CHINA — Penelitian baru yang dipublikasikan dalam Robotics and Computer-Integrated Manufacturing menyoroti sebuah terobosan dalam pengoptimalan pemotongan multi-pass pada bagian permukaan bebas berdinding tipis melalui pendekatan pembelajaran penguatan hierarkis (Hierarchical Reinforcement Learning atau HRL). Metode ini dirancang untuk meminimalkan konsumsi energi dalam proses pemesinan lima sumbu, yang terkenal sangat boros energi, terutama dalam industri manufaktur komponen pesawat dan tangki roket.
Penelitian yang dipimpin oleh tim gabungan dari Xi’an Jiaotong University dan Politecnico di Milano ini berhasil merancang model optimasi baru yang mampu mengurangi konsumsi energi pemesinan hingga 35,02% dan waktu pemesinan hingga 38,57% dibandingkan dengan metode konvensional. Model ini mengintegrasikan parameter pemotongan dan jalur alat yang dioptimalkan, berfokus pada efisiensi energi dan kualitas permukaan hasil pemotongan.
Fengyi Lu, peneliti utama dari Xi’an Jiaotong University, menyatakan, "Metode kami menggunakan HRL dengan agen Soft Actor Critic (HSAC) untuk mengoptimalkan parameter pemotongan pada skala waktu makro dan mikro. Ini memungkinkan proses pemesinan yang lebih hemat energi dan efisien, khususnya untuk bagian-bagian kompleks dengan deformasi yang dinamis."
Penelitian ini juga memanfaatkan transfer learning untuk mempercepat proses pembelajaran algoritma, yang memungkinkan metode ini beradaptasi dengan cepat terhadap perubahan kondisi lingkungan pemesinan. Hasil percobaan menunjukkan bahwa pendekatan ini mampu secara signifikan mengurangi konsumsi energi dan waktu pemesinan dibandingkan dua pendekatan benchmarking yang digunakan dalam studi.
Dengan perkembangan ini, penelitian ini menjadi langkah maju dalam mendorong praktik manufaktur ramah lingkungan, yang sangat dibutuhkan mengingat industri manufaktur menyumbang 36% dari total konsumsi energi global.
0 Komentar