Cara Memprediksi Kegagalan Spindel CNC dengan Analisis Getaran dan Pemantauan AI

PFT, Shenzhen

 Deteksi dini kegagalan spindel CNC yang akan datang sangat penting untuk meminimalkan waktu henti yang tidak direncanakan dan perbaikan yang mahal. Artikel ini merinci metodologi yang menggabungkan analisis sinyal getaran dengan kecerdasan buatan (AI) untuk pemeliharaan prediktif. Data getaran dari spindel operasional di bawah berbagai beban terus dikumpulkan menggunakan akselerometer. Fitur-fitur utama, termasuk statistik domain waktu (RMS, kurtosis), komponen domain frekuensi (puncak spektrum FFT), dan karakteristik waktu-frekuensi (energi wavelet), diekstraksi. Fitur-fitur ini berfungsi sebagai masukan untuk model pembelajaran mesin ensemble yang menggabungkan jaringan Long Short-Term Memory (LSTM) untuk pengenalan pola temporal dan Mesin Peningkatan Gradien (GBM) untuk klasifikasi yang kuat. Validasi pada kumpulan data dari pusat penggilingan berkecepatan tinggi menunjukkan kemampuan model untuk mendeteksi kerusakan bantalan yang berkembang dan ketidakseimbangan hingga 72 jam sebelum kegagalan fungsional dengan presisi rata-rata 92%. Pendekatan ini memberikan peningkatan yang signifikan dibandingkan dengan pemantauan getaran berbasis ambang batas tradisional, memungkinkan penjadwalan pemeliharaan proaktif dan mengurangi risiko operasional.

1 Pendahuluan

Peralatan mesin CNC membentuk tulang punggung manufaktur presisi modern. Spindel, yang bisa dibilang merupakan komponen paling kritis dan mahal, secara langsung berdampak pada akurasi permesinan, hasil akhir permukaan, dan produktivitas secara keseluruhan. Kegagalan spindel yang tiba-tiba menyebabkan waktu henti yang sangat besar, benda kerja yang dibuang, dan perbaikan darurat yang mahal, yang merugikan produsen ribuan per jam. Jadwal pemeliharaan preventif tradisional, berdasarkan interval waktu tetap atau penghitung waktu aktif sederhana, tidak efisien – berpotensi mengganti komponen yang sehat atau melewatkan kegagalan yang akan terjadi. Pemeliharaan reaktif setelah kegagalan sangat mahal. Akibatnya, Condition-Based Monitoring (CBM), khususnya analisis getaran, telah menjadi terkenal. Meskipun efektif untuk mengidentifikasi parah kerusakan, pemantauan getaran konvensional seringkali kesulitan dengan deteksi dini awal kegagalan. Artikel ini menyajikan pendekatan terpadu yang memanfaatkan pemrosesan sinyal getaran canggih yang digabungkan dengan analitik berbasis AI untuk memprediksi kegagalan spindel dengan akurat jauh sebelumnya.

2 Metode Penelitian

2.1 Desain dan Akuisisi Data

Tujuan utamanya adalah untuk mengidentifikasi tanda tangan getaran halus yang mengindikasikan degradasi tahap awal sebelum kegagalan yang dahsyat. Data dikumpulkan dari 32 spindel penggilingan CNC presisi tinggi yang beroperasi dalam produksi komponen otomotif 3-shift selama 18 bulan. Akselerometer piezoelektrik (sensitivitas: 100 mV/g, rentang frekuensi: 0,5 Hz hingga 10 kHz) dipasang secara radial dan aksial pada setiap rumah spindel. Unit akuisisi data mengambil sampel sinyal getaran pada 25,6 kHz. Parameter operasional (kecepatan spindel, torsi beban, laju umpan) secara bersamaan dicatat melalui antarmuka OPC UA CNC.

2.2 Rekayasa Fitur

Sinyal getaran mentah dibagi menjadi epoch 1 detik. Untuk setiap epoch, satu set fitur komprehensif diekstraksi:

• Domain Waktu: Root Mean Square (RMS), Crest Factor, Kurtosis, Skewness.

• Domain Frekuensi (FFT): Amplitudo & frekuensi puncak dominan dalam pita kerusakan bantalan karakteristik (BPFO, BPFI, FTF, BSF), energi keseluruhan dalam pita tertentu (0-1kHz, 1-5kHz, 5-10kHz), kurtosis spektral.

• Domain Waktu-Frekuensi (Transformasi Paket Wavelet - Daubechies 4): Entropi energi, tingkat energi relatif dalam node dekomposisi yang terkait dengan frekuensi kesalahan.

• Konteks Operasional: Kecepatan spindel, persentase beban.

2.3 Pengembangan Model AI

Arsitektur model ensemble digunakan:

1. Jaringan LSTM: Memproses urutan 60 vektor fitur 1 detik berturut-turut (yaitu, data operasional 1 menit) untuk menangkap pola degradasi temporal. Lapisan LSTM (64 unit) mempelajari ketergantungan di seluruh langkah waktu.

2. Mesin Peningkatan Gradien (GBM): Menerima fitur agregat tingkat menit yang sama (rata-rata, deviasi standar, maks) dan status keluaran dari LSTM. GBM (100 pohon, kedalaman maks 6) memberikan ketahanan klasifikasi yang tinggi dan wawasan pentingnya fitur.

