Monitoring keausan pahat menggunakan artificial neural networks pada proses turning

HERI WIDIANTORO, Muslim Mahardika, S.T., M.Eng., Ph.D.

2015 | Tesis | S2 Teknik Mesin

Penelitian ini mengenai kajian eksperimental sistem online monitoring dengan menggunakan Artificial Neural Networks (ANN) Backpropagation pada proses turning. Sistem monitoring ini digunakan untuk memprediksi keausan cutting tool. Manfaat yang diperoleh dari sistem ini adalah untuk meningkatkan produktifitas dan mencegah lebih dini kerugian akibat keausan pahat seperti permukaan komponen tidak rata, chipping dan cacat produksi. Sinyal suara selama proses pemotongan akan ditangkap oleh mikrofon dan diproses menggunakan software LabVIEW berupa sinyal time domain dan frequency domain. Sinyal tersebut digunakan sebagai informasi untuk membangun jaringan ANN Backpropagation. Arsitektur ANN Backpropagation ini menggunakan fungsi aktivasi linear (purelin), 3 hidden layer dimana 400 neuron pada hidden layer pertama, 300 neuron pada hidden layer kedua dan 100 neuron pada hidden layer ketiga. Sistem online monitoring yang dikembangkan ini mampu mengenali kondisi cutting tool selama proses pemotongan dengan akurasi sebesar 68% .

This research is about experimental studies on online monitoring system using Backpropagation Artificial Neural Networks (ANN) in turning process. This monitoring system is used to predict the cutting tool wear. The benefits of this system are to improve productivity and prevent the early loss due to tool wear such as uneven surface components, chipping and defects. Sound signals during the cutting process will be captured by the microphone and processed using LabVIEW software such as signals time domain and frequency domain. The signals are used as information to build Backpropagation ANN. Backpropagation ANN architecture uses a linear activation function (purelin), 3 hidden layers where 400 neurons located in the first hidden layer, 300 neurons in the second hidden layer and 100 neurons in third hidden layer. Online monitoring system was successfully developed and currently capable to recognize cutting tool condition during the cutting process with an accuracy of 68%.

Kata Kunci : audio signal, cutting tool, backpropagation