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
KUTIPAN BACA
0 924
6 penulis, termasuk:
Hossein Davari
Feng Zhu
Universitas Kota Hong Kong Universitas Cincinnati
Semua konten setelah halaman ini diunggah oleh Pin Li pada tanggal 05 Oktober 2019.
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
1
Machine Translated by Google
mendefinisikan nilai variabel yang mencapai tujuan optimal. Sarikaya Sisa dari makalah ini disusun sebagai berikut: Bagian 2 memperkenalkan
(Sarikaya & Güllü, 2015) menyajikan pendekatan untuk optimalisasi sistem akuisisi data dan pekerjaan terkait dalam menetapkan indeks
parameter pemesinan dengan keluaran multi-respons, termasuk keausan kesehatan untuk blade, bagian 3 menyajikan metodologi yang diusulkan
sayap, keausan takik, dan kekasaran permukaan. Parameter proses, untuk optimalisasi parameter pemotongan, hasil verifikasi dibahas di bagian
termasuk 4, dan kesimpulan dan pekerjaan masa depan disediakan di bagian 5.
fluida pemotongan, laju aliran fluida, dan kecepatan potong, secara
bersamaan dioptimalkan dengan analisis relasional abu-abu berbasis
Taguchi. Metode pemodelan prediktif berbasis data 2. PEKERJAAN TERKAIT
dibangun berdasarkan metode statistik atau algoritma pembelajaran mesin
(Jia, Di, et al., 2018; Jia, Jin, et al., 2018; Lughofer & Pratama, 2018; 2.1. Eksperimen dan Akuisisi Data
Sangwan, Saxena, & Kant, 2015) mengusulkan Jaringan Syaraf Tiruan
Eksperimen dengan mesin gergaji pita yang disediakan oleh Cosen
terintegrasi -Pendekatan Algoritma Genetika (ANN-GA) untuk menentukan
Mekatronik, seperti yang ditunjukkan pada Gambar 1, digunakan untuk
parameter pemesinan yang optimal, menghasilkan kekasaran permukaan
akuisisi data. Mesin gergaji pita dilengkapi dengan akselerometer, mikrofon,
minimum yang banyak digunakan sebagai indikator kualitas produk.
pasangan termal, dan tekanan
pengukur dipasang di dekat pemandu bilah. Untuk setiap mesin, sensor
Secara terselubung, dalam literatur saat ini, sebagian besar fokus penelitian tambahan dan pengontrol PLC terhubung
pada peningkatan efisiensi energi di area aplikasi material tertentu. Hanya komputer untuk akuisisi, manajemen, dan analisis data. Dalam penyelidikan
sedikit investigasi yang ditemukan untuk parameter optimal berdasarkan eksperimental ini, tiga sumber data utama dikumpulkan termasuk spesifikasi
degradasi peralatan. Selain itu, saat ini hanya ada sedikit makalah terbitan tugas pemotongan, parameter pemotongan, dan variabel proses yang
yang fokus pada hal tersebut diukur. Spesifikasi tugas pemotongan berorientasi pada tugas, yang terkait
optimalisasi parameter mesin gergaji pita. Saglam (Saglam, 2011) dengan jenis mesin, pilihan bilah, dan sifat material. Dua parameter
menerapkan pendekatan Taguchi bersama dengan Artificial Nerual Network pemotongan termasuk kecepatan pisau dan kecepatan ke bawah merupakan
(ANN) untuk memperkirakan keausan gigi pada mata gergaji pita. Dalam parameter yang dianggap penting dalam penelitian kami. Sinyal proses
studi ini, mereka mempertimbangkan kecepatan, pemakanan, panjang yang diukur mencakup getaran di area pemotongan, suhu komponen
pemotongan, dan kekerasan material sebagai parameter masukan dan penting, dll. Data getaran dikumpulkan dengan laju pengambilan sampel
menyelidiki pengaruh parameter ini terhadap keausan blade. 10,24 kHz, yang digunakan untuk mengevaluasi kinerja proses pemotongan.
Asiltürk (Asiltürk & Ünüvar, 2009) mengusulkan model gaya berbasis neural- Kecepatan pengambilan sampel sinyal lain ditetapkan sebesar 100 Hz,
fuzzy untuk mengendalikan proses penggergajian pita, dan parameter namun nilai rata-rata sinyal ini dalam setiap jendela 2 menit adalah
pemotongan terus diperbarui oleh model lain.
jaringan syaraf. Mewada (Mewada & Raval, 2016) digabungkan
Taguchi dan Desirability berfungsi untuk optimalisasi tujuan multi-respons. dihitung dan dicatat. Detail sinyal yang dikumpulkan dapat ditemukan di
Saat ini belum ada literatur atau penelitian yang menggunakan deep learning
untuk optimalisasi parameter pemotongan pada mesin gergaji pita.
Tabel 1.
2
Machine Translated by Google
Dimana fitur penting yang dipilih. Dengan cara ini, fitur multidimensi
2.2. Konstruksi Indeks Kesehatan
digabungkan menjadi satu variabel sebagai sistem akhir HI. Detail lebih
lanjut dapat ditemukan di kami
Konstruksi Indeks Kesehatan (HI) untuk mesin dipelajari dengan baik di
pekerjaan sebelumnya (Yang, 2016).
bidang PHM. Biasanya, HI untuk mesin atau komponen penting
dibangun dari data terukur menggunakan teknik pemrosesan sinyal,
3. METODOLOGI YANG DIUSULKAN
pembelajaran mesin, dan teknik penambangan data untuk mengukur
status kesehatan pada waktu yang berbeda (P. Li et al., 2018) (Jia,
3.1. Ringkasan
Zhao, Di , Li, & Lee, 2018) (Jia, Huang, Feng, Cai, & Lee, 2018) (Qiao
dkk., 2019) (P. Li dkk., 2019). Dalam penelitian kami, data getaran Alur kerja pemotongan tradisional mencakup langkah-langkah
terutama diadopsi untuk membangun model HI guna menyajikan proses berikut. Pertama, diberikan tugas pemotongan, seperti spesifikasi
degradasi blade. Setiap dua menit, sekumpulan nilai fitur diekstraksi mata pisau pemotong, bahan dan ukuran benda kerja. Selanjutnya,
dari data getaran yang diperoleh dalam interval waktu ini operator mengatur parameter pemotongan berdasarkan instruksi
buku panduan dan pengalaman mereka. Ketiga, operator memeriksa
termasuk RMS, faktor puncak, nilai puncak ke puncak dan oktaf kualitas produk yang dipotong dan jika kualitas permukaannya tidak
energi pita frekuensi sinyal getaran. Dengan menggunakan Kriteria bagus, operator harus membuang potongan tersebut atau memotongnya
Fisher, kami memilih 10 fitur teratas dengan membandingkan setiap kembali dengan menyesuaikan parameter pemotongan. Keahlian
perubahan nilai fitur dari awal masa pakai hingga akhir masa pakainya. manusia memainkan peran penting dalam keseluruhan proses dan
Pengukuran kesehatan sistem akhir adalah rata-rata dari 10 fitur tidak dapat diotomatisasi begitu saja.
teratas dari sinyal getaran, seperti yang ditunjukkan pada Persamaan. (1).
Seperti yang ditunjukkan pada Gambar 2, kontribusi penelitian ini
1 10
= adalah pengembangan modul optimasi parameter pemotongan adaptif
(1)
10ÿ j=1 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
selama proses pemotongan. Ide dasar dari optimasi adalah mencari solusi pasangan parameter pemotongan yang optimal dengan mempertimbangkan
optimal dengan mengevaluasi semua pilihan yang mungkin. fungsi tujuan dan efisiensi pemotongan. Detail setiap langkahnya adalah
Oleh karena itu, langkah pertama adalah menghasilkan perpustakaan diperkenalkan di bagian berikut.
komprehensif tentang kemungkinan pasangan parameter pemotongan.
Langkah kedua adalah mengevaluasi kebaikan masing-masing pasangan
menurut fungsi tujuan yang dirancang. Langkah ketiga adalah menemukan
Pada bagian 2 disebutkan ada tiga jenis variabel yang dicatat setiap dua
Hal ini dicatat dari Persamaan. (2) bahwa gigitan gigi dapat dihitung menit. Indeks kesehatan pisau juga dihitung setiap dua menit. Semua
dengan menggunakan kecepatan ke bawah dan kecepatan sudu, dan jika variabel pada Tabel 1 kecuali getaran dan ID mesin disusun secara paralel
nilai yang dihitung berada di luar kisaran aman, kombinasi kecepatan sudu
dan kecepatan ke bawah harus dibuang. Oleh karena itu, rumus MORSE untuk membuat masukan 2 dimensi untuk CNN 2D. Jendela geser dengan
digunakan untuk menyaring pasangan parameter pemotongan yang tidak panjang 20 dan langkah 1 digunakan untuk memotong data menjadi blok-
masuk akal untuk perpustakaan yang dibangun. blok kecil. Oleh karena itu, lapisan masukan menerima matriks data 20 ×
20.
3.3. Model Evaluasi Berbasis CNN
4
Machine Translated by Google
Selanjutnya, dua lapisan konvolusional dan dua lapisan penyatuan kemungkinan pasangan parameter pemotongan dimasukkan ke dalam
ditumpuk diikuti oleh lapisan yang terhubung sepenuhnya untuk tujuan model CNN untuk mendapatkan prediksi indeks kesehatan (HI), kemudian
regresi. Output targetnya adalah perkiraan indeks kesehatan, yang kuantil 10% dari semua prediksi HI dihitung sebagai kriteria untuk
digunakan sebagai fungsi tujuan untuk mengevaluasi kebaikan setiap mempertahankan pasangan parameter pemotongan yang paling menjanjikan.
pasangan parameter pemotongan yang mungkin. Mekanisme Karena kecepatan ke bawah berkaitan erat dengan kecepatan pemotongan,
pengumpulan maksimum digunakan untuk setiap lapisan pengumpulan. maka parameter pemotongan dengan kecepatan ke bawah tertinggi dipilih
Jumlah dan ukuran masing-masing filter serta dimensi masing-masing sebagai pasangan parameter pemotongan optimal.
lapisan dapat dilihat pada Gambar 3.
2
ÿ) (3)
ÿ( ÿ
=1
RMSE = ÿ 1
1
ADALAH = ÿ| (4)
ÿ| ÿ
=1
Dimana dan
ÿ
5
Machine Translated by Google
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.
(A) (B)
(C) (D)
Gambar 5. Hasil regresi seluruh metode yang dibandingkan: (a) RBF SVR, (b) Random Forest, (c) Neural Network, (d) CNN.
5. KESIMPULAN
6
Machine Translated by Google
(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
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