3. Keluaran: Neuron sigmoid yang memberikan probabilitas kegagalan dalam 72 jam berikutnya (0 = Sehat, 1 = Probabilitas Kegagalan Tinggi).
   Pelatihan & Validasi: Data dari 24 spindel (termasuk 18 kejadian kegagalan) digunakan untuk pelatihan (70%) dan validasi (30%). Data dari 8 spindel yang tersisa (4 kejadian kegagalan) merupakan set pengujian hold-out. Bobot model tersedia berdasarkan permintaan untuk studi replikasi (tergantung pada NDA).

3 Hasil dan Analisis

3.1 Kinerja Prediktif

Model ensemble secara signifikan mengungguli alarm ambang batas RMS tradisional dan pendekatan model tunggal (misalnya, SVM, CNN dasar) pada set pengujian:

• Presisi Rata-Rata: 92%

• Recall (Tingkat Deteksi Kesalahan): 88%

• Tingkat Alarm Palsu: 5%

• Waktu Tunggu Rata-Rata: 68 jam
  Tabel 1: Perbandingan Kinerja pada Set Pengujian
  | Model | Presisi Rata-Rata | Recall | Tingkat Alarm Palsu | Waktu Tunggu Rata-Rata (jam) |
  | :------------------- | :------------- | :----- | :--------------- | :------------------- |
  | Ambang Batas RMS (4 mm/s) | 65% | 75% | 22% | < 24 |
  | SVM (Kernel RBF) | 78% | 80% | 15% | 42 |
  | 1D CNN | 85% | 82% | 8% | 55 |
  | Ensemble yang Diusulkan (LSTM+GBM) | 92% | 88%| 5% | 68 |

3.2 Temuan Utama dan Inovasi

• Deteksi Tanda Tangan Dini: Model ini secara andal mengidentifikasi peningkatan halus dalam energi frekuensi tinggi (pita 5-10kHz) dan nilai kurtosis yang meningkat 50+ jam sebelum kegagalan fungsional, yang berkorelasi dengan inisiasi spall bantalan mikroskopis. Perubahan ini seringkali tertutupi oleh kebisingan operasional dalam spektrum standar.

• Sensitivitas Konteks: Analisis pentingnya fitur (melalui GBM) mengkonfirmasi peran penting konteks operasional. Tanda tangan kegagalan terwujud secara berbeda pada 8.000 RPM vs. 15.000 RPM, yang dipelajari secara efektif oleh LSTM.

• Keunggulan atas Ambang Batas: Pemantauan RMS sederhana gagal memberikan waktu tunggu yang cukup dan menghasilkan alarm palsu yang sering selama operasi beban tinggi. Model AI secara dinamis menyesuaikan ambang batas berdasarkan kondisi pengoperasian dan mempelajari pola yang kompleks.

• Validasi: Gambar 1 mengilustrasikan probabilitas keluaran model dan fitur getaran utama (Kurtosis, Energi Frekuensi Tinggi) untuk spindel yang mengembangkan kerusakan bantalan jalur luar. Model memicu peringatan (Probabilitas > 0,85) 65 jam sebelum penyitaan lengkap.

4 Diskusi

4.1 Interpretasi

Akurasi prediktif yang tinggi berasal dari kemampuan model untuk menggabungkan fitur getaran multi-domain dalam konteks operasional mereka dan mempelajari lintasan degradasi temporal. Lapisan LSTM secara efektif menangkap perkembangan tanda tangan kesalahan dari waktu ke waktu, sebuah dimensi yang sering diabaikan dalam analisis snapshot. Dominasi energi frekuensi tinggi dan kurtosis sebagai indikator awal sejalan dengan teori tribologi, di mana cacat permukaan awal menghasilkan gelombang tegangan transien yang memengaruhi frekuensi yang lebih tinggi.

4.2 Keterbatasan

• Lingkup Data: Validasi saat ini terutama pada kerusakan bantalan dan ketidakseimbangan. Kinerja pada kegagalan yang kurang umum (misalnya, kerusakan lilitan motor, masalah pelumasan) memerlukan studi lebih lanjut.

• Ketergantungan Sensor: Akurasi bergantung pada pemasangan dan kalibrasi akselerometer yang tepat. Pergeseran atau kerusakan sensor dapat memengaruhi hasil.

• Beban Komputasi: Analisis waktu nyata memerlukan perangkat keras komputasi tepi di dekat mesin.

4.3 Implikasi Praktis

• Mengurangi Waktu Henti: Peringatan proaktif memungkinkan penjadwalan pemeliharaan selama penghentian yang direncanakan, meminimalkan gangguan.

• Biaya Lebih Rendah: Mencegah kerusakan yang dahsyat (misalnya, poros spindel yang hancur), mengurangi kebutuhan inventaris suku cadang (penggantian tepat waktu), dan mengoptimalkan tenaga kerja pemeliharaan.

• Implementasi: Membutuhkan investasi awal pada sensor, gateway tepi, dan integrasi perangkat lunak. Solusi berbasis cloud muncul, menurunkan hambatan bagi produsen yang lebih kecil. ROI biasanya dicapai dalam 6-12 bulan untuk spindel dengan pemanfaatan tinggi.

5 Kesimpulan

Studi ini menunjukkan kemanjuran pengintegrasian ekstraksi fitur getaran komprehensif dengan model AI ensemble LSTM-GBM untuk prediksi dini kegagalan spindel CNC. Pendekatan ini mencapai presisi tinggi (92%) dan waktu tunggu yang signifikan (rata-rata 68 jam), yang secara substansial mengungguli metode pemantauan getaran tradisional. Inovasi utama termasuk penggabungan fitur multi-domain, pemodelan eksplisit pola degradasi temporal melalui LSTM, dan ketahanan yang disediakan oleh pembelajaran ensemble GBM.