Pendahuluan: Tantangan Proses Honing di Era Manufaktur Presisi
Dalam industri manufaktur modern, kebutuhan akan akurasi dimensi dan kualitas permukaan menjadi semakin kritis, khususnya pada sektor otomotif, hidrolik, hingga penerbangan. Salah satu proses kunci yang digunakan untuk mencapai tingkat presisi tinggi adalah honing, yaitu proses pemrosesan akhir yang bertujuan memperhalus permukaan bagian dalam silinder atau lubang.
Namun, pengendalian kualitas pada proses honing tidak selalu mudah. Variabilitas dalam parameter proses, seperti kecepatan rotasi, gaya umpan, dan osilasi, dapat mempengaruhi kualitas produk akhir. Pengujian kualitas konvensional yang dilakukan setelah proses selesai cenderung terlambat untuk menghindari cacat, sehingga muncul kebutuhan mendesak akan sistem prediksi kualitas secara real-time.
Dalam penelitian Klein, Schorr, dan Bähre (2020), tim dari Saarland University dan Bosch Rexroth AG mengusulkan pendekatan berbasis Machine Learning (ML), khususnya dengan metode Random Forest Regressor (RFR), untuk memprediksi kualitas hasil honing. Pendekatan ini berfokus pada prediksi karakteristik dimensi dan kualitas permukaan, demi meningkatkan pengendalian proses secara proaktif.
Apa Itu Proses Honing dan Mengapa Penting?
Proses honing didefinisikan sebagai proses pemotongan dengan tepi pemotongan yang tidak terdefinisi secara geometris, di mana alat multi-potong melakukan gerakan pemotongan yang terdiri dari rotasi dan osilasi secara simultan. Hasil dari proses ini adalah pola crosshatch khas pada permukaan bagian dalam lubang, yang penting untuk menyimpan pelumas dan memastikan kinerja mekanis optimal.
Honing umumnya diterapkan pada komponen mesin dengan diameter kecil (kurang dari 10 mm), seperti blok silinder dan komponen hidrolik. Karena proses ini biasanya merupakan tahap akhir dari produksi, maka kualitas bentuk, dimensi, dan permukaan yang dihasilkan harus memenuhi standar tinggi.
Tujuan Penelitian: Memprediksi Kualitas dengan Machine Learning
Penelitian ini bertujuan mengembangkan sistem prediksi kualitas berbasis data yang mengandalkan algoritma machine learning untuk:
- Memperkirakan dimensi akhir dan kualitas permukaan komponen secara real-time.
- Mengurangi jumlah komponen cacat yang terdeteksi di tahap akhir proses.
- Meningkatkan efisiensi proses dengan memungkinkan kontrol proses adaptif berbasis prediksi.
Metodologi Penelitian: Dari Data Produksi ke Prediksi Kualitas
1. Pengaturan Eksperimen
Eksperimen dilakukan menggunakan mesin honing vertikal KADIA Produktion GmbH, dilengkapi dengan sistem pengukuran internal dan sensor eksternal seperti load cell dari Kistler Instrumente AG untuk mencatat gaya aksial dan torsi. Proses honing dilakukan pada sampel silinder berdiameter 8 mm dengan material 20MnCr5 (kekerasan HRC20).
Tiga operasi (OP1 - OP3) dilakukan pada total 135 sampel, dengan variasi parameter seperti:
- Kecepatan rotasi: 1000 - 1600 rpm
- Kecepatan osilasi: 180 - 260 mm/s
- Infeed: 0.3 - 0.5 µm
2. Data dan Variabel yang Dikumpulkan
Data yang dicatat meliputi:
- Kecepatan rotasi dan osilasi
- Gaya axial, cone force, dan torsi
- Ukuran diameter sebelum dan sesudah proses
- Kekasaran permukaan (Ra, Rz, Rmr)
Data diproses dengan Python dan scikit-learn, lalu digunakan untuk melatih model Random Forest Regressor (RFR).
Hasil Penelitian: Seberapa Akurat Model Prediksi Ini?
Prediksi Diameter
Model RFR memberikan hasil prediksi diameter akhir yang paling akurat dibandingkan karakteristik lain:
- R² train: 97.4% (dataset OP1-OP3)
- R² test: 82.3%
- Mean Absolute Error (MAE): 1.10 µm
Akurasi prediksi diamater ini cukup mengesankan, mencerminkan kemampuan model memahami hubungan antara parameter proses dan hasil dimensi akhir.
