DETEKSI CHATTER PADA PROSES FRAIS MENGGUNAKAN ANALISIS GETARAN DAN CONVOLUTIONAL NEURAL NETWORK

---

• Dipublikasikan pada 23 Oktober 2024

Abstrak

Dalam industri manufaktur kereta api, pemesinan frais banyak digunakan dalam proses finishing suatu produk yang memiliki tingkat presisi yang tinggi seperti pada komponen boogie frame, bolster, under frame, dan cross beam. Namun seringkali dijumpai cacat produk karena munculnya getaran excessive (chatter) selama proses operasi yang membuat produk akhir tidak memenuhi geometri yang diharapkan. Pada penelitian ini bertujuan untuk mendeteksi chatter dengan menggunakan analisis getaran dengan bantuan sensor accelerometer yang dipasang pada sistem kerja mesin dan dianalisis dengan metode Experimental Modal Analysis (EMA) serta menguji keandalan penggunaan algoritma Convolutional Neural Network (CNN) dalam pendekatan klasifikasi hasil proses pemesinan. Hasil eksperimen didapatkan frekuensi pribadi sistem adalah 412 Hz berdasarkan hasil uji eksitasi dan sudah tervalidasi oleh hasil simulasi dengan metode Finitie Element Modal Analysis (FEMA). Uji pemotongan pada kedalam pemotongan 0,5 mm didapatkan amplitude sebesar 1 m/s² dan sinyal menunjukkan hasil normal atau tidak terjadi chatter. Uji pemotongan pada kedalaman 1 mm didapatkan amplitude sebesar 1,5 m/s² menunjukkan adanya chatter (slight chatter) pada sekitar frekuensi pribadi sama seperti pada variasi kedalaman potong 2 mm amplitude hampir mencapai 2 m/s² mengalami chatter parah (severe chatter) dilihat berdasarkan kenaikan sinyal yang dihasilkan. Berdasarkan hasil analisis getaran tersebut, deteksi chatter dengan CNN dapat menunjukkan hasil prediksi yang sesuai dengan keadaan yang sebenarnya dengan accuracy yang baik mencapai 100%. Dari hasil penelitian ini, dapat disimpulkan bahwa chatter dapat dideteksi dengan baik menggunakan analisis getaran yang terjadi pada proses frais dengan memperhatikan kedalaman potong dan kecepatan pemotongan dan dengan model deteksi ini dapat digunakan untuk mengetahui cacat produk yang terjadi serta diharapkan dapat meminimalisir kerugian dan mendukung otomasi pemantauan proses pemesinan. 

Kata kunci: Frais, Chatter, Accelerometer, EMA, Convolutional Neural Network