PEMANTAUAN KONDISI PAHAT MINI PC-BASED CNC MILLING

MENGGUNAKAN GABUNGAN SENSOR GETARAN DAN ARUS LISTRIK

DENGAN JARINGAN SYARAF TIRUAN

Anis Arendra, Herianto

Jurusan Teknik Mesin dan Industri, Universitas Gadjah Mada.

ABSTRAK
Salah satu masalah dalam proses pemesinan CNC adalah kerusakan sisi potong pahat.
Pemesinan dengan pahat yang telah rusak akan menurunkan kualitas produk. Akibat lebih lanjut
adalah kerusakan mesin perkakas CNC. Di lain sisi, penggantian pahat yang masih layak
beroperasi juga merugikan. Penelitian ini bertujuan membangun sistem pemantauan menggunakan
sensor fusion dengan jaringan syaraf tiruan untuk menentukan kondisi kerusakan pahat CNC
milling. Untuk ini, sinyal didapatkan dari sebuah triaxial MEMS Accelerometer dan dua Hall
Current Sensor melalui microcontroller Arduino Uno sebagai perangkat data akuisisi. Parameter
statistik dari sinyal getaran dan arus listrik serta periodogram getaran dan arus listrik digunakan
sebagai input jaringan syaraf tiruan. Penilaian kondisi pahat menggunakan jaringan feedforward
dengan algoritma pelatihan Scaled conjugate gradient backpropagation. Penentuan ambang batas
dilakukan secara manual. Pada nilai ambang batas 0.32, diperoleh akurasi sebesar 0.8315, positive
predictive value sebesar 0.7617, dan negative predictive value sebesar 0.9520. Dapat disimpulkan:
nilai ambang batas yang rendah akan menaikan sensitifitas dan nilai ambang batas yang tinggi
akan mengurangi false alarm.

Kata kunci: pemantauan kondisi, PC-Based CNC, sensor fusion, jaringan syaraf tiruan, arduino.

1. PENDAHULUAN.
Mesin CNC beroperasi tanpa diawasi langsung oleh operator. Selama operasinya,
terdapat peluang terjadi kerusakan pahat. Kerusakan pahat pada mesin CNC menjadi penyebab
utama interupsi mesin yang tidak terencana. Interupsi mesin menurunkan produktivitas dan
memberikan kerugian ekonomi (Botsaris & Tsanakas 2008). Kious et al. (2010) menyebutkan
bahwa kerusakan pahat berkontribusi hingga 20% dari total downtime mesin perkakas CNC. Hal
ini berdampak langsung pada kualitas dan biaya pengerjaan produk. Penggantian pahat
berdasarkan umur pakai yang tetap tanpa memantau kondisi pahat cenderung menurunkan tingkat
utilitas pahat (Jun & Suh 1999). Sehingga deteksi kerusakan pahat menjadi penting dilakukan
untuk meningkatkan produktivitas. Informasi yang didapat dari sensor kerusakan pahat juga dapat
digunakan untuk mencegah kerusakan mesin yang lebih parah (Lee 2010) dan (Li 2001).
Kunpeng et al. (2009) membagi teknik monitoring pahat menjadi dua kelompok: metode
langsung dan metode tidak langsung. Metode langsung melakukan pengukuran langsung pada
pahat, sedangkan metode tidak langsung melakukan pengukuran melalui gejala-gejala yang timbul
selama pemakanan. Gejala-gejala yang timbul diantaranya adalah getaran, gaya pemotongan,
suara, konsumsi daya, dan emisi akustik. Metode langsung menghasilkan pengukuran yang lebih
akurat bila dibandingkan dengan metode tidak langsung. Tetapi pelaksanaan metode langsung
harus menghentikan operasi pemakanan dan menurunkan produktivitas mesin. Sehingga metode
tidak langsung lebih banyak diterapkan. (Aliustaoglu et al. 2009)
Li (2001) membagi kerusakan pahat end mill menjadi dua: pahat patah dan kerusakan
ujung pahat. Pahat yang patah dapat dengan mudah dideteksi dari gaya pemotongan, konsumsi

