Receh.in — Di tengah gelombang industri yang semakin gemar menempelkan machine learning ke hampir setiap sistem pemantauan, Badan Riset dan Inovasi Nasional (BRIN) justru mengambil jalur berbeda.
BRIN mengajukan paten untuk sistem deteksi chatter pada proses milling logam yang dapat bekerja secara real-time tanpa memerlukan data latih dalam jumlah besar maupun proses pelatihan berbasis machine learning.
Permohonan paten bernomor P00202604865 itu diumumkan DJKI pada 29 September 2026. Invensinya menggunakan kombinasi sensor getaran multi-sumbu dan sensor gaya potong multi-sumbu, lalu membaca keterkaitan fase sinyal untuk menentukan apakah proses pemotongan masih stabil, mulai memasuki transisi chatter, atau sudah mengalami chatter penuh.
Yang membuat teknologi ini menarik bukan sekadar “BRIN membuat sensor mesin”. Sistem tersebut dirancang agar tidak bergantung pada parameter pemotongan maupun model dinamika mesin tertentu. Jika klaim dalam abstraknya dapat diwujudkan secara konsisten, pendekatan semacam ini berpotensi membuat sistem monitoring lebih mudah diterapkan pada mesin atau kondisi produksi yang berbeda tanpa harus mengumpulkan dataset besar untuk melatih model baru.
- BRIN mengajukan paten deteksi chatter pada proses milling logam secara real-time.
- Sistem tidak bergantung pada parameter pemotongan, model dinamika mesin, ataupun pelatihan machine learning dengan data besar.
- Deteksi dilakukan melalui sinkronisasi fase triaksial, operasi TC-TP, dan ambang batas statistik adaptif untuk membedakan kondisi stabil, transisi chatter, dan chatter penuh.
Kenapa Chatter Jadi Masalah di Mesin Milling?
Dalam proses milling, chatter merupakan getaran tidak stabil yang dapat muncul ketika interaksi antara alat potong, benda kerja, dan mesin menjadi tidak terkendali.
Masalahnya bukan sekadar suara atau getaran yang mengganggu. Dalam praktik pemesinan, chatter dapat menjadi indikator bahwa proses pemotongan telah keluar dari kondisi stabil.
Invensi BRIN dirancang untuk menangkap gejala itu sejak awal melalui pembacaan sinyal dinamis dari proses pemesinan.
Sistem menggunakan dua sumber data utama secara simultan:
| Sumber Sinyal | Fungsi |
|---|---|
| Sensor getaran multi-sumbu | Membaca dinamika getaran selama proses milling |
| Sensor gaya potong multi-sumbu | Membaca perubahan gaya selama proses pemotongan |
| Kombinasi keduanya | Menjadi input untuk analisis sinkronisasi fase chatter |
Alih-alih hanya melihat amplitudo getaran, sistem mencoba membaca koherensi fase antar-sumbu untuk mengenali pola chatter.
Saat Industri Mengejar AI, BRIN Pilih Natural Observation Method
Bagian yang paling membedakan invensi ini adalah metode analisisnya.
Sinyal dari sensor diproses menggunakan Natural Observation Method atau NOM untuk mengekstraksi komponen fase yang koheren tanpa pergeseran fase.
Setelah itu, dilakukan operasi yang disebut Triaxial Cross-Triple Product atau TC-TP. Operasi ini menghasilkan indeks sinkronisasi chatter berbasis koherensi fase.
Indeks tersebut kemudian diproses menggunakan ambang batas adaptif berbasis statistik.
| Tahap | Proses |
|---|---|
| 1 | Akuisisi sinyal getaran dan gaya potong multi-sumbu |
| 2 | Ekstraksi fase dengan Natural Observation Method |
| 3 | Analisis Triaxial Cross-Triple Product |
| 4 | Pembentukan indeks sinkronisasi chatter |
| 5 | Klasifikasi dengan threshold statistik adaptif |
Dari proses tersebut, sistem mengklasifikasikan kondisi menjadi tiga: stabil, transisi chatter, atau chatter penuh.
Menurut abstrak paten, pendekatan ini juga dirancang untuk meningkatkan sensitivitas terhadap gejala awal chatter sekaligus menekan pengaruh derau yang tidak berkorelasi.
Keunggulannya Justru Tidak Perlu Data Latih Besar
Dalam sistem berbasis machine learning, tantangan sering muncul pada kebutuhan dataset yang representatif, proses pelatihan, serta kemungkinan model harus disesuaikan ketika mesin, material, tool, atau parameter operasi berubah.
Invensi BRIN mencoba melewati kebutuhan tersebut.
Abstrak secara eksplisit menyebut sistem tidak memerlukan data latih dalam jumlah besar maupun proses pelatihan berbasis machine learning.
Selain itu, sistem juga diklaim tidak bergantung pada parameter pemotongan maupun model dinamika mesin.
Secara konseptual, dua hal itu penting karena membuka kemungkinan sistem digunakan dengan kebutuhan konfigurasi yang lebih ringan.
Kompleksitas Komputasi Rendah, Dibidik untuk Real-Time
Dokumen juga menyoroti kompleksitas komputasi yang relatif rendah.
Ini relevan karena sistem deteksi chatter baru berguna jika mampu memberi keputusan dengan cukup cepat ketika proses pemotongan sedang berlangsung.
Jika deteksi terlalu lambat, sistem hanya menjadi alat analisis setelah kejadian, bukan alat monitoring proses.
Karena itu, kombinasi tanpa training model dan kompleksitas komputasi rendah menjadi bagian penting dari klaim aplikasinya di lingkungan industri.
Meski begitu, dokumen pengumuman belum memberikan sejumlah data yang dibutuhkan untuk menilai performanya secara lebih tajam, seperti:
- akurasi klasifikasi chatter;
- tingkat false positive dan false negative;
- waktu respons sistem dalam milidetik;
- jenis mesin milling yang telah diuji;
- variasi material dan tool yang digunakan;
- perbandingan dengan metode berbasis machine learning;
- serta biaya implementasi sensor dan komputasinya.
Artinya, keunggulan arsitektur sudah terlihat dari abstrak, tetapi performa industrinya belum bisa dinilai lengkap hanya dari dokumen pengumuman.
Sembilan Inventor di Balik Sistem Deteksi Chatter
Permohonan paten diajukan BRIN dan diterima pada 18 Mei 2026 sebelum diumumkan pada 29 September 2026.
Sembilan inventor tercantum dalam dokumen:
- Khairul Jauhari;
- Wahyu Widada;
- Achmad Zaki Rahman;
- Rismu Landung Gumilang;
- Fitriana Nur Hasanah AP;
- Dede Sumantri;
- Sri Kliwati;
- Marsetiayu Ningsih; dan
- Mahfudz Al Huda.
Klasifikasi patennya berada pada area pemantauan mesin dan getaran, sejalan dengan fokus invensi pada kondisi proses milling.
Jika pendekatan ini dapat bekerja konsisten lintas mesin dan parameter sebagaimana diklaim, nilainya bisa berada pada kemampuan membuