Please use this identifier to cite or link to this item: https://hdl.handle.net/20.500.13091/4564
Title: Yapay zeka tabanli katlanir bomlu vinç güvenlik asistani
Other Titles: Artificial intelligence based knuckle-boom crane safety assistant
Authors: Karagözler, Kerim
Advisors: Ceylan, Murat
Keywords: Elektrik ve Elektronik Mühendisliği
Electrical and Electronics Engineering
Dizin:Elektrohidrolik sistemler = Electrohydraulic systems ; Yapay sinir ağları = Artificial neural networks ; Yapay zeka = Artificial intelligence ; İnsani güvenlik = Human security
Publisher: Konya Teknik Üniversitesi
Abstract: Günümüzde kaldırma yükleme makineleri, üretim ve lojistik ağının omurgasını oluşturmaktadır. Kaldırma ve yükleme makinelerinin yakın çevresi tehlikeli bölge olarak nitelendirilen, iş kazası risklerinin yüksek olduğu yerlerdir. Operatörlük kurslarında yapılan araştırmalarda iş makinesi operatörlerinin %15'i asgari lise mezunu iken, %75'inin ilk okul mezunu olduğu tespit edilmiştir. Türkiyede yıllık ortalama 1153 ölümlü iş kazası olmaktadır. Bu kazaların %26'sı inşaat sektöründe yaşanmaktadır. Kaldırma yükleme makinelerinin kapasitesinin doğru kullanımı kaza oranlarının düşürülmesi için önem arz etmektedir. Kazaların önlenmesi için makineler üzerinde, operatör kullanımı limitleyen, sadece güvenli hareketlere izin veren, elektronik kontrol sistemleri kullanılmaktadır. Moment kontrol adı verilen bu güvenlik sistemleri, yükün güvenli bir şekilde kaldırılıp uzağa taşınmasını sağlamaktadır. Bu çalışmada, geleneksel moment kontrol sistemlerindeki çözümlerden farklı olarak, yapay zeka tabanlı yük limitleme sistemi önerilmiştir. Çalışma için araç üstü tek katlanır bomlu, 35 tonluk mobil hidrolik vinç üzerine, eğim, basınç, uzunluk sensörleri yerleştirilmiştir. Daha sonra vinç ile 6 farklı test yükünün kaldırılması, indirilmesi, uzatılması ve geri çekilmesi esnasında oluşan anlık değerler kaydedilmiştir. Toplamda 30779 veri, 50ms periyotlarla, 2 aylık çalışma ile toplanmıştır. Dijital ortama aktarılan saha verileri, test ağırlıklarının kaldırılması ve uzatılması üzerine iki ayrı veri seti olarak gruplanmıştır. Veri setlerinde, kayıt sıklığı yüzünden tekrar eden veriler ve test operatöründen kaynaklanan sarsıntı verileri filtrelenmiştir. Her iki veri setinde de basınç ve yük tahmini için farklı giriş parametrelerine sahip, 4 adet uygulama modeli oluşturulmuştur. Normalize edilen veri setleri ile Çoklu Doğrusal Regresyon, K-En Yakın Komşu, Yapay Sinir Ağları, Yinelenen Durum Ağı yapıları eğitilmiş ve test edilmiştir. Mobil vince ait veri seti kullanılarak, yapay zeka modelleri ile anlık yük ve basınç tahmini gerçekleştirilmiştir. Yinelenen Durum Ağı ile önceki çalışma verileri öğretilerek, gelecek çalışma verileri tahmin edilmiştir. Elde edilen sonuçlar moment kontrol algoritmasına eklemiş ve makine güvenlik sistemi daha stabil hale getirilmiştir. Sayısal ortamda elde edilen sonuçların uygulaması için bilgisayar ortamında eğitilen modellerin test edilebileceği gömülü devre tasarımı yapılmıştır. Tasarlanan devre de 4 farklı yaklaşımla Yapay Sinir Ağı Modeli çalıştırılmış ve başarılı sonuçlar elde edilmiştir. Tek ara katmana sahip 30 iterasyon ile çalıştırılan YSA modelinden, %98,3 doğrulukla tahmin yapılmıştır.
Today, lift-loading machines form the backbone of the production and logistics network. The immediate surroundings of the lifting and loading machines are the places that are considered as dangerous areas and where the risks of work accidents are high. In the studies conducted in the operatorship courses, it has been determined that 15% of the construction equipment operators are at least high school graduates, while 75% of them are primary school graduates. In Turkey, an average of 1153 fatal occupational accidents occur annually. 26% of these accidents occur in the construction industry. The correct use of the capacity of lifting loading machines is important for reducing accident rates. In order to prevent accidents, electronic control systems are used on the machines that limit operator usage and allow only safe movements. These safety systems, called moment control, ensure that the load is safely lifted and transported away. In this study, unlike the solutions in traditional torque control systems, an artificial intelligence based load limiting system is proposed. Inclination, pressure and length sensors are placed on a 35 ton mobile hydraulic crane with a single folding boom on the vehicle for operation. Then, instantaneous values were recorded during the lifting, lowering, extension and retraction of 6 different test loads with the crane. In total, 30779 data were collected in 50ms periods, over 2 months of work. The field data transferred to the digital environment were grouped as two separate datasets on lifting and extending test weights. In the datasets, repetitive data due to recording frequency and shaking data from the test operator were filtered out. In both data sets, 4 application models with different input parameters were created for pressure and load estimation. Multiple Linear Regression, K-Nearest Neighbor, Artificial Neural Networks, Recurrent State Network structures were trained and tested with normalized data sets. Using the data set of the mobile crane, instantaneous load and pressure estimation was carried out with artificial intelligence models. By teaching previous study data with Recurrent State Network, future study data were predicted. The obtained results have been added to the torque control algorithm and the machine safety system has been made more stable. For the application of the results obtained in the digital environment, an embedded circuit design has been made in which the models trained in the computer environment can be tested. Artificial Neural Network Model was run with 4 different approaches in the designed circuit and successful results were obtained. The prediction was made with an accuracy of 98.3% from the ANN model, which was run with 30 iterations with a single middleware.
URI: https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=j_Fjwp4JS4mk97Puqti8rm_Rnb8vt3Em1IghPWZz8v701Jhnw4IkySnIzGzJpxV0
https://hdl.handle.net/20.500.13091/4564
Appears in Collections:Tez Koleksiyonu

Files in This Item:
File SizeFormat 
802575.pdf3.39 MBAdobe PDFView/Open
Show full item record



CORE Recommender

Page view(s)

244
checked on Jul 22, 2024

Download(s)

252
checked on Jul 22, 2024

Google ScholarTM

Check





Items in GCRIS Repository are protected by copyright, with all rights reserved, unless otherwise indicated.