1
arus listrik motor, dan acoustic emission. Namun tidak mudah mendeteksi kerusakan ujung pahat.
Botsaris & Tsanakas (2008) menyebutkan bahwa sinyal getaran kurang cocok untuk
mengindikasikan keausan pahat, tetapi lebih sesuai untuk deteksi kerusakan ujung pahat.
Penelitian tentang deteksi kerusakan pahat end mill dengan monitoring konsumsi daya
telah dilakukan oleh Bassiuny & Li (2007), dan Li (2001). Penelitian oleh C. Huang et al. (2011),
S. Huang et al. (2008), dan Yesilyurt (2006) telah dilakukan untuk mendeteksi kerusakan pahat
end mill dengan monitoring getaran. P. T. Huang & Chen (1998) telah melakukan penelitian
deteksi kerusakan pahat end mill menggunakan dynamometer untuk mengukur gaya pemotongan.
Namun belum banyak penelitian menggabungkan sensor MEMS Accelerometer dan Hall Current
sensor yang tidak mahal untuk mengamati gejala getaran dan fluktuasi konsumsi daya dari pahat
normal dan pahat rusak pada mesin milling CNC.
Penelitian ini membangun sistem pemantauan dengan jaringan syaraf tiruan yang mampu
mengenali kondisi pahat menggunakan gabungan sensor-sensor yang tidak mahal dan open
hardware Arduino sebagai perangkat akuisisi data.
2. PERALATAN DAN METODE PENELITIAN
Sensor pertama yang digunakan adalah sebuah triaxial MEMS Accelerometer MMA7260
untuk memantau getaran arah sumbu X dan sumbu Y pada fixture benda kerja. Sensor kedua
adalah dua Hall current sensor ACS712x30 untuk memantau konsumsi arus listrik pada feed servo
motor driver sumbu X dan sumbu Y. Arduino Uno dengan firmata LIFA bersama dengan
LabVIEW®2012 versi evaluasi digunakan sebagai sistem akuisisi data untuk merekam sinyal
getaran dan arus listrik. Jaringan syaraf tiruan dibangun dengan MATLAB®R2010a.

PC-Based CNC Milling

MEMS Accelerometer MMA 7260

Arduino
Uno Hall Current Sensor ACS712T-30A
USB Port

Monitoring PC

Gambar 1. Setup sensor dan perangkat akuisisi data.

Benda kerja yang digunakan dalam penelitian ini adalah balok alumunium dengan ukuran
50mm x 50mm, tebal 50mm. Alat potong yang digunakan adalah four flute end mill diameter
10mm dan 12mm. Alat potong dengan kondisi normal menggunakan alat potong baru. Alat potong
dengan kondisi rusak menggunakan alat potong yang telah patah pada salah satu sisi potong.
Mesin yang digunakan adalah CNC milling HErCUS V300 yang telah diretrofit menggunakan
controller CNC berbasis PC. Operasi pemesinan yang dikerjakan dalam penelitian adalah end
milling dengan variasi parameter pemotongan: diameter pahat, kedalaman potong, laju pemakanan,
dan kecepatan spindle, disajikan pada table 1. Perekaman sinyal getaran dan arus listrik dilakukan

2
saat pengerjaan end mill dengan pahat normal dan pahat rusak dengan tiga kali perulangan untuk
setiap variasi parameter pemotongan.

Tabel 1. Variasi parameter pemotongan

Diameter pahat Kedalaman potong Laju pemakanan Putaran spindle

(mm) (mm) (mm/mnt) (rpm)
10 0.1 50 500
12 0.3 100 1000
150 1500

3. PENGOLAHAN SINYAL
Setiap rekaman sinyal getaran dan arus listrik dibagi menjadi 50 potongan sampel yang
tersebar merata di sepanjang rekaman sinyal dengan ukuran 20 titik. Sehingga diperoleh 10800
sampel data. Pra-pengolahan sinyal dilakukan untuk mendapatkan signal feature setiap sampel
data yang akan menjadi input jaringan syaraf tiruan. Perhitungan nilai root mean square (RMS)
dan deviasi standar (STD) dilakukan untuk ekstraksi fitur sinyal di domain waktu. Perhitungan
periodogram dengan Hanning windowing dilakukan untuk mendapatkan power spectrum density
(PSD) dengan resolusi 11 titik di domain frekuensi. Informasi diameter pahat juga digunakan
sebagai input jaringan syaraf tiruan. Input jaringan syaraf tiruan tersusun dari:
11 titik PSD getaran sumbu X, (PSDAX1 … PSDAX11)
11 titik PSD getaran sumbu Y, (PSDAY1 … PSDAY11)
11 titik PSD arus motor sumbu X, (PSDCX1 … PSDCX11)
11 titik PSD arus motor sumbu Y, (PSDCY1 … PSDCY11)
RMS getaran sumbu X dan sumbu Y, (RMSAX , RMSAY)
RMS arus motor sumbu X dan sumbu Y, (RMSCX , RMSCY)
STD getaran sumbu X dan sumbu Y, (STDAX , STDAY)
STD arus motor sumbu X dan sumbu Y, (STDCX , STDCY)
Perbandingan STDAX dengan STDCX, (STDAX/STDCX)
Diameter pahat (DIAM)

(a) (b)
Gambar 2. Fitur sinyal di domain frekuensi, Power Spectrum Density
untuk kondisi normal dan rusak
(a) getaran sumbu X dan sumbuY,
(b) arus motor sumbu X dan sumbu Y

3
 (a) (b) (c)
Gambar3. Fitur sinyal di domain waktu untuk kondisi normal dan rusak
(a) RMSAX, RMSAY, RMSCX, RMSCY
(b) STDAX, STDAY, STDCX, STDCY
(c) STDAX/STDCX, DIAM.
4. HASIL DAN PEMBAHASAN
Jaringan syaraf tiruan yang digunakan adalah jaringan feedforward dengan algoritma
pelatihan Scaled conjugate gradient backpropagation dan fungsi kinerja mean squared error with
regularization(msereg). Jaringan feedforward ini memiliki 54 neuron pada input layer, 1 neuron
pada output layer dan tiga hidden layer dengan fungsi transfer hyperbolic tangent sigmoid (tansig)
di setiap layer. Tiga lapis tersembunyi masing-masing mempunyai 10, 9, dan 8 neuron.

(a) (b)
Gambar 4. Hasil pelatihan jaringan feedforward
(a) Plot kinerja pelatihan, diperoleh mse sebesar 0.114 pada epoch ke 109
(b) Plot regresi yang menunjukan korelasi target dan hasil pelatihan untuk masing-masing
kelompok data latih, data validasi, data uji, dan semua data.
Untuk melatih dan menguji jaringan syaraf tiruan, 10800 sampel data dibagi menjadi 3
kelompok dengan metode interleaved. Sebanyak 8640 sampel data untuk data latih, 1080 sampel
data untuk data validasi dan 1080 sample data untuk data uji. Data latih digunakan untuk
menghitung gradient dan memperbaiki bobot jaringan neuron dan bias di setiap iterasi. Data
validasi dan data uji tidak digunakan untuk merubah bobot jaringan neuron dan bias. Galat pada

4
data validasi dipantau selama fase pelatihan untuk mencegah overfitting. Data uji digunakan untuk
menguji jaringan feedforward yang telah dilatih.
Pasca-pengolahan data dilakukan untuk membentuk data biner dengan cara menentukan
nilai ambang batas sebagai pembanding output jaringan feedforward. Output jaringan feedforward
bernilai rusak jika output jaringan feedforward sama dengan atau di atas nilai ambang batas.
Output jaringan feedforward bernilai normal jika output jaringan feedforward di bawah nilai
ambang batas. Nilai ambang batas ditentukan secara manual.
≥
( )=
<

Gambar 5. Plot akurasi, positive predictive value,dan negative predictive value sebagai fungsi nilai
ambang batas.
5. KESIMPULAN
Untuk menguji sistem pemantauan ini 1080 sampel data uji digunakan sebagai input
jaringan feedforward. Dengan menentukan nilai ambang batas sebesar 0.32, diperoleh output,
bahwa: Dari 684 kejadian alarm positif, 163 diantaranya adalah false positive. Dari dari 396
kejadian alarm negatif, 19 diantaranya adalah false negative. Dari output tersebut diperoleh akurasi
sistem sebesar 0.8315, positive predictive value sebesar 0.7617, dan negative predictive value
sebesar 0.9520. Dapat disimpulkan: nilai ambang batas yang rendah akan menaikan sensitifitas
dan nilai ambang batas yang tinggi akan mengurangi false alarm.

6. DAFTAR PUSTAKA
Aliustaoglu, C., Ertunc, H.M. & Ocak, H., 2009. Tool wear condition monitoring using a sensor
fusion model based on fuzzy inference system. Mechanical Systems and Signal Processing,
23(2), pp.539–546. Available at:
http://linkinghub.elsevier.com/retrieve/pii/S0888327008000642 [Accessed April 29, 2013].

Bassiuny, A.M. & Li, X., 2007. Flute breakage detection during end milling using Hilbert–Huang
transform and smoothed nonlinear energy operator. International Journal of Machine Tools
and Manufacture, 47(6), pp.1011–1020. Available at:
http://linkinghub.elsevier.com/retrieve/pii/S0890695506001696 [Accessed February 28,
2013].

Botsaris, P.N. & Tsanakas, J.A., 2008. State of The Art in Methods Applied to Tool Condition
Monitoring ( TCM ) in Unmaned Machining Operations : In Technical paper included in the
Proceedings of The International Conference of COMADEM. Prague, pp. 73–87.

5
Huang, C. et al., 2011. Study of Spindle Vibration Signals for Tool Breakage Monitoring in
Micro-Drilling. In Proceedings of the 8th World Congress on Intelligent Control and
Automation. pp. 1130–1134.

Huang, P.T. & Chen, J.C., 1998. Fuzzy Logic-Base Tool Breakage Detecting System in End
Milling Operations. In 23rd International Conference on Computers and Industrial
Engineering. pp. 37–40.

Huang, S. et al., 2008. Detecting Tool Breakage Using Accelerometer in Ball-nose End Milling. In
10th Intl. Conf. on Control, Automation, Robotics and Vision. Hanoi: IEEE, pp. 17–20.

Jun, C. & Suh, S., 1999. Statistical tool breakage detection schemes based on vibration signals in
NC milling. International Journal of Machine Tools & Manufacture, 39, pp.1733–1746.

Kious, M. et al., 2010. Detection process approach of tool wear in high speed milling.
Measurement, 43(10), pp.1439–1446. Available at:
http://dx.doi.org/10.1016/j.measurement.2010.08.014.

Kunpeng, Z., San, W.Y. & Soon, H.G., 2009. International Journal of Machine Tools &
Manufacture Wavelet analysis of sensor signals for tool condition monitoring : A review and
some new results. International Journal of Machine Tools & Manufacture, 49, pp.537–553.

Lee, S.S., 2010. Tool Condition Monitoring System in Turning Operation Utilizing Wavelet
Signal Processing and Multi-Learning ANNs Algorithm Methodology. International Journal
of Engineering Research & Innovation, 2(1), pp.49–55.

Li, X., 2001. Detection of Tool Flute Breakage in End Milling Using Feed-Motor Current
Signatures. IEEE/ASME Transactions on Mechatronics, 6(4), pp.491–498.

Yesilyurt, I., 2006. End mill breakage detection using mean frequency analysis of scalogram.
International Journal of Machine Tools & Manufacture, 46, pp.450–458.