03/06/2023

Intelegent Operation
Monitoring of an Ultra-
Precision CNC Machine
Tool Using Energy Data
Presentation

By: Cahyana Dhiyaulhaq - 2250047009

Table of contents

Energy Characteristics of a
01 Introduction 02 Machine Tool
Initial explanation of the
contents of the journal

03 Methodology 04 Trial Setup and Design

Table of contents

05 Results 06 Conclusion
results of the research
01
Introduction
Initial explanation of the contents of the journal
 Introduction
Teknologi kecerdasan buatan (AI) seperti
Machine learning dan Deep learning telah
memungkinkan transisi yang cepat ke era
industri baru yang disebut Industri 4.0.
Gagasan di balik penerapan teknologi ini untuk
memungkinkan industri menjadi sadar diri dan
mandiri disebut Smart Manufacturing. Smart
Manufacturing adalah istilah luas yang
digunakan untuk menggambarkan konvergensi
Teknologi Informasi dan Teknologi Operasi.
Introduction
Peralatan mesin dengan kontrol numerik
komputer (CNC) sangat lazim digunakan di
banyak industri manufaktur karena
kemampuannya untuk mengotomatiskan
kontrol peralatan mesin menggunakan
komputer. Berkat kehadirannya di manamana,
pemantauan konsumsi energi peralatan ini
telah menjadi topik yang menarik. Beberapa
penelitian telah dilakukan untuk melacak dan
memantau konsumsi energi peralatan mesin ini
dan untuk mengembangkan strategi
penghematan energi
02
Energy Characteristics of a
Machine Tool
 Background
Dalam alat mesin, elemen dasar dari konsumsi energi terdiri dari motor yang
mengontrol sumbu, spindel utama, pengontrol, dan akhirnya aksesori seperti
pemotongan pompa fluida, pengumpul kabut, dll. Daya yang dikonsumsi oleh mesin
dapat diklasifikasikan secara luas ke dalam tiga segmen berdasarkan
ketergantungannya pada proses pemotongan. Yang pertama adalah daya yang
dikonsumsi oleh aksesori dan pengontrol mesin. Yang kedua adalah daya yang
dikonsumsi oleh penggerak yang mengendalikan sumbu, spindel, dll., yang umumnya
bergantung pada parameter proses operasi. Yang ketiga adalah konsumsi energi
pemotongan yang terutama dipengaruhi oleh parameter pemotongan dan jenis
material. Tiga segmen konsumsi energi pada mesin CNC pada umumnya
 Background
Baik daya aktif maupun daya reaktif dipertimbangkan dalam analisis ini. Daya aktif,
juga disebut daya nyata, adalah daya bersih yang ditransfer dalam satu arah. Daya
yang dikonsumsi saat memotong material adalah bagian dari daya aktif. Input energi
ke mesin dapat mengambil bentuk yang berbeda seperti pneumatik, listrik, mekanik,
hidrolik, dll. Setiap komponen yang melakukan konversi dapat dianggap sebagai
beban resistansi secara seri dengan input energi. Dengan menentukan input energi
sesaat dan output energi sesaat, energi yang dikonsumsi oleh peralatan dapat
dihitung. Karena peralatan dapat mengambil kondisi yang berbeda, maka sangat
penting untuk mengidentifikasi kondisi untuk menentukan daya yang dikonsumsi oleh
mesin.
03
Metodology
Sub Komponen CNC
Aliran energi dari Mesin CNC
 Metodology
Langkah pertama dalam proses pengembangan model AIadalah menetapkan baseline
operasional alat berat yang diteliti. Untuk mencapai hal tersebut, profil konsumsi daya
ditentukan untuk berbagai kondisi pengoperasian peralatan. Kondisi ini mencakup
pengoperasian masing-masing dari 5 sumbu alat berat X, Y, Z, B, dan C, serta pengoperasian
aksesori peralatan seperti pompa fluida pemotongan dan pengumpul kabut. Setelah baseline
ditetapkan, kombinasi operasi peralatan dieksplorasi untuk menambah proses pengembangan
model. Dari analisis, seperti yang telah disebutkan sebelumnya, daya yang dikonsumsi oleh
aksesori diasumsikan konstan untuk penelitian kami, meskipun perubahan parameter seperti
suhu, dll., dapat mempengaruhinya. Sedangkan, daya yang dikonsumsi oleh sumbu tergantung
pada laju umpan peralatan. Oleh karena itu, percobaan tambahan dilakukan di mana konsumsi
daya mesin ditentukan untuk laju umpan yang berbeda. Peningkatan laju pemakanan untuk
setiap percobaan bergantung pada kisaran laju pemakanan yang ditawarkan oleh mesin CNC dan
data yang dihasilkan digunakan untuk melatih model AI. Model ini akan memungkinkan kita
untuk memahami hubungan antara daya yang dikonsumsi dan kondisi kerja peralatan.
Proses pengembangan
 Proses pengembangan model
Pemrosesan data awal:
Proses pengembangan model
Pembuatan
model
Alasan utama di balik penggunaan
deep learning adalah untuk
memungkinkan model
mengekstrak fitur yang diminati
dengan sendirinya
Pemilihan
model
Beberapa arsitektur model yang
berbeda dikembangkan dan diuji
untuk mengidentifikasi model yang
paling sesuai dengan skenario
Mesin CNC yang digunakan
04
Trial Setup Design
Trial Setup Design
Trial Setup Design
 Trial Setup Design
sangat penting bagi pengoperasian mesin dan terutama digunakan dalam operasi
pemotongan oleh mesin. Berdasarkan pekerjaan pendahuluan yang dilakukan,
komponen-komponen yang disebutkan di atas mengkonsumsi sebagian besar energi
yang terlibat dalam pengoperasian peralatan. Dalam pekerjaan ini, konsumsi daya
oleh pengontrol, pompa fluida pemotongan, dan pengumpul kabut diasumsikan
konstan selama siklus pemotongan, sedangkan daya yang dikumpulkan oleh lima
sumbu bervariasi dan bergantung pada laju umpan perjalanan.
05
Results
Results
Results
Results
Results
 Results
dalam kasus model deep learning, pembelajaran fitur dilakukan oleh model. Oleh karena itu,
model deep learning lebih mampu mengidentifikasi dan menyesuaikan pola dalam dataset.
Selain keuntungan yang melekat dalam proses pembelajaran fitur dibandingkan dengan ekstraksi
fitur, model 1D-CNN, karena desain arsitekturnya, cenderung memproses sinyal deret waktu
secara lebih efektif dibandingkan dengan model deep learning lainnya. Hal ini dapat dikaitkan
dengan fakta bahwa resolusi temporal dipertahankan karena operasi konvolusi 1D yang
dilakukan dalam 1D-CNN. Oleh karena itu, ketergantungan waktu dari data input lebih terjaga
saat melewati lapisan model yang berbeda. Karena data input dalam kasus kami memiliki
ketergantungan yang kuat terhadap waktu, kami percaya bahwa 1D-CNN adalah arsitektur yang
lebih baik untuk domain masalah ini.
06
Conclusion
 Results
Pekerjaan yang disajikan dalam makalah ini terutama berfokus pada identifikasi
status kerja mesin. Dalam penelitian ini, kami mengembangkan arsitektur 1D-CNN
baru yang dapat mengidentifikasi dan mengklasifikasikan komponen mesin yang
bekerja dengan akurasi 95,7%. Kesimpulan yang dapat diambil dari penelitian ini
adalah sebagai berikut:
1. Dalam hal pemantauan energi mesin ultra-presisi, pembelajaran mesin dan teknologi pembelajaran mendalamsemakin
bermanfaat untuk mengidentifikasi dan mengekstrak pola-pola yang menarik untuk mengidentifikasi status peralatan.
2. Dalam pemrosesan data deret waktu, 1D-CNN berkinerja lebih baik dibandingkan dengan pendekatan pembelajaran mesin
tradisional, ID-CNN bekerja dengan akurasi klarifikasi sebesar 95,7 %
3. Model 1D-CNN yang dikembangkan sebagai bagian dari penelitian ini tidak hanya mampu mengidentifikasi berbagai
komponen yang berbeda, namun mampu mengidentifikasi dan mengklarifikasi variasi konsumsi daya yang terkait dengan
laju pemakanan sumbu peralatan. Dalam kemampuan untuk mendeteksi kondisi mesin saat ini
 03/06/2023

Intelegent Operation
Monitoring of an Ultra-
Precision CNC Machine
Tool Using Energy Data
Thank you

Any Question?