştir. Enerji tüketimi tahmininin doğruluğunu artırmak için enerji yönetim sistemlerinde yapay zeka ve makine öğrenimi tabanlı stratejilerin uygulamaları sunulmuştur. CNC işleme enerji kullanımının doğru ve hızlı tahmini, CNC takım tezgahı enerji tüketiminin yalın yönetimini uygulamanın ve üretim endüstrisinin uzun vadeli sürdürülebilirliğini sağlamanın etkili bir yoludur. İşleme süreçleri sırasında enerji tahmin performansını artırmak için derin öğrenmeye dayalı bir enerji tahmin yöntemi geliştirilmiştir. Şekil 10, derin öğrenmeye dayalı enerji tahmin yaklaşımının genel çerçevesini göstermektedir.

Şekil 10. Derin öğrenmeye dayalı enerji tahmin yönteminin genel çerçevesi.
CNC işleme operasyonları sırasında belirli kesme gücünü tahmin etmek için makine öğrenimi ve proses mekaniğini birleştiren hibrit metodoloji geliştirilmiştir. Beş eksenli proses planlama operasyonlarında enerji tüketimini tahmin etmek için gelişmiş bir makine öğrenme sistemi olarak veri odaklı simülasyon metodolojisi geliştirilmiştir. İşleme operasyonları sırasında takım tezgahı milinin enerji kullanımını tahmin etmek için gelişmiş arıza teşhis yöntemleri, rastgele orman ve zaman serisi tahmini geliştirilmiştir. CNC işleme operasyonları sırasında güç tüketimini en aza indirmek için makine öğrenme sistemlerini kullanarak entegre bir proses planlama ve kesme parametresi optimizasyonu yöntemi geliştirilmiştir. M. tarafından geliştirilen bilgisayar sayısal kontrollü (CNC) Alüminyum Profil İşleme Merkezi’nin yüksek kaliteli ve güç tasarruflu işlenmesini sağlamak için geçici-durağan durum enerji tüketimini içeren CNC torna proses değişkenlerinin çok amaçlı bir optimizasyonu geliştirilmiştir. Böylece, CNC işleme operasyonları kullanılarak parça üretiminin üretkenliğinin artırılması açısından talaş oluşumu sürecinde enerji tüketiminin tahmin sistemlerinde ML ve AI uygulanarak daha fazla katma değer elde edilebilir. 11. Sonuç
Makine öğrenimi ve yapay zeka, endüstriyel süreçlerin performansını iyileştirmek için çeşitli endüstriyel uygulamalara uygulanır. CNC işleme operasyonları sırasında doğruluğu ve verimliliği artırmak için, makine öğrenimi ve yapay zeka sistemlerinin farklı uygulamaları farklı araştırma çalışmalarında incelenir. Makine duruş süresinin azaltılması, CNC takım tezgahlarının optimizasyonu, kesici takım aşınma tahmini, kesme kuvveti modeli, CNC takım tezgahı bakımı, işleme operasyonlarının izlenmesi, yüzey kalitesi tahmini ve enerji tahmin sistemleri, CNC işleme operasyonlarının geliştirilmesinde makine leniting uygulamalarına bazı örneklerdir. ML teknikleri, CNC işleme operasyonları sırasında enerji tüketimini azaltmak için son zamanlarda enerji tüketimi tahmin modellerine uygulanmaktadır. Enerji tüketimi modellerinin doğruluğu ve radyalliği, CNC işleme operasyonları sırasında enerji kullanımı tahminlerinin geleneksel yöntemlerine kıyasla ML metodolojileri kullanılarak önemli ölçüde artırılmıştır.
Bu çalışmada, CNC takım tezgahlarında makine öğrenimi ve yapay zeka sistemlerinin uygulamaları, yayınlanmış makalelerden elde edilen son başarıları analiz ederek incelenmiştir. Bu çalışmanın temel amacı, ilginç alandaki araştırmacılar için yararlı bir çalışma sağlamak amacıyla CNC işleme operasyonlarında makine öğrenimi ve yapay zeka teknikleri üzerine güncel çalışmalara genel bir bakış sağlamaktır. Sensör ve bulut veri kaynakları ağı, CNC makinelerini birbirine bağlayabilir ve akıllı CNC takım tezgahları sağlamak için kullanılabilir. İşleme endüstrisinin verimliliği, akıllı işleme tekniklerine geçiş yaparken artırılabilir ve bu da kendi kendini iyileştirmesini ve kontrolsüz koşullara uyum sağlamasını sağlar. Ancak, fiziksel, bilgisayar ve ağ işlemlerinin birleşimi olarak CNC işleme operasyonlarında gelişmiş makine öğrenimi sistemlerinin uygulamalarının geliştirilmesi, veri ağının güvenliği ve emniyeti ile ilgili zorluklar ve güçlükler yaratmıştır. Farklı CNC takım tezgahları arasında güvenli ve gelişmiş bağlantılar sağlamak için ağların güvenliği artırılmalıdır.

12. Gelecekteki araştırma yönleri
    Bilgisayar destekli süreç planlamasında gelişmiş veri toplama, veri madenciliği yaklaşımları, veri birleştirme sinir ağları, sanallaştırma ve akıllı karar alma metodolojileri, makine öğrenimi sistemleri kullanılarak parça üretim sürecinde doğruluğu ve performansı artırmak için kullanılabilir. Sanal işleme sistemleri, CNC işleme operasyonlarında makine öğrenimi uygulamaları kullanılarak geliştirilebilir ve sanal ortamlarda CNC takım tezgahlarının simülasyon ve analizinin gücü artırılabilir. CNC işleme operasyonları sırasında kesme takımı yollarının değiştirilmesi, kesme takımı seçimi ve hata telafisi metodolojileri, makine öğrenimi sistemlerinin uygulamaları kullanılarak değiştirilebilir. CNC işleme operasyonları sırasında doğru fikstürler sağlamak için makine öğrenme sistemi kullanılarak iş tutma fikstürlerinin tasarım süreci geliştirilebilir. Parça üretiminin verimliliğinin artırılmasında makine öğrenimi uygulamalarının etkinliğini artırmak için CNC takım tezgahlarına derin makine öğrenimi ağları uygulanabilir. Hata telafi metodolojileriyle işlenmiş parçaların doğruluğunu artırmak için işleme sırasında kesme takımı yollarına mekansal yinelemeli öğrenme kontrol yöntemi uygulanabilir.
    CNC işleme operasyonları sırasında Çarpışma algılama sistemlerini değiştirmek için, ML ve AI uygulamaları kullanılarak optimize edilmiş kesme takımı yolları elde edilebilir. Ayrıca, CNC işleme operatörleri için gelişmiş operasyon eğitim sistemleri sağlamak için ML ve AI uygulamaları kullanıldı. ML ve AI, robotları daha akıllı ve daha işbirlikçi hale getirmek için endüstriyel robotlara uygulanabilir. Ayrıca, esnek çalışma koşullarında performansı artırmak için ML ve AI kullanılarak karar alma robotlara uygulanabilir. Dahası, parça üretimi sürecinde otomasyon, parça üretiminin üretkenliğini artırma açısından üretim sürecinin büyük veri analizine ML ve AI uygulanmasının bir sonucu olarak geliştirilebilir. İşleme kaynaklarının yeteneklerinin çevrimiçi entegrasyonu ve açıklaması, bulut üretim sistemlerinde ML uygulamaları kullanılarak uygulanabilir. CNC işleme operasyonlarını kullanan gelişmiş Siber üretim sistemleri, sanal üretimde ML uygulamaları kullanılarak sunulabilir. CNC işleme operasyonlarında AI uygulamaları kullanılarak akıllı takım tezgahı sunulabilir, böylece otonom optimizasyon ve karar alma ve işleme operasyonları sırasında otonom kontrol ve yürütme sunulabilir.
13. Nesnelerin internetinin akıllı CNC takım tezgahları geliştirmedeki uygulamaları, işleme sürecinin izleme yeteneklerini artırmak için incelenebilir. Endüstri 4.0’da sürdürülebilir akıllı üretim, CNC işleme operasyonlarında gelişmiş makine öğrenimi sistemlerinin uygulamaları kullanılarak geliştirilebilir. Akıllı işleme sistemleri, endüstri 4.0 için akıllı üretim süreçleri sağlamak amacıyla gelişmiş makine öğrenimi ve yapay zeka sistemleri kullanılarak geliştirilebilir. Makine öğrenimi ve yapay zeka, gelişmiş yalın üretim sistemleri açısından üreticiler için atık malzemeleri ve birim başına maliyeti azaltmak amacıyla CNC takım tezgahları kullanılarak parça üretim sürecinde doğruluğu artırabilir. CNC takım tezgahlarında makine öğrenimi ve yapay zeka uygulamaları kullanılarak gelişmiş bilgisayar destekli süreç planlaması sunulabilir ve böylece CNC takım tezgahları kullanılarak parça üretimlerinin esnek koşulları ve parametrelerinde süreç planlamasının verimliliği artırılabilir. CNC işleme operasyonları sırasında makine öğrenimi uygulamalarında bulanık tekniğin entegrasyonu, işleme operasyonlarının optimize edilmiş prosedürlerini kullanarak parça üretiminin verimliliğini artırmak amacıyla incelenebilir. Bunlar, CNC takım tezgahlarında makine öğrenimi ve yapay zeka araştırmalarında gelecekteki araştırma çalışmaları için önerilerdir. Sonuç olarak, CNC işleme operasyonları kullanılarak parça üretiminin verimliliğini artırmak amacıyla gelişmiş makine öğrenimi ve yapay zeka sistemleri kullanılarak parça üretiminin performansı ve güvenilirliği iyileştirilebilir.