Optimasi Multi Respon Pada Proses Bubut Baja Aisi 4140 Dengan Metode Backpropagation Neural Network, Particle Swarm Optimization, Dan Artificial Bee Colony Menggunakan Teknik Minimum Quantity Lubrication

Mazwan, Mazwan (2023) Optimasi Multi Respon Pada Proses Bubut Baja Aisi 4140 Dengan Metode Backpropagation Neural Network, Particle Swarm Optimization, Dan Artificial Bee Colony Menggunakan Teknik Minimum Quantity Lubrication. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6007211009-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 September 2025. Download (3MB) | Request a copy

Abstract

Proses pembubutan adalah salah satu teknik pemesinan yang paling umum digunakan dalam industri manufaktur. Proses ini dilakukan dengan cara memutar benda kerja dan memotong material pahat bubut. Baja AISI 4140 adalah salah satu jenis baja paduan yang sering digunakan dalam pembuatan komponen mesin yang membutuhkan kekuatan dan kekerasan yang tinggi, seperti komponen kendaraan, poros, dan roda gigi. Salah satu cara untuk mengetahui kinerja dari proses bubut adalah dengan mengevaluasi sifat mampu mesin (machinability) dari baja AISI 4140. Beberapa kriteria sifat mampu mesin pada proses bubut adalah gaya potong, gaya makan, kekasaran permukaan dan keausan pahat. Target dari sifat mampu mesin tersebut adalah semakin kecil semakin baik (smaller is better). Agar target ini tercapai, maka level-level dari parameter-parameter proses bubut harus ditentukan dengan tepat. Level-level dari parameter-parameter tersebut dapat ditentukan dengan melakukan optimasi terhadap sifat mampu mesin baja AISI 4140 pada proses bubut. Selain parameter proses, penggunaan cairan pemotongan juga memiliki peran penting dalam proses pemesinan, terutama untuk mengurangi panas yang terbentuk selama proses pemotongan sehingga menghindari kelebihan panas pada benda kerja dan alat potong yang dapat menyebabkan kerusakan. Teknik minimum quantity lubrication (MQL) merupakan salah satu upaya yang diaplikasikan pada proses bubut untuk meningkatkan kinerja dari proses bubut dengan melakukan pelumasan dan pendinginan pada zona pemotongan. Optimasi multi respon pada penelitian ini dilakukan dengan pemodelan dan optimasi. Pemodelan dilakukan dengan menggunakan metode backpropagation neural network (BPNN), sedangkan optimasi menggunakan particle swarm optimization (PSO) dan artificial bee colony (ABC). Parameter-parameter proses yang digunakan adalah kecepatan potong (V), kedalaman potong (a), gerak makan (f) dan jenis cairan pemotongan. Data yang diperoleh dari percobaan akan digunakan untuk melatih model BPNN, dan kemudian hasil BPNN berupa network dengan MSE terkecil dijadikan fungsi objektif pada proses optimasi. Rancangan eksperimen yang digunakan adalah rancangan eksperimen Taguchi matriks ortogonal array L18. Analysis of variance (ANOVA) akan dilakukan untuk melihat pengaruh dari parameter-parameter proses terhadap parameter respon. Arsitektur jaringan yang tepat untuk memprediksi gaya makan adalah 2 hidden layer dengan masing-masing hidden layer memiliki 10 dan 3 neuron, gaya potong 2 hidden layer dengan masing-masing hidden layer memiliki 5 dan 7 neuron, kekasaran permukaan 4 hidden layer dengan masing-masing hidden layer memiliki 10, 5, 10, dan 10 neuron dan keausan pahat 3 hidden layer dengan masing-masing hidden layer memiliki 8, 10, dan 5 neuron. Fungsi aktivasi yang digunakan pada setiap hidden layer untuk setiap respon adalah tansig dan untuk output layer adalah purelin. Fungsi pelatihan yang digunakan untuk setiap respon adalah trainlm. Kombinasi level-level dari parameter-parameter proses hasil optimasi yang dapat meminimalkan respon-respon secara bersamaan adalah, metode PSO menghasilkan jenis cairan pemotongan minyak sawit, kecepatan potong sebesar 314 mm/menit, kedalaman potong sebesar 0,50 mm, dan gerak makan sebesar 0,10 mm/putaran dan metode ABC menghasilkan jenis cairan pemotongan minyak sawit, kecepatan potong sebesar 314 mm/menit, kedalaman potong sebesar 0,82 mm, dan gerak makan sebesar 0,08 mm/putaran. Peningkatan kedalaman potong dan gerak makan akan meningkatkan gaya makan, gaya potong, dan kekasaran permukaan, sedangkan peningkatan kecepatan potong akan meningkatkan keausan pahat

========================================================================================================================
The turning process is one of the manufacturing industry's most commonly used machining techniques. This process is carried out by rotating the workpiece and cutting the lathe tool material. AISI 4140 steel is a type of alloy steel often used to manufacture machine components that require high strength and hardness, such as vehicle components, shafts, and gears. One way to determine the performance of the lathe process is to evaluate the machinability of AISI 4140 steel. Several criteria for machinability in the lathe process are cutting force, feeding force, surface roughness, and tool wear. The target of the machine's ability is the smaller, the better (smaller is better). To achieve this target, the levels of lathe process parameters must be determined precisely. The levels of these parameters can be determined by optimizing the machinability of AISI 4140 steel in the lathe process. In addition to process parameters, the use of cutting fluid also has an important role in the machining process, especially to reduce the heat generated during the cutting process so as to avoid excess heat in the workpiece and cutting tool which can cause damage. The minimum quantity lubrication (MQL) technique is one of the efforts applied to the turning process to improve the performance of the turning process by lubricating and cooling the cutting zone. Multi-response optimization in this study was carried out by modeling and optimization. Modeling was carried out using the backpropagation neural network (BPNN) method, while optimization used particle swarm optimization (PSO) and artificial bee colony (ABC). Process parameters used are cutting speed (V), depth of cut (a), feed (f), and type of cutting fluid. The data obtained from the experiment will be used to train the BPNN model, and then the BPNN results in the form of a network with the smallest MSE will be used as an objective function in the optimization process. The experimental design used is the Taguchi experimental design of the L18 matrix orthogonal array. Analysis of variance (ANOVA) will be carried out to see the effect of the process parameters on the response parameters. The appropriate network architecture to predict feeding force is 2 hidden layers with each hidden layer having 10 and 3 neurons, 2 hidden layers with each hidden layer having 5 and 7 neurons, surface roughness 4 hidden layers with each hidden layer has 10, 5, 10, and 10 neurons and tool wear 3 hidden layers with each hidden layer having 8, 10, and 5 neurons. The activation function used in each hidden layer for each response is tantig, and for the output layer is purelin. The training function used for each response is trainlm. The combination of levels of optimization process parameters that can minimize the responses simultaneously is, the PSO method produces a type of palm oil cutting fluid, a cutting speed of 314 mm/minute, a depth of cut of 0.50 mm, and a feeding of 0.10 mm/revolution and the ABC method produces a cutting fluid type of palm oil, cutting speed of 314 mm/minute, depth of cut of 0.82 mm, and feeding of 0.08 mm/revolution. Increasing the depth of cut and feeding will increase the feeding force, cutting force, and surface roughness, while increasing the cutting speed will increase the tool wear

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	Multi Response Optimization, Machinability, BPNN-PSO, BPNN-ABC; Optimasi Multi Respon, Sifat Mampu Mesin, BPNN-PSO, BPNN-ABC
Subjects:	T Technology > TJ Mechanical engineering and machinery T Technology > TS Manufactures
Divisions:	Faculty of Industrial Technology and Systems Engineering (INDSYS) > Mechanical Engineering > 21101-(S2) Master Thesis
Depositing User:	Mazwan Mazwan
Date Deposited:	26 Sep 2023 03:07
Last Modified:	26 Sep 2023 03:07
URI:	http://repository.its.ac.id/id/eprint/102890

Actions (login required)

View Item