Nama : M Rikzam Kamal

NIM : 5201413036

Prodi : Pend Teknik Mesin

Rombel :1

Matkul : Bahasa Inggris

Optimasi kekasaran permukaan di CNC fraise menggunakan respon metodologi

permukaan dan algoritma genetik

A. abstrak
  Pre-hardened steel (P20) adalah bahan yang banyak digunakan dalam produksi cetakan atau
meninggal karena ketahanan aus kurang dan digunakan untuk komponen besar. Dalam studi ini,
minimisasi kekasaran permukaan telah diteliti dengan mengintegrasikan desain eksperimen metode
metodologi permukaan Response (RSM) dan algoritma genetika. Untuk mencapai minimum kekasaran
permukaan optimal kondisi ditentukan. Percobaan dilakukan dengan menggunakan L50 orthogonal array
Taguchi dalam desain eksperimen (DOE) dengan mempertimbangkan parameter pemesinan seperti radius
Hidung (R), Cutting (V), pakan (f), kedalaman aksial potong (d) kecepatan dan kedalaman potong radial
(rd). Sebuah model permukaan respon prediktif untuk kekasaran permukaan dikembangkan menggunakan
RSM. Tanggapan permukaan (RS) model dihubungkan dengan algoritma genetika (GA) untuk
menemukan nilai-nilai parameter mesin optimal.

1. Pendahuluan  
    Akhir pengefraisan adalah operasi banyak digunakan untuk menghilangkan logam di berbagai
industri manufaktur termasuk otomotif dan sektor kedirgantaraan dimana kualitas merupakan faktor
penting dalam produksi slot , kantong dan cetakan / dies ( Mike et al , 1999; John dan Joseph , 2001) .
Kualitas permukaan sangat penting dalam perilaku fungsional komponen giling.

secara luas Indeks digunakan kualitas produk dalam proses pemesinan finish adalah kekasaran
permukaan . Faktor-faktor yang mempengaruhi kekasaran permukaan adalah kondisi mesin bekerja
materi potong dan alat geometri . Oleh karena itu untuk mendapatkan permukaan akhir yang lebih baik
dari produk digiling ,parameter mesin optimal dan alat geometri harus dipilih. Di masa lalu, Suresh et al
( 2002) mengembangkan respon model permukaan untuk kekasaran permukaan dalam hal kecepatan ,
pakan , kedalaman potong dan jari-jari hidung dan dioptimalkan dengan menggunakan algoritma genetika
Oktem et al ( 2005) menggunakan model matematika untuk Ra dalam hal parameter pemotongan ( pakan
kecepatan potong kedalaman potong aksial kedalaman potong radial dan toleransi mesin ).

Kondisi pemotongan optimum diperoleh dengan menggunakan GA dan sama diverifikasi dengan
pengukuran eksperimental Kadirgama et al (2008 , 2010) mengadopsi Ant Colony optimasi metode
permukaan respon dan radian.

Fungsi dasar jaringan dan mengoptimalkan kekasaran permukaan pada akhirnya pengefraisan pada
paduan cetakan aluminium ( AA6061 - T6 ), mereka menemukan bahwa tingkat pakan adalah variabel
desain yang paling penting dalam menentukan kekasaran permukaan dibandingkan dengan kecepatan
potong aksial mendalam dan kedalaman radial.

Gopalswamy et al (2009) menggunakan metode Taguchi dalam menentukan parameter proses yang
optimal dalam mesin keras mengeras baja . Mereka mengamati bahwa kecepatan Cutting adalah
parameter yang paling berpengaruh pada kehidupan alat dan kekasaran permukaan.

Abbas Fadhel Ibraheem et al ( 2008) meneliti pengaruh kecepatan potong pakan aksial dan radial
kedalaman potong untuk memotong kekuatan dalam mesin dari dimodifikasi AISI P20 baja perkakas
dalam proses penggilingan akhir . Mereka menyimpulkan bahwa , semakin tinggi harga pemakanan ,
lebih besar kekuatan pemotongan . mereka juga mengembangkan model jaringan genetik untuk
memprediksi gaya potong . Abou- El - Hossein et al . ( 2007) memprediksi gaya potong dalam
mengakhiri operasi pengefraisan dimodifikasi AISI P20 alat baja menggunakan metodologi respon
permukaan . Rahman et al ( 2001, 2002 ) membandingkan mesin dari P20 cetakan baja ( 357 HB ) dalam
kondisi penggilingan kering dan basah . Mereka dianggap sebagai kisaran 75 - 125 m / menit untuk
kecepatan potong dan pakan berkisar antara 0,3 dan 0,7 mm / gigi : mereka menemukan pasukan tombak
dalam kedua proses serupa tetapi dengan sayap memakai percepatan lebih tinggi dalam pengefraisan
kering . Selain itu mereka mengamati permukaan akhir yang lebih baik dengan

pengefraisan basah.

    Liao dan Lin ( 2007) mempelajari proses pengefraisan P20 baja dengan MQL pelumasan .
Kecepatan pemotongan berasal dari 200-500m/min dan pemakanan antara 0.1-0.2mm/tooth . Para penulis
menemukan bahwa kehidupan alat lebih tinggi dengan MQL karena lapisan oksida yang terbentuk pada
sisipan alat yang membantu untuk memperpanjang umur alat.

Saurav Datta et al ( 2010 ) mengoptimalkan CNC akhir parameter proses penggilingan untuk
menyelesaikan permukaan dan tingkat removal material menggunakan PCA berdasarkan metode Taguchi.
Muammer Nalbant et al ( 2007) menggunakan beberapa yang analisis regresi dan buatan model jaringan
saraf untuk memprediksi kekasaran permukaan di balik AISI 1030 bahan baja .

Teknik ini digunakan rancangan faktorial lengkap dan analisis varians ( ANOVA ) . Menurut mereka ,
peningkatan kekasaran Permukaan dengan kenaikan laju umpan tetapi menurun dengan meningkatnya
radius pahat insert . Ekanayake dan Mathew ( 2007) meneliti efek dari kecepatan potong pemakanan dan
kedalaman potong untuk memotong kekuatan dengan sisipan yang berbeda saat penggilingan baja
AISI1020 . Menurut mereka tool offset dan run- out berpengaruh signifikan pada gaya potong ketika
datang ke kecepatan tinggi pengefraisan di mana bagian dipotong kecil dipekerjakan . Hal ini dapat
menyebabkan keausan yang tidak merata tips alat akibat beban chip yang tidak merata . Lajis et al ( 2008)
mengembangkan permukaan respon Model untuk memprediksi umur pahat di penggilingan akhir baja
dikeraskan AISI D2 . Teknik ini menggunakan rancangan komposit pusat dalam desain eksperimen dan
ANOVA . Tujuannya adalah untuk memperoleh persentase kontribusi parameter pemotongan ( kecepatan
potong pemakanan dan kedalaman potong ).

2. Bahan dan metode

Material benda kerja yang digunakan untuk penyelidikan ini adalah P20 baja cetakan dari benda kerja
datar 100mm × 100mm × 10mm dan kepadatan materi dalam satuan metrik adalah 7.8 g / cc. Komposisi
kimia dari material benda kerja diberikan dalam Tabel 1.
  2.1 RS Model formulasi

 Respon metodologi permukaan adalah alat yang banyak digunakan untuk bidang rekayasa kualitas.
Respon Metodologi permukaan ( Montgomery , 1984) adalah kumpulan teknik matematika dan statistik
yang berguna untuk pemodelan analisis dan optimalisasi proses di mana respon bunga dipengaruhi oleh
beberapa variabel dan tujuannya adalah untuk mengoptimalkan respon ini tanggapan Metodologi
permukaan menggunakan data kuantitatif dari percobaan yang tepat untuk menentukan dan sekaligus
memecahkan multi-variabel.

Persamaan metodologi respon permukaan terdiri regresi pas permukaan untuk mendapatkan tanggapan
perkiraan desain eksperimen untuk mendapatkan varians minimum tanggapan dan optimasi menggunakan
tanggapan didekati. Dalam pemodelan statistik untuk mengembangkan mendekati model yang sesuai
antara respon ' Y ' dan variabel independen { x1 , x2 , xn } ------- secara umum , hubungan ini ditulis
dalam bentuk :

Y = f ( x1 , x2 , ------- xn ) + ε ; ( 1 )

 Dimana bentuk benar fungsi respon Y tidak diketahui dan mungkin sangat rumit dan ε adalah istilah
yang mewakili lainnya sumber variabilitas tidak dicapai dalam Y. biasanya ε termasuk efek seperti
kesalahan pengukuran pada respon kembali tanah noise efek dari variabel lain dan sebagainya . Biasanya
ε diperlakukan sebagai kesalahan statistik seringkali asumsi itu untuk memiliki normal distribusi dengan
mean nol dan varians σ2.

E ( y ) = Y = E [ f ( x1 , x2 , ... , xn ) ] + E ( ε ) = f ( x1 , x2 , ... , xn ) , (2 )

Variabel x1 , x2 , ... , xn Pers. ( 2 ) biasanya disebut variabel alami karena mereka dinyatakan dalam
satuan alami pengukuran seperti derajat Celcius , pon / inci persegi dll dalam banyak pekerjaan RSM
akan lebih mudah untuk mengubah alam variabel untuk kode variabel x1 , x2 , ... , xn , yang biasanya
didefinisikan sebagai berdimensi dengan mean nol dan standar yang sama deviasi . Dalam hal variabel
kode fungsi respon akan ditulis sebagai f ( x1 , x2 , ... , xn ) ; disebut permukaan respon . Disebagian
besar masalah RSM bentuk hubungan antara respon dan variabel independennya adalah tidak diketahui
Jadi yang pertama langkah di RSM adalah untuk menemukan pendekatan yang cocok untuk hubungan
fungsional yang benar antara Y dan mengatur variabel independen dipekerjakan . Biasanya model urutan
kedua digunakan di RSM .

Koefisien β yang digunakan dalam model di atas dapat dihitung dengan cara menggunakan teknik
kuadrat terkecil . Model urutan kedua biasanya digunakan ketika fungsi respon tidak diketahui atau
nonlinear.

 2.2 Optimization Algoritma Genetika

   Algoritma genetika ( GA ) adalah pencarian dan optimasi algoritma komputerisasi berdasarkan

mekanisme seleksi alam dan genetika alami ( Goldberg , 1989; Deb Kalyanmony , 1991) GA
mensimulasikan proses evolusi biologi : Teori Darwin survival of the fittest . Solusi dari masalah
optimasi dengan GA dimulai dengan satu set solusi potensial atau kromosom yang secara acak dipilih dan
seluruh set kromosom terdiri dari populasi. Kromosom berkembang selama beberapa iterasi atau generasi.

Generasi baru dihasilkan dengan menggunakan crossover dan teknik mutasi . Crossover
melibatkan membelah dua kromosom dan kemudian menggabungkan satu setengah dari setiap kromosom
dengan pasangan lainnya . Mutasi melibatkan membalik satu sedikit kromosom . Kromosom kemudian
dievaluasi dengan menggunakan kriteria tertentu dan kebugaran yang terbaik disimpan sementara sisanya
akan dibuang . Proses ini diulang sampai satu kromosom memiliki kebugaran terbaik dan dengan
demikian dianggap sebagai solusi terbaik untuk masalah.

3 . Rincian eksperimental

    Sebuah survei rinci telah dilakukan untuk mengetahui bagaimana parameter mesin
mempengaruhi rourhness permukaan P20 cetakan . berdasarkan ini lima parameter pemesinan adalah
radius hidung, kecepatan , feed rate , kedalaman aksial potong dan kedalaman potong radial pemotongan.
yang dipilih Taguchi L50 ( 21* 511) Array orthogonal dalam desain eksperimen ( DOE ) teknik telah
diterapkan untuk melakukan percobaan . Radius hidung dengan dua tingkat dan kecepatan potong ,
pemotongan pemakanan , kedalaman aksial potong dan kedalaman potong radial dengan lima tingkat
masing-masing dan kemudian 2 × 5 × 5 × 5 × 5 = 1250 berjalan yang diperlukan dalam percobaan selama
lima variabel independen . Tetapi menggunakan Taguchi array orthogonal , jumlah percobaan dikurangi
menjadi 50 percobaan dari 1250 percobaan . Semua percobaan yang dilakukan pada CNC vertikal mesin
penggilingan 600 II .

Spesifikasi mesin milling vertikal : alat pemegang yang digunakan untuk operasi penggilingan adalah
KENAMETAL pemegang alat BT40ER40080M , Table area klem : 20 ALAT ATC STANDARD.

Beban maksimum di atas meja : 700 kg , lancip Spindle : BT - 40 , kecepatan spindle kisaran : 8 -
8000rpm , Power: 13 kW , harga pakan berkisar : 0 - 12 m / min dan terlalu materi yang digunakan untuk
penelitian ini dilapisi pahat karbida . Alat pemotong karbida dilapisi telah ditemukan untuk melakukan
lebih baik daripada alat karbida uncoated. Dengan demikian tersedia secara komersial sisipan pahat
karbida CVD dilapisi ( TN 450 ) memiliki digunakan dalam penelitian ini ditunjukkan pada Gambar 1 .
Parameter pemesinan yang digunakan dan tingkat pilihan mereka disajikan dalam Tabel 2 .

Rata-rata kekasaran permukaan (Ra, pM) yang banyak digunakan di lingkungan industri diambil untuk
penelitian ini. Itu rata-rata kekasaran permukaan adalah nilai absolut yang tidak terpisahkan dari
ketinggian profil kekasaran lebih panjang evaluasi dan diwakili oleh Eq. (4).
Dimana L adalah panjang diambil untuk observasi dan Y adalah ordinat dari kurva profil. Kekasaran
permukaan diukur tiga kali untuk masing-masing dari 50 kasus yang diuji dengan menggunakan Surtronic
3 + instrumen jenis stylus yang diproduksi oleh Taylor Hobson dengan berikut spesifikasi. Traverse
Kecepatan: 1mm/sec, Cut-off nilai 0.25mm, 0.80mm dan 2.50mm, Layar LCD matriks Battery Alcaline
600 pengukuran dari 4 mm panjang pengukuran dan rata-rata. Eksperimental tata letak ( Montgomery,
1984 ) disaji kanpada Tabel 3 dan hasilnya ditunjukkan pada Gambar 2.

 4 . Hasil dan diskusi

   Dalam rangka untuk memenuhi kebutuhan hari ini dari industri manufaktur , karbida
menyisipkan dengan spesifikasi di atas adalah diidentifikasi. The L50 array orthogonal diadopsi untuk
penyelidikan ini . Jadi 50 Percobaan dilakukan dan rata-rata kekasaran permukaan semua komponen
diukur dan digunakan untuk membangun model matematis menggunakan RSM . Urutan kedua
permukaan respon mewakili kekasaran permukaan dapat dinyatakan sebagai fungsi parameter
pemotongan seperti radius hidung ( mm ) , kecepatan potong ( m / menit ) , pakan ( mm / gigi ) ,
kedalaman potong aksial ( mm ) dan kedalaman potong radial ( mm ) . Hubungan antara kekasaran
permukaan dan mesin parameter telah dinyatakan sebagai berikut :

Koefisien regresi beberapa model urutan kedua ditemukan menjadi 0.506. Hal ini menunjukkan bahwa
model orde kedua dapat menjelaskan variasi tingkat 50,6%. The adjusted R2 adalah 38,0%. Koefisien
regresi yang diperkirakan disajikan pada Tabel 4.  Fungsi respon telah ditentukan dalam satuan un-
dikodekan sebagai :

Hasil ANOVA untuk fungsi respon kekasaran permukaan disajikan dalam Tabel 5. Analisis ini dilakukan
untuk tingkat signifikansi 5% yaitu, untuk tingkat kepercayaan 95%.
 Dari hasil analisis Tabel 5, terlihat bahwa, nilai yang dihitung F lebih besar dari nilai F tabel
(F0.05, 10, 39 = 2,088). Oleh karena itu fungsi respon urutan kedua dikembangkan memadai. Gambar 2
menunjukkan perbandingan nilai-nilai eksperimental dengan RSM diprediksi hasil.
  4.1 Validasi hasil eksperimen

Untuk memprediksi dan memverifikasi perbaikan dalam kekasaran permukaan untuk mesin dari P20
cetakan baja dengan proses penggilingan dengan hormat untuk memilih parameter awal pengaturan, uji
verifikasi digunakan. Validitas model permukaan respon diperiksa oleh data uji disajikan pada Tabel 6
dan ditunjukkan pada Gambar 3. Dari analisis Gambar 3, dapat diamati bahwa nilai prediksi sangat dekat
dengan hasil eksperimen.
  4.2 Kekasaran Permukaan Optimasi dengan Algoritma Genetika

Kekasaran permukaan minimum dalam rentang parameter proses harus ditentukan dengan menggunakan
metode optimasi global.

algoritma genetika ( GA ) . Masalah optimasi kekasaran permukaan untuk baja P20 cetakan dapat
didefinisikan dalam standar Format matematika seperti di bawah ini :

Cari : kekasaran permukaan Untuk meminimalkan : kekasaran permukaan ( R , v , f , d , rd ) Dalam

rentang parameter :

0,8 mm ≤ R ≤ 1,2 mm

75 m / min ≤ V ≤ 95 m / min

0,1 mm / gigi ≤ f ≤ 0,2 mm / gigi

0,5 mm ≤ d ≤ 1,5 mm

0,3 mm ≤ rd ≤ 0,7 mm

Untuk mengatasi masalah optimasi di atas secara efisien , sebuah GA efektif telah ditulis dalam bahasa
pemrograman MATLAB itu maju GA digabungkan dengan model RS untuk kekasaran permukaan untuk
menghasilkan optimum global. Parameter penting dalam GA adalah ukuran populasi , probabilitas cross
over , tingkat mutasi , jumlah generasi (yaitu , iterasi ) , dll

Dalam ukuran populasi studi dari 40 , tingkat crossover 0,9 , tingkat mutasi adalah kendala
tergantung dan jumlah generasi 50 dan dibatasi solver bantuan fmincon sebagai fungsi hybrid bekerja GA
yang dikembangkan dalam penelitian ini , pemilihan seragam stochastic telah digunakan untuk memilih
kromosom . Nilai fitness dari kromosom bias terhadap nilai obyektif minimum dan paling set tidak layak
dalam fase crossover. GA mengurangi kekasaran permukaan baja P20 cetakan dari 0,5 pM sampai 0,2789
pM sekitar 44.22 % setelah optimasi . permukaan kekasaran sesuai dengan parameter proses optimal dan
parameter proses awal dibandingkan pada Tabel 6 .

Kekasaran permukaan P20 cetakan baja dengan sejarah optimasi iterasi ditunjukkan pada Gambar 4. Dari
Tabel 6, maka terlihat bahwa nilai kekasaran permukaan yang optimal (0,2789) diprediksi dari GA
berkorelasi sangat baik dengan yang (0,2867) dari percobaan.
5. kesimpulan

Dalam penelitian ini, metodologi optimasi efisien menggunakan RSM dan GA diperkenalkan
dalam meminimalkan kekasaran permukaan P20 cetakan baja pada akhirnya proses penggilingan CNC.
Untuk mencapai kekasaran permukaan minimum, parameter proses yang sesuai yang ditentukan. Radius
hidung, kecepatan potong, laju pemakanan kedalaman aksial potong dan kedalaman potong radial
dianggap sebagai parameter proses A.

model prediktif untuk kekasaran permukaan dibuat dalam hal parameter proses menggunakan RSM untuk
meningkatkan kualitas permukaan akhir. Model RSM adalah dihubungkan dengan GA efektif untuk
menemukan nilai-nilai parameter proses yang optimal. GA telah mengurangi kekasaran permukaan model
awal secara signifikan. Kekasaran permukaan ditingkatkan sekitar 44.22%.
PERTANYAAN

1. What is meant by surface methodology.?

2. Whether an extension of RSM.?
3. The average value of the object surface roughness.?
4. Write five machining parameters.?
5. What are the factors that affect the surface roughness.?
6. What the first step diRSM.?
7. What is meant by genetic algorithm.?
8. Explain about RSM models.?
9. How the specification of vertical milling machine.?
10. What important parameters in GA.?

JAWABAN

1. The Response surface methodology is a collection of mathematical and statistical techniques that
are useful for modeling, analysis and optimizing the process in which response of interest is
influenced by several variables and the objective is to optimize this response.
2. Response surface methodology
3. The verage surface roughness is the integral absolute value of the height of the roughness profile
over the evaluation length and was represented by the Eq. (4)
4. Nose radius, cutting speed, feed rate, axial depth of cut and radial depth.
5. The factors affecting the surface roughness are the machining conditions work piece material and
tool geometry.
6. Is to find a suitable approximation for the true functional relationship between Y and set of
independent variables employed.
7. Genetic algorithms (GA) are computerized search and optimization algorithms based on the
mechanics of natural selection and natural genetics.
8. Interfaced with an effective GA to find the optimum process parameter values.
9. The tool holder used for milling operation was KENAMETAL tool holder BT40ER40080M,
Table clamping area: 20 TOOLS ATC STANDARD.
10. The size of population, cross over probability, mutation rate, number of generations.