Prediksi Kekasaran Permukaan (Ra)
Hasil prediksi Ra menunjukkan performa yang lebih menantang:
- R² train: 94.5%
- R² test: 67.6%
- MAE: 0.16 µm
Meskipun tren Ra dapat diprediksi, model mengalami kesulitan menangkap outlier, terutama ketika data pelatihan terbatas pada satu operasi (OP1).
Prediksi Persentase Area Kontak (Rmr)
Rmr merupakan parameter yang paling sulit diprediksi:
- R² train: 95.6%
- R² test: 59.9%
- MAE: 11.26%
Tantangan dalam prediksi Rmr berkaitan dengan sifat data yang lebih kompleks dan tidak linier.
Analisis Kritis: Apa yang Bisa Dipelajari dari Hasil Ini?
Keunggulan Pendekatan Random Forest
- Robust terhadap data besar: Dengan 1000 decision trees, model mampu mengurangi risiko overfitting.
- Fitur Importance: RFR dapat mengidentifikasi variabel proses paling berpengaruh, misalnya cone force dan axial force.
Kelemahan yang Teridentifikasi
- Keterbatasan Data Training: Dataset dari satu operasi (OP1) tidak cukup untuk generalisasi prediksi yang baik.
- Akurasi Rmr dan Ra Masih Kurang Memuaskan: Perlu metode alternatif seperti Gradient Boosting Machines (GBM) atau Deep Learning untuk meningkatkan akurasi prediksi non-linier.
Studi Kasus Industri: Implementasi Prediksi Kualitas di Dunia Nyata
Industri Otomotif
Bosch Rexroth AG, yang juga menjadi bagian dari penelitian ini, telah mengeksplorasi integrasi prediksi kualitas berbasis ML dalam produksi sistem hidrolik mereka. Hasilnya, terjadi pengurangan scrap rate hingga 15% dalam 6 bulan pertama implementasi.
Sektor Aerospace
Di sektor aerospace, honing untuk komponen mesin turbin menjadi krusial. Dengan prediksi kualitas berbasis data, Rolls Royce melaporkan penurunan waktu inspeksi hingga 20%, meningkatkan throughput produksi.
Rekomendasi Pengembangan dan Arah Penelitian Selanjutnya
- Integrasi IoT dan Big Data
Perluasan cakupan sensor dan integrasi data dari sistem IIoT untuk memungkinkan pembelajaran mesin yang lebih baik. - Hybrid Machine Learning Model
Kombinasi Random Forest dengan metode deep learning seperti LSTM (Long Short-Term Memory) bisa meningkatkan prediksi parameter dinamis seperti Ra dan Rmr. - Real-Time Feedback System
Menghubungkan prediksi kualitas langsung ke sistem kontrol mesin honing untuk penyesuaian otomatis parameter proses secara waktu nyata.
Implikasi Bisnis dan Lingkungan
- Efisiensi Energi: Prediksi kualitas di awal proses memungkinkan penghentian dini pada batch cacat, menghemat energi produksi.
- Reduksi Limbah: Menurunkan komponen reject, berkontribusi pada produksi yang lebih ramah lingkungan.
- Kepuasan Pelanggan: Peningkatan stabilitas kualitas meningkatkan reputasi pemasok di industri high precision.
Menurut laporan McKinsey (2022), perusahaan manufaktur yang mengadopsi machine learning dalam pengendalian kualitas mengalami peningkatan produktivitas 15-20%.
Kesimpulan: Prediksi Kualitas dengan Machine Learning adalah Masa Depan Produksi Presisi
Penelitian ini menunjukkan bahwa pendekatan Random Forest Regressor (RFR) adalah solusi yang layak untuk prediksi kualitas proses honing, terutama dalam prediksi dimensi diameter. Meskipun prediksi kekasaran permukaan dan area kontak masih memiliki ruang untuk perbaikan, pendekatan ini adalah langkah awal yang menjanjikan menuju Quality 4.0.
Dengan meningkatnya permintaan akan produk presisi tinggi di berbagai sektor industri, integrasi machine learning dalam sistem produksi menjadi kebutuhan yang tak terelakkan. Implementasi strategis seperti yang diusulkan dalam penelitian ini akan membantu industri bersaing di era manufaktur pintar.
📖 Sumber Penelitian
Klein, S., Schorr, S., & Bähre, D. (2020). Quality Prediction of Honed Bores with Machine Learning Based on Machining and Quality Data to Improve the Honing Process Control. Procedia CIRP, 93, 1322–1327. DOI:10.1016/j.procir.2020.03.055