Machine Translated by Google

Lihat diskusi, statistik, dan profil penulis untuk publikasi ini di: https://www.researchgate.net/publication/336242061

Metode Berbasis Pembelajaran Mendalam untuk Optimasi Parameter Pemotongan untuk Pita
Mesin Gergaji

Makalah Konferensi · September 2019

KUTIPAN BACA

0 924

6 penulis, termasuk:

Pin Li Jianshe Feng

Universitas Cincinnati Universitas Cincinnati

9 PUBLIKASI 792 KUTIPAN 33 PUBLIKASI 598 KUTIPAN

LIHAT PROFIL LIHAT PROFIL

Hossein Davari
Feng Zhu
Universitas Kota Hong Kong Universitas Cincinnati

15 PUBLIKASI 104 KUTIPAN 30 PUBLIKASI 1.576 KUTIPAN

LIHAT PROFIL LIHAT PROFIL

Semua konten setelah halaman ini diunggah oleh Pin Li pada tanggal 05 Oktober 2019.

Pengguna telah meminta penyempurnaan file yang diunduh.

Machine Translated by Google

KONFERENSI TAHUNAN MASYARAKAT PROGNOSTIK DAN MANAJEMEN KESEHATAN 2019

Metode Berbasis Pembelajaran Mendalam untuk Optimasi Parameter

Pemotongan untuk Mesin Gergaji Pita

Sematkan Li1 , Jianshe Feng2 , Feng Zhu3 , Hossein Davari4 , Liang-Yu Chen5 , Jay Lee6

1,2,3,4,6NSF I/ UCR Pusat Sistem Perawatan Cerdas, Departemen Teknik Mesin, Universitas Cincinnati,
Cincinnati, Ohio 45221-0072, AS
bibir2@mail.uc.edu
fengje@mail.uc.edu
zhufn@mail.uc.edu
davarihn@mail.uc.edu
jay.lee@.uc.edu

5 COSEN Mekatronik CO.LTD, No.309, Detik. 2, Houke Rd., Distrik Houli, Kota Taichung 421, Taiwan (ROC)
liang_yu@cosen.com.tw

Ada beberapa permasalahan yang perlu diperhatikan dan diselesaikan

ABSTRAK
Sepanjang tahap pemesinan kasar, mesin gergaji pita banyak digunakan
untuk memotong berbagai bahan mentah ke dalam dimensi yang
dibutuhkan. Penggantian mata pisau karena mata pisau
degradasi menyumbang sebagian besar dari total biaya penggunaan mesin
gergaji pita. Oleh karena itu, memitigasi degradasi mata pisau dengan
mengoptimalkan parameter pemotongan secara dinamis dapat menghasilkan
manfaat ekonomi yang besar dan juga dapat menjadi faktor utama dalam
mewujudkan manufaktur cerdas.
Makalah ini mengusulkan langkah-langkah untuk mencapai tujuan ini,
dimulai dengan penerapan model Convolutional Neural Network (CNN)
untuk memetakan hubungan rumit antara parameter pemotongan dan
degradasi blade. Selanjutnya digunakan teknik simulasi untuk mencari
parameter pemotongan optimal berdasarkan estimasi degradasi sudu dari
keluaran model, sehingga dapat memperpanjang umur sudu. Metode
optimasi yang diusulkan kemudian divalidasi berdasarkan data yang
dikumpulkan selama proses manufaktur nyata menggunakan mesin gergaji
pita. Hasil perbandingan menunjukkan bahwa parameter pemotongan
optimal yang diperoleh dapat secara efektif memperpanjang masa pakai
mata pisau untuk mesin gergaji pita.
1. PERKENALAN
Pada tahap pemesinan kasar, mesin gergaji pita banyak digunakan untuk
memotong berbagai bahan mentah sesuai dimensi yang dibutuhkan. Saat
ini mesin gergaji pita merupakan salah satu peralatan mesin yang paling
sering digunakan, digunakan pada bahan logam, kayu, plastik bahkan pada
chip semikonduktor.
Pin Li dkk. Ini adalah artikel akses terbuka yang didistribusikan di bawah
ketentuan Lisensi Creative Commons Attribution 3.0 Amerika Serikat, yang
mengizinkan penggunaan, distribusi, dan reproduksi tanpa batas dalam
media apa pun, asalkan penulis dan sumber asli dicantumkan.
selama penggunaan mesin gergaji pita, antara lain pelacakan gergaji pita,
getaran, dll. Pemilihan parameter pemotongan yang optimal, seperti
kecepatan mata pisau dan kecepatan ke bawah, merupakan salah satu hal
yang paling penting. masalah, karena pemilihan parameter yang tidak tepat
dapat mengakibatkan (1) getaran berlebih pada mata pisau yang disebabkan
oleh parameter pemotongan yang lebih tinggi, sehingga menyebabkan
keausan yang tidak normal pada mata gergaji pita, (2) efisiensi
penggergajian yang rendah untuk parameter pemotongan yang lebih
rendah. Saat ini, parameter pemotongan ditentukan berdasarkan pengalaman operator, yang
menyebabkan dua masalah utama: (1) pengalaman bersifat subjektif, yang
dapat menyebabkan kinerja pemotongan tidak konsisten di antara berbagai
operator, terutama bagi pemula; (2) pengalaman tidak dapat memberikan
bukti kuantitatif untuk memandu perbaikan di masa depan. Selain itu,
pemilihan parameter empiris kemungkinan besar tidak memperhitungkan
seluruh kondisi produksi riil.
Masalah optimasi parameter pemotongan telah diselidiki secara luas dalam
aplikasi permesinan. Metode optimasi parameter saat ini dapat
diklasifikasikan menjadi dua kategori: (1) metode berbasis fisika dan (2)
metode berbasis data.
Untuk metode berbasis fisika, Bhattacharya (Bhattacharya, Das, Majumder,
& Batish, 2009) menyajikan studi eksperimental untuk menyelidiki pengaruh
parameter pemotongan pada produk jadi serta konsumsi daya. Untuk
melakukan penyelidikan ini, Bhattacharya menggunakan teknik Taguchi
dan menemukan bahwa kecepatan potong mempunyai pengaruh yang
signifikan terhadap kekasaran permukaan dan konsumsi daya, sedangkan
parameter lainnya tidak. Camposeco-Negrete (Camposeco-Negrete, 2015)
membangun model regresi beberapa variabel respon dengan menggunakan
Central Composite Design dan Response Surface Method, mencari
hubungan antara parameter pemotongan dengan variabel respon dan juga

1
Machine Translated by Google

KONFERENSI TAHUNAN MASYARAKAT PROGNOSTIK DAN MANAJEMEN KESEHATAN 2019

mendefinisikan nilai variabel yang mencapai tujuan optimal. Sarikaya
(Sarikaya & Güllü, 2015) menyajikan pendekatan untuk optimalisasi
parameter pemesinan dengan keluaran multi-respons, termasuk keausan
sayap, keausan takik, dan kekasaran permukaan. Parameter proses,
termasuk
fluida pemotongan, laju aliran fluida, dan kecepatan potong, secara
bersamaan dioptimalkan dengan analisis relasional abu-abu berbasis
Taguchi. Metode pemodelan prediktif berbasis data
dibangun berdasarkan metode statistik atau algoritma pembelajaran mesin
(Jia, Di, et al., 2018; Jia, Jin, et al., 2018; Lughofer & Pratama, 2018;
Sangwan, Saxena, & Kant, 2015) mengusulkan Jaringan Syaraf Tiruan
terintegrasi -Pendekatan Algoritma Genetika (ANN-GA) untuk menentukan
parameter pemesinan yang optimal, menghasilkan kekasaran permukaan
minimum yang banyak digunakan sebagai indikator kualitas produk.
Secara terselubung, dalam literatur saat ini, sebagian besar fokus penelitian
pada peningkatan efisiensi energi di area aplikasi material tertentu. Hanya
sedikit investigasi yang ditemukan untuk parameter optimal berdasarkan
degradasi peralatan. Selain itu, saat ini hanya ada sedikit makalah terbitan
yang fokus pada hal tersebut
optimalisasi parameter mesin gergaji pita. Saglam (Saglam, 2011)
menerapkan pendekatan Taguchi bersama dengan Artificial Nerual Network
(ANN) untuk memperkirakan keausan gigi pada mata gergaji pita. Dalam
studi ini, mereka mempertimbangkan kecepatan, pemakanan, panjang
pemotongan, dan kekerasan material sebagai parameter masukan dan
menyelidiki pengaruh parameter ini terhadap keausan blade.
Asiltürk (Asiltürk & Ünüvar, 2009) mengusulkan model gaya berbasis neural-
fuzzy untuk mengendalikan proses penggergajian pita, dan parameter
pemotongan terus diperbarui oleh model lain.
jaringan syaraf. Mewada (Mewada & Raval, 2016) digabungkan
Taguchi dan Desirability berfungsi untuk optimalisasi tujuan multi-respons.
Saat ini belum ada literatur atau penelitian yang menggunakan deep learning
untuk optimalisasi parameter pemotongan pada mesin gergaji pita.
Sisa dari makalah ini disusun sebagai berikut: Bagian 2 memperkenalkan
sistem akuisisi data dan pekerjaan terkait dalam menetapkan indeks
kesehatan untuk blade, bagian 3 menyajikan metodologi yang diusulkan
untuk optimalisasi parameter pemotongan, hasil verifikasi dibahas di bagian
4, dan kesimpulan dan pekerjaan masa depan disediakan di bagian 5.
2. PEKERJAAN TERKAIT
2.1. Eksperimen dan Akuisisi Data
Eksperimen dengan mesin gergaji pita yang disediakan oleh Cosen
Mekatronik, seperti yang ditunjukkan pada Gambar 1, digunakan untuk
akuisisi data. Mesin gergaji pita dilengkapi dengan akselerometer, mikrofon,
pasangan termal, dan tekanan
pengukur dipasang di dekat pemandu bilah. Untuk setiap mesin, sensor
tambahan dan pengontrol PLC terhubung
komputer untuk akuisisi, manajemen, dan analisis data. Dalam penyelidikan
eksperimental ini, tiga sumber data utama dikumpulkan termasuk spesifikasi
tugas pemotongan, parameter pemotongan, dan variabel proses yang
diukur. Spesifikasi tugas pemotongan berorientasi pada tugas, yang terkait
dengan jenis mesin, pilihan bilah, dan sifat material. Dua parameter
pemotongan termasuk kecepatan pisau dan kecepatan ke bawah merupakan
parameter yang dianggap penting dalam penelitian kami. Sinyal proses
yang diukur mencakup getaran di area pemotongan, suhu komponen
penting, dll. Data getaran dikumpulkan dengan laju pengambilan sampel
10,24 kHz, yang digunakan untuk mengevaluasi kinerja proses pemotongan.
Kecepatan pengambilan sampel sinyal lain ditetapkan sebesar 100 Hz,
namun nilai rata-rata sinyal ini dalam setiap jendela 2 menit adalah
dihitung dan dicatat. Detail sinyal yang dikumpulkan dapat ditemukan di
Tabel 1.

Untuk mengatasi masalah yang disebutkan di atas, kami mengusulkan pendekatan

berbasis pembelajaran mendalam untuk menemukan parameter optimal berdasarkan
degradasi mata pisau, yang akan memperpanjang umur mata gergaji pita.
Pembelajaran mendalam telah terbukti berhasil dalam berbagai aplikasi
(Jing, Zhao, Li, & Xu, 2017) karena kemampuan pembelajarannya yang
kuat, yang secara otomatis mempelajari fitur dari data mentah tanpa campur
tangan manusia (J. Li, Mei, Prokhorov, & Tao, 2017). Salah satu keuntungan
penting dari metode yang diusulkan adalah bahwa metode ini memanfaatkan
kemiringan yang dalam untuk menemukan hubungan rumit antara parameter
pemotongan dan degradasi mata gergaji pita.

Selain itu, kami mempertimbangkan untuk menggabungkan pengetahuan

ahli untuk pengoptimalan parameter. Tujuannya adalah untuk meningkatkan
efisiensi produksi sekaligus mengurangi keausan mata gergaji pita.
Berdasarkan pertimbangan di atas, kerangka yang diusulkan mencakup
Gambar 1. Mesin gergaji pita dengan akselerometer.
dua bagian utama: (1) membangun model untuk menghasilkan indeks
kesehatan mata gergaji pita selama pemotongan, (2) memetakan hubungan
antara parameter pemotongan dan degradasi mata gergaji pita berdasarkan
model Convolutional Neural Network (CNN), yang kemudian digunakan
untuk mencari parameter pemotongan optimal.

2
Machine Translated by Google

KONFERENSI TAHUNAN MASYARAKAT PROGNOSTIK DAN MANAJEMEN KESEHATAN 2019

Tabel 1. Daftar data yang dikumpulkan.

Variabel Nama variabel Tipe data Arti fisik

Kategori
ID Mesin Diskrit Nomor id mesin gergaji pita
ID Pisau Diskrit Nomor id bilah
TPI pisau Diskrit Gigi per inci untuk pisau
Jenis pisau Diskrit Jenis mata gergaji pita tertentu
Tugas Pemotongan Merek pisau Diskrit Merk pisau yang digunakan
Spesifikasi
Bahan pisau Diskrit Bahan dasar mata pisau
Memotong bahan Diskrit Jenis bahan pemotongan benda kerja
Tinggi bahan Diskrit Ketinggian pemotongan benda kerja
Lebar bahan Diskrit Lebar pemotongan benda kerja
Kecepatan pisau Kontinu Kecepatan putaran sudu, satuannya m/menit
Parameter
pemotongan Kecepatan ke bawah Kontinu Kecepatan gerak pisau melalui bahan yang sedang
dipotong, satuannya adalah mm/menit
Potong nomor Kontinu Jumlah potongan untuk satu bilah
Area akumulasi Kontinu Akumulasi luas potongan benda kerja
Kecepatan aliran Kontinu Kecepatan aliran cairan pendingin
Nilai PH aliran Nilai PH cairan pendingin yang berkelanjutan
Arus motor utama Kontinu Mengukur torsi motor
Variabel
Akselerator Kontinu Mengukur getaran
proses yang diukur
Penyimpangan bilah Kontinu Mengukur isi bilah yang tertekuk
Suhu lingkungan Kontinu suhu lingkungan sekitar
Suhu pendingin Kontinu Suhu suhu pendingin
Suhu hidrolik Kontinu Suhu sistem hidrolik
Suhu kotak roda gigi Kontinu Suhu gearbox

2.2. Konstruksi Indeks Kesehatan
Konstruksi Indeks Kesehatan (HI) untuk mesin dipelajari dengan baik di
bidang PHM. Biasanya, HI untuk mesin atau komponen penting
dibangun dari data terukur menggunakan teknik pemrosesan sinyal,
pembelajaran mesin, dan teknik penambangan data untuk mengukur
status kesehatan pada waktu yang berbeda (P. Li et al., 2018) (Jia,
Zhao, Di , Li, & Lee, 2018) (Jia, Huang, Feng, Cai, & Lee, 2018) (Qiao
dkk., 2019) (P. Li dkk., 2019). Dalam penelitian kami, data getaran
terutama diadopsi untuk membangun model HI guna menyajikan proses
degradasi blade. Setiap dua menit, sekumpulan nilai fitur diekstraksi
dari data getaran yang diperoleh dalam interval waktu ini
termasuk RMS, faktor puncak, nilai puncak ke puncak dan oktaf
energi pita frekuensi sinyal getaran. Dengan menggunakan Kriteria
Fisher, kami memilih 10 fitur teratas dengan membandingkan setiap
perubahan nilai fitur dari awal masa pakai hingga akhir masa pakainya.
Pengukuran kesehatan sistem akhir adalah rata-rata dari 10 fitur
teratas dari sinyal getaran, seperti yang ditunjukkan pada Persamaan. (1).
1 10
= adalah pengembangan modul optimasi parameter pemotongan adaptif
(1)
10ÿ j=1
Dimana fitur penting yang dipilih. Dengan cara ini, fitur multidimensi
digabungkan menjadi satu variabel sebagai sistem akhir HI. Detail lebih
lanjut dapat ditemukan di kami
pekerjaan sebelumnya (Yang, 2016).
3. METODOLOGI YANG DIUSULKAN
3.1. Ringkasan
Alur kerja pemotongan tradisional mencakup langkah-langkah
berikut. Pertama, diberikan tugas pemotongan, seperti spesifikasi
mata pisau pemotong, bahan dan ukuran benda kerja. Selanjutnya,
operator mengatur parameter pemotongan berdasarkan instruksi
buku panduan dan pengalaman mereka. Ketiga, operator memeriksa
kualitas produk yang dipotong dan jika kualitas permukaannya tidak
bagus, operator harus membuang potongan tersebut atau memotongnya
kembali dengan menyesuaikan parameter pemotongan. Keahlian
manusia memainkan peran penting dalam keseluruhan proses dan
tidak dapat diotomatisasi begitu saja.
Seperti yang ditunjukkan pada Gambar 2, kontribusi penelitian ini
untuk meningkatkan alur kerja pemotongan tradisional berdasarkan
data yang dikumpulkan. Modul yang dikembangkan terutama berisi
tiga bagian, yang secara dinamis dapat menyesuaikan parameter pemotongan

3
Machine Translated by Google
KONFERENSI TAHUNAN MASYARAKAT PROGNOSTIK DAN MANAJEMEN KESEHATAN 2019
selama proses pemotongan. Ide dasar dari optimasi adalah mencari solusi
optimal dengan mengevaluasi semua pilihan yang mungkin.
Oleh karena itu, langkah pertama adalah menghasilkan perpustakaan
komprehensif tentang kemungkinan pasangan parameter pemotongan.
Langkah kedua adalah mengevaluasi kebaikan masing-masing pasangan
menurut fungsi tujuan yang dirancang. Langkah ketiga adalah menemukan
Gambar 2. Diagram alur metodologi yang diusulkan.
3.2. Bangun Perpustakaan Kemungkinan Pasangan
Parameter Pemotongan
Dengan adanya informasi mengenai mata pisau pemotong, bahan dan
ukuran benda kerja, operator mesin dapat memperoleh kisaran kasar
parameter pemotongan dari buku panduan instruksi.
Dalam praktiknya, operator biasanya memilih satu nilai spesifik untuk
parameter pemotongan berdasarkan pengalamannya. Namun, dalam
penelitian ini, semua nilai dengan interval kecil tetap dalam rentang
tersebut digunakan untuk membangun perpustakaan. Misalnya, jika
rentang nilai yang diambil untuk kecepatan blade adalah [89, 121], dan
intervalnya ditetapkan sebagai 1, maka kandidat yang mungkin adalah
[89, 90, 91,…, 120, 121]. Sebagai langkah pertama, seluruh kombinasi
kecepatan sudu dan kecepatan ke bawah dievaluasi berdasarkan
kelayakannya menggunakan rumus MORSE, seperti ditunjukkan pada Persamaan. (2).
Rumus MORSE merupakan kriteria empiris untuk menjamin beban chip
yang diinginkan untuk mata gergaji pita.
= × 39,37 × ÿ (2)
×
Dimana TPI sudu mewakili jumlah gigi per inci sudu, yang merupakan nilai
skalar tanpa satuan. Gigitan gigi pisau, juga dikenal sebagai beban chip
per gigi, adalah penetrasi yang diinginkan setiap gigi ke dalam benda kerja.
Kisaran gigitan gigi yang aman dan efisien adalah [0,005, 0,01].
Hal ini dicatat dari Persamaan. (2) bahwa gigitan gigi dapat dihitung
dengan menggunakan kecepatan ke bawah dan kecepatan sudu, dan jika
nilai yang dihitung berada di luar kisaran aman, kombinasi kecepatan sudu
dan kecepatan ke bawah harus dibuang. Oleh karena itu, rumus MORSE
digunakan untuk menyaring pasangan parameter pemotongan yang tidak
masuk akal untuk perpustakaan yang dibangun.
3.3. Model Evaluasi Berbasis CNN
pasangan parameter pemotongan yang optimal dengan mempertimbangkan
fungsi tujuan dan efisiensi pemotongan. Detail setiap langkahnya adalah
diperkenalkan di bagian berikut.
Convolutional Neural Network (CNN) adalah salah satu algoritma
pembelajaran mendalam yang paling populer. Karena kemampuan
representasi informasinya yang kuat, CNN telah banyak digunakan untuk
ekstraksi fitur di banyak bidang, terutama dalam pemrosesan gambar.
Berbeda dari jaringan saraf propagasi balik, CNN adalah jaringan saraf
yang terhubung jarang yang terdiri dari tiga jenis lapisan berbeda: lapisan
konvolusional, lapisan penyatuan, dan lapisan terhubung penuh. Lapisan
konvolusional dapat memiliki beberapa filter berbeda yang dapat
digabungkan pada sebagian lapisan masukan untuk mengekstrak berbagai
jenis fitur. Lapisan pengumpulan digunakan untuk mengurangi dimensi
peta fitur yang diekstraksi dan memastikan fitur yang dipertahankan tidak
berubah terhadap perubahan skala dan orientasi. Lapisan yang terhubung
sepenuhnya digunakan untuk menjembatani fitur yang diekstraksi dan
keluaran target. Untuk keluaran dengan nilai diskrit digunakan lapisan
softmax dan untuk keluaran dengan nilai kontinu digunakan lapisan regresi.
Indeks kesehatan telah ditetapkan untuk memantau degradasi bilah
berdasarkan sinyal getaran, dengan nilai indeks kesehatan yang lebih
besar menunjukkan semakin banyak bilah yang terdegradasi. Oleh karena
itu, indeks kesehatan dapat diperlakukan sebagai fungsi objektif untuk
mengevaluasi kebaikan parameter penebangan. Model CNN digunakan
untuk memetakan hubungan kompleks antara parameter pemotongan,
variabel proses yang dikumpulkan, dan indeks kesehatan yang ditetapkan.
Oleh karena itu, kemungkinan pemotongan pasangan parameter dari
perpustakaan yang dibangun dapat dievaluasi berdasarkan keluaran model
CNN.
Pada bagian 2 disebutkan ada tiga jenis variabel yang dicatat setiap dua
menit. Indeks kesehatan pisau juga dihitung setiap dua menit. Semua
variabel pada Tabel 1 kecuali getaran dan ID mesin disusun secara paralel
untuk membuat masukan 2 dimensi untuk CNN 2D. Jendela geser dengan
panjang 20 dan langkah 1 digunakan untuk memotong data menjadi blok-
blok kecil. Oleh karena itu, lapisan masukan menerima matriks data 20 ×
20.
4
Machine Translated by Google

KONFERENSI TAHUNAN MASYARAKAT PROGNOSTIK DAN MANAJEMEN KESEHATAN 2019

Gambar 3. Struktur dan spesifikasi model CNN.

Selanjutnya, dua lapisan konvolusional dan dua lapisan penyatuan
ditumpuk diikuti oleh lapisan yang terhubung sepenuhnya untuk tujuan
regresi. Output targetnya adalah perkiraan indeks kesehatan, yang
digunakan sebagai fungsi tujuan untuk mengevaluasi kebaikan setiap
pasangan parameter pemotongan yang mungkin. Mekanisme
pengumpulan maksimum digunakan untuk setiap lapisan pengumpulan.
Jumlah dan ukuran masing-masing filter serta dimensi masing-masing
lapisan dapat dilihat pada Gambar 3.
kemungkinan pasangan parameter pemotongan dimasukkan ke dalam
model CNN untuk mendapatkan prediksi indeks kesehatan (HI), kemudian
kuantil 10% dari semua prediksi HI dihitung sebagai kriteria untuk
mempertahankan pasangan parameter pemotongan yang paling menjanjikan.
Karena kecepatan ke bawah berkaitan erat dengan kecepatan pemotongan,
maka parameter pemotongan dengan kecepatan ke bawah tertinggi dipilih
sebagai pasangan parameter pemotongan optimal.

Untuk menunjukkan efektivitas regresi berbasis CNN, tiga

model regresi pembelajaran mesin tradisional digunakan
dalam penelitian ini sebagai perbandingan.
Model regresi tersebut adalah Support Vector Regression
dengan kernel RBF, Random Forest, dan Neural Network.
Pemotongan data melalui jendela geser tidak diterapkan untuk
model regresi ini karena model tersebut menerima masukan 1 dimensi.
Di sini, dua metrik termasuk root mean square error (RMSE), dan mean
absolute error (MAE), seperti yang ditunjukkan pada Persamaan. (3) dan Persamaan.
(4), digunakan untuk mengevaluasi kinerja regresi
model.

2
ÿ) (3)
ÿ( ÿ
=1
RMSE = ÿ 1
1
ADALAH = ÿ| (4)
ÿ| ÿ
=1

Dimana dan
ÿ

adalah pedang yang benar dan diprediksi HI.

3.4. Optimasi Parameter Pemotongan

Setiap kali tugas pemotongan ditentukan, semua kemungkinan pasangan
parameter pemotongan disimpan di perpustakaan dan kemudian
dievaluasi dengan model berbasis CNN. Karena kecepatan pemotongan
yang lebih tinggi selalu disukai oleh operator mesin, pasangan parameter
pemotongan dengan kecepatan ke bawah yang lebih tinggi lebih disukai
daripada hanya memilih parameter pemotongan dengan nilai indeks
kesehatan prediksi yang minimal. Seperti yang ditunjukkan pada Gambar 4, semuanya

5
Machine Translated by Google

KONFERENSI TAHUNAN MASYARAKAT PROGNOSTIK DAN MANAJEMEN KESEHATAN 2019

Gambar 4. Flowchart optimasi parameter pemotongan. menangkap tren utama indeks kesehatan dan ketahanan terhadap
kebisingan.
4. HASIL DAN PEMBAHASAN Tabel 2. Hasil seluruh metode pada kedua metrik tersebut.

4.1. Evaluasi Model CNN

metode ADA RMSE
Data dari 9 bilah dikumpulkan untuk dianalisis dalam penelitian ini. RBF SVR 0,216 0,250
Data dari 8 blade digunakan untuk melatih model CNN dan data dari satu
blade digunakan untuk pengujian. Untuk mengurangi keacakan hasil, Hutan Acak 0,253 0,297
keempat model diuji sepuluh kali, dan rata-rata metrik evaluasi ditunjukkan
Jaringan syaraf 0,159 0,219
pada Tabel 2. Selain itu, kinerja regresi semua model divisualisasikan
pada Gambar 5. Perlu dicatat bahwa model CNN yang dikembangkan CNN 0,067 0,084
memiliki kinerja terbaik di antara keempat model tersebut, sesuai
kemampuannya

(A) (B)

(C) (D)

Gambar 5. Hasil regresi seluruh metode yang dibandingkan: (a) RBF SVR, (b) Random Forest, (c) Neural Network, (d) CNN.

mesin. Hasil mitigasi degradasi bilah pisau yang signifikan menunjukkan

4.2. Evaluasi Optimasi Parameter Pemotongan
efektivitas metodologi yang diusulkan.
Data blade pengujian yang sama digunakan untuk mendemonstrasikan Perbandingan hasil menunjukkan bahwa CNN berkinerja lebih baik dalam
hasil optimasi parameter pemotongan. Dalam praktiknya, parameter memetakan hubungan kompleks dibandingkan model pembelajaran mesin
pemotongan akan tetap sama untuk waktu yang lama dan indeks kesehatan tradisional. Pekerjaan penelitian di masa depan dalam bidang ini akan
blade akan sedikit berubah dalam jangka waktu singkat. Oleh karena itu, mencakup menyiapkan eksperimen untuk mengukur kinerja metode
dalam penelitian ini, parameter pemotongan disesuaikan secara dinamis optimasi parameter pemotongan yang dikembangkan dibandingkan
setiap 50 pemotongan, seperti yang ditunjukkan pada Gambar 6(ab). dengan operator mesin berpengalaman.
Indeks kesehatan yang dioptimalkan kemudian dibandingkan dengan
indeks kesehatan blade sebenarnya, seperti yang ditunjukkan pada Gambar
6(c). Perlu diketahui bahwa indeks kesehatan yang dioptimalkan lebih
rendah dari indeks kesehatan sebenarnya, yang berarti optimalisasi
parameter pemotongan dapat memperpanjang masa pakai blade.

5. KESIMPULAN

Makalah ini mengusulkan metodologi berbasis pembelajaran mendalam

untuk mengoptimalkan parameter pemotongan gergaji pita secara dinamis

6
Machine Translated by Google

KONFERENSI TAHUNAN MASYARAKAT PROGNOSTIK DAN MANAJEMEN KESEHATAN 2019

(A) (B)

(C)

Gambar 6. Hasil optimasi parameter pemotongan. (a) optimalisasi kecepatan blade, (b) optimalisasi kecepatan ke bawah, (c) optimalisasi
indeks kesehatan.

REFERENSI https://doi.org/10.1016/j.jprocont.2017.12.004
Jia, X., Huang, B., Feng, J., Cai, H., & Lee, J. (2018). Review
Asiltürk, I., & Ünüvar, A. (2009). Kontrol adaptif yang cerdas dan
Kompetisi Data PHM 2008 hingga 2017 Review Kompetisi
pemantauan penggergajian pita menggunakan sistem neural-
Data PHM 2008 hingga 2017 : Metodologi dan Analisis.
fuzzy. Jurnal Teknologi Pengolahan Bahan, 209(5), 2302–
(September), 0–10.
2313. https://doi.org/10.1016/j.jmatprotec.2008.05.031
Jia, X., Jin, C., Buzza, M., Di, Y., Siegel, D., & Lee, J. (2018).
Metodologi penilaian berbasis deviasi untuk beberapa
Bhattacharya, A., Das, S., Majumder, P., & Batish, A. (2009).
klasifikasi pola kesehatan mesin dan deteksi kesalahan.
Memperkirakan pengaruh parameter pemotongan terhadap
Sistem Mekanik dan Pemrosesan Sinyal, 99, 244–261. https://
penyelesaian permukaan dan konsumsi daya selama
doi.org/10.1016/j.ymssp.2017.06.015
pemesinan kecepatan tinggi baja AISI 1045 menggunakan
desain Taguchi dan ANOVA. Teknik Produksi, 3(1), 31–40.
Jia, X., Zhao, M., Di, Y., Li, P., & Lee, J. (2018). Penyaringan
https://doi.org/10.1007/s11740-008-0132-2
jarang dengan norma lp /lq yang digeneralisasi dan
Camposeco-Negrete, C. (2015). Optimalisasi parameter
penerapannya pada pemantauan kondisi mesin yang berputar.
pemotongan menggunakan Response Surface Method untuk
Sistem Mekanik dan Pemrosesan Sinyal, 102, 198–213.
meminimalkan konsumsi energi dan memaksimalkan kualitas
https://doi.org/10.1016/j.ymssp.2017.09.018
pemotongan pada pembubutan aluminium AISI 6061 T6.
Jurnal Produksi Bersih, 109–117. https://doi.org/10.1016/
91,
Jing, L., Zhao, M., Li, P., & Xu, X. (2017). Pembelajaran fitur
j.jclepro.2014.12.017
berbasis jaringan saraf konvolusional dan metode diagnosis
Jia, X., Di, Y., Feng, J., Yang, Q., Dai, H., & Lee, J. (2018).
kesalahan untuk pemantauan kondisi gearbox.
Metrologi virtual adaptif untuk proses planarisasi mekanik
Pengukuran: Jurnal Konfederasi Internasional, Pengukuran
kimia semikonduktor menggunakan jaringan saraf polinomial
111, 1–10.
tipe GMDH. Jurnal Pengendalian Proses, 62, 44–54.
https://doi.org/10.1016/j.measurement.2017.07.017

7
Machine Translated by Google

KONFERENSI TAHUNAN MASYARAKAT PROGNOSTIK DAN MANAJEMEN KESEHATAN 2019

Li, J., Mei, X., Prokhorov, D., & Tao, D. (2017). Jaringan Neural
Dalam untuk Prediksi Struktural dan Deteksi Jalur di Adegan
Lalu Lintas. Transaksi IEEE di Jaringan Syaraf Tiruan dan
Pembelajaran 28(3), Sistem,
10.1109/
https://doi.org/ 690–703.
TNNLS.2016.2522428
Li, P., Jia, X., Feng, J., Davari, H., Qiao, G., Hwang, Y., & Lee, J.
(2018). Studi prognosabilitas degradasi sekrup bola
menggunakan metodologi sistematis. Sistem Mekanik dan
Pemrosesan Sinyal, 109, 45–57. https://doi.org/10.1016/
j.ymssp.2018.02.046
Li, P., Jia, X., Sumiya, M., Kamaji, Y., Ishiguro, M., Pahren, L., &
Lee, J. (2019). Metode Baru untuk Penilaian Akumulasi
Deposit di Ruang Etsa Kering.
Transaksi IEEE pada Manufaktur Semikonduktor, PP(c), 1–
1. https://doi.org/10.1109/tsm.2019.2904889
Lughofer, E., & Pratama, M. (2018). Pembelajaran Aktif Online
dalam Regresi Aliran Data Menggunakan Pengambilan
Sampel Ketidakpastian Berdasarkan Model Fuzzy Umum
yang Berkembang. Transaksi IEEE pada Sistem Fuzzy,
26(1), 292–309. https://doi.org/10.1109/TFUZZ.2017.2654504
Mewada, B., & Raval, H. (2016). Optimalisasi cutting rate dan
taper pada proses bandsawing menggunakan TAGUCHI dan
Desirability Approach. VIII(2).
Qiao, G., Liu, G., Ma, S., Wang, Y., Li, P., & Lim, TC
(2019). Analisis karakteristik termal dan studi eksperimental
mekanisme sekrup rol planet.
Teknik Termal Terapan, 149 (Desember
2018), 1345–1358. https://doi.org/10.1016/
j.appltermaleng.2018.12.137
Saglam, H. (2011). Pemantauan keausan alat dalam gergaji pita
menggunakan jaringan saraf dan desain eksperimen Taguchi.
Jurnal Internasional Teknologi Manufaktur Tingkat Lanjut,
55(9–12), 969–982. https://doi.org/10.1007/s00170-010-3133-1

Sangwan, KS, Saxena, S., & Kant, G. (2015). Optimalisasi

parameter pemesinan untuk meminimalkan kekasaran
permukaan menggunakan pendekatan ANN-GA terintegrasi.
Procedia CIRP, 29, 305–310. https://doi.org/10.1016/
j.procir.2015.02.002
Sarikaya, M., & Güllü, A. (2015). Optimalisasi multi-respons dari
parameter pelumasan kuantitas minimum menggunakan
analisis relasional abu-abu berbasis Taguchi dalam
pembubutan paduan Haynes yang sulit dipotong 25. Journal
of Cleaner Production, 347–357. https://doi.org/10.1016/
91,
j.jclepro.2014.12.020
Yang, S. (2016). Metodologi prognostik adaptif dan kerangka
sistem untuk sistem rekayasa di bawah rezim kerja yang
dinamis. Universitas Cincinnati.

Lihat statistik publikasi