Monitor Kondisi Pahat CNC via Digital Twin: Prediksi Aus Sebelum Cacat

Apa itu pemantauan kondisi pahat berbasis digital twin?Pemantauan kondisi pahat berbasis digital twin adalah teknik mengawasi keausan pahat milling lewat kembaran virtual mesin yang disinkronkan dengan data sensor fisik. Model virtual memprediksi kondisi pahat saat ini dan kapan pahat perlu diganti, sebelum hasil potong jadi cacat.

Angkanya menjelaskan kenapa topik ini penting. Sekitar 75 persen downtime produksi pada proses milling berkaitan dengan keausan ujung pahat, dan perawatan komponen utama mesin menyedot sekitar 12 persen biaya manufaktur. Pahat yang aus tidak langsung berhenti. Ia masih memotong, tapi permukaannya kasar, dimensinya meleset, dan material terbuang. Mengetahui kondisi pahat secara real-time berarti mengganti pahat tepat saat diperlukan, tidak terlalu cepat dan tidak terlambat.

Informasi — Cara Kerja Kembaran Virtual Mesin

Penelitian yang terbit di Sensors (2023) oleh tim Amrita School of Engineering, India, membangun teknik digital twin untuk proses milling dengan pendekatan berbasis data. Langkahnya dimulai dari pengumpulan data fisik. Sistem akuisisi data National Instruments merekam getaran lewat akselerometer satu sumbu, sementara mikrofon berbasis USB menangkap sinyal suara mesin. Dua sinyal ini menjadi mata dan telinga yang membaca kondisi pahat.

Data getaran dan suara kemudian diekstrak fitur statistiknya dan dilatih dengan lima algoritma klasifikasi machine learning. Hasilnya diuji dengan confusion matrix. Probabilistic Neural Network mencatat akurasi tertinggi 91 persen, disusul Random Forest 90 persen, SVM 87 persen, KNN 86 persen, dan Naive Bayes 83 persen. Data dibagi 75 persen untuk latih dan 25 persen untuk uji, dengan validasi silang.

Setelah model terlatih dan tervalidasi, tahap berikutnya adalah pemodelan digital twin memakai MATLAB Simulink. Model ini dibangkitkan dari pendekatan data-driven dan disinkronkan dengan kondisi pahat fisik secara kontinu. Setiap kondisi pahat yang baru dikenali model akan dipetakan ke representasi virtualnya, sehingga operator melihat status pahat tanpa menghentikan mesin.

Informasi — Dua Jalur Pemantauan: Langsung dan Tidak Langsung

Secara umum pemantauan kondisi pahat terbagi dua. Metode langsung mengamati pahat itu sendiri, misalnya lewat citra optik. Metode tidak langsung membaca sinyal yang berkaitan dengan proses potong: getaran, emisi akustik, gaya potong, dan arus spindle. Batas antara keduanya tidak selalu tegas, dan banyak teknik bisa masuk salah satu kategori.

Riset ini memilih jalur tidak langsung karena cocok untuk operasi berjalan. Getaran dan suara bisa direkam terus menerus tanpa mengganggu proses. Sinyal getaran menangkap perubahan dinamika potong saat mata pahat menumpul, sementara sinyal suara menangkap perubahan pola bunyi gesekan. Kombinasi keduanya memberi gambaran yang lebih stabil dibanding satu sinyal saja.

Implikasinya praktis untuk bengkel kayu yang memakai CNC router. Pahat tumpul pada kayu menimbulkan serat terangkat, permukaan kasar, dan dimensi meleset. Pada kayu keras seperti jati, pahat yang dipaksa bekerja dalam kondisi aus juga mempercepat kerusakan mesin. Sistem yang memberi peringatan dini sebelum cacat muncul berarti lebih sedikit papan terbuang dan umur pahat tercatat dengan data, bukan perkiraan.

Informasi — Dari Model ke Aplikasi di Lantai Produksi

Penulis riset menyimpulkan enam hal dari hasil kerjanya. Model digital twin dibangun dari temuan uji validasi, lalu diuji dengan data berbagai kondisi pahat. Prosesnya menuntut pengumpulan data, penalaan algoritma, dan pemodelan kembaran berdasarkan hasil tersebut. Model digital twin idealnya menggambarkan seluruh siklus hidup pahat, termasuk desain, pembuatan, dan perawatan.

Manfaat yang paling dirasakan bisnis adalah kemampuan mengantisipasi umur pahat dan mengenali sisa masa pakai berharganya. Pemodelan digital twin menelusuri tingkat keausan saat ini dengan presisi, dan teknik ini bisa dipakai untuk banyak proses pemesinan lain. Para penulis juga mencatat kembaran digital semacam ini dapat dihadirkan sebagai aplikasi pemantauan online di lantai produksi.

Catatan penting dari riset ini adalah kejujuran soal batasnya. Akurasi 91 persen dicapai pada kondisi eksperimen dengan lima tingkat kondisi pahat yang terkontrol. Penerapan di bengkel nyata menuntut kalibrasi ulang dengan data mesin dan material sendiri. Kayu bukan logam. Serat, kadar air, dan densitas yang bervariasi antar papan menambah noise pada sinyal, sehingga model perlu dilatih dengan data kayu yang sesungguhnya.

Kesimpulan

Digital twin untuk pemantauan pahat bekerja dengan logika sederhana. Rekam getaran dan suara mesin, latih algoritma untuk mengenali pola tiap tingkat keausan, lalu jalankan kembaran virtual yang memberi tahu kondisi pahat secara real-time. Riset Sensors 2023 membuktikan pendekatan ini mencapai akurasi 91 persen dengan Probabilistic Neural Network pada proses milling.

Bagi industri perkayuan yang memakai CNC, pelajarannya jelas. Keausan pahat adalah sumber downtime terbesar dan biaya perawatan yang signifikan. Mendeteksi aus sebelum cacat muncul menghemat material, menjaga konsistensi mutu, dan memperpanjang umur pahat dengan data yang terukur.

Pertanyaan Umum (FAQ)

Apa itu digital twin pada mesin CNC?Digital twin adalah model virtual mesin yang disinkronkan dengan kondisi fisik lewat data sensor. Setiap perubahan di mesin nyata tercermin di model virtual, sehingga kondisi pahat bisa dipantau tanpa menghentikan produksi.

Sensor apa yang dipakai untuk memantau kondisi pahat?Riset ini memakai akselerometer satu sumbu untuk getaran dan mikrofon USB untuk suara. Keduanya merekam sinyal selama proses potong, lalu fitur statistiknya diekstrak untuk dilatih ke algoritma machine learning.

Seberapa akurat prediksi modelnya?Probabilistic Neural Network mencapai 91 persen, Random Forest 90 persen, SVM 87 persen, KNN 86 persen, dan Naive Bayes 83 persen, diukur dengan confusion matrix pada data uji eksperimen milling.

Apakah metode ini bisa dipakai untuk CNC kayu?Prinsipnya bisa, karena pemantauan berbasis getaran dan suara tidak bergantung pada material. Namun model perlu dilatih ulang dengan data kayu, sebab serat, kadar air, dan densitas menambah variasi sinyal dibanding logam.

Disclaimer: Artikel ini dibuat berdasarkan dokumen riset dan pengalaman workshop, bertujuan menyebarluaskan hasil riset supaya berguna bagi industri furniture.

Sumber Riset

1. Natarajan, S., Thangamuthu, M., Gnanasekaran, S. (2023). Digital Twin-Driven Tool Condition Monitoring for the Milling Process. Sensors, 23(12), 5431. https://doi.org/10.3390/s23125431