ARTIFICIAL NEURAL NETWORK MODEL FOR SURFACE ROUGHNESS PREDICTION IN CNC MILLING MACHINING
Total View This Week0
Total View This Week0
Institusion
Institut Teknologi Bandung
Author
Amir, Afrizal (STUDENT ID : 23418068)
(LECTURER ID : 0016048404)
(LECTURER ID : 0016048404)
Subject
Datestamp
2021-03-08 09:27:06
Abstract :
Kehalusan permukaan adalah faktor penting dalam mengevaluasi kualitas dari produk. Banyak faktor yang mempengaruhi kekasaran permukaan, salah satunya adalah parameter pemotongan. Penelitian ini bertujuan untuk membuat model jaringan syaraf tiruan (JST) /artificial neural network (ANN) untuk prediksi kekasaran permukaan pada proses milling. Parameter pemotongan meliputi spindle speed, depth of cut, feed rate, dan penggunaan fluida pendingin dipelajari dalam penelitian ini. Studi ini focus pada penggunaan cairan pendingin sebagai parameter input. Algoritma feedforward-backpropagation akan digunakan dalam pengembangan struktur JST. Dalam penelitian ini menggunakan algoritma backpropagation dengan menggunakan Levenberg-Marquardt dan Gradient descent with momentum and adaptive learning rate training function. Selanjutnya, fungsi transfer sigmoid tangen hiperbolik dan fungsi transfer sigmoid digunakan sebagai fungsi aktivasi. Beberapa kombinasi hidden layer dengan variasi hidden nodes pada setiap hidden layer diteliti dalam penelitian ini. Pengujian dan verifikasi menggunakan data di luar parameter percobaan. Kinerja masing-masing model dievaluasi dengan mengukur mean squared error (MSE) masing-masing model. Dari percobaan menunjukan bahwa kondisi optimum untuk parameter pemotongan guna menghasilkan kehalusan permukaan terbaik (Ra = 0.06 ?m) adalah dengan kombinasi penggunaan fluida pendingin, spindle speed yang tinggi, depth of cut yang rendah, dan federate yang rendah. Analisis JST menghasilkan struktur 4-2-1 dengan Levenberg-Marquardt backpropagation training function dan fungsi aktivasi sigmoid merupakan model yang paling akurat dengan nilai MSE 0,004, 0,0017, dan 0,0077 masing-masing untuk pelatihan, pengujian, dan verifikasi. Untuk studi lanjutan, dapat dilakukan prediksi kekasaran permukaan secara realtime selama proses pemotongan dengan menggunakan metode JST.
Kehalusan permukaan adalah faktor penting dalam mengevaluasi kualitas dari produk. Banyak faktor yang mempengaruhi kekasaran permukaan, salah satunya adalah parameter pemotongan. Penelitian ini bertujuan untuk membuat model jaringan syaraf tiruan (JST) /artificial neural network (ANN) untuk prediksi kekasaran permukaan pada proses milling. Parameter pemotongan meliputi spindle speed, depth of cut, feed rate, dan penggunaan fluida pendingin dipelajari dalam penelitian ini. Studi ini focus pada penggunaan cairan pendingin sebagai parameter input. Algoritma feedforward-backpropagation akan digunakan dalam pengembangan struktur JST. Dalam penelitian ini menggunakan algoritma backpropagation dengan menggunakan Levenberg-Marquardt dan Gradient descent with momentum and adaptive learning rate training function. Selanjutnya, fungsi transfer sigmoid tangen hiperbolik dan fungsi transfer sigmoid digunakan sebagai fungsi aktivasi. Beberapa kombinasi hidden layer dengan variasi hidden nodes pada setiap hidden layer diteliti dalam penelitian ini. Pengujian dan verifikasi menggunakan data di luar parameter percobaan. Kinerja masing-masing model dievaluasi dengan mengukur mean squared error (MSE) masing-masing model. Dari percobaan menunjukan bahwa kondisi optimum untuk parameter pemotongan guna menghasilkan kehalusan permukaan terbaik (Ra = 0.06 ?m) adalah dengan kombinasi penggunaan fluida pendingin, spindle speed yang tinggi, depth of cut yang rendah, dan federate yang rendah. Analisis JST menghasilkan struktur 4-2-1 dengan Levenberg-Marquardt backpropagation training function dan fungsi aktivasi sigmoid merupakan model yang paling akurat dengan nilai MSE 0,004, 0,0017, dan 0,0077 masing-masing untuk pelatihan, pengujian, dan verifikasi. Untuk studi lanjutan, dapat dilakukan prediksi kekasaran permukaan secara realtime selama proses pemotongan dengan menggunakan metode JST.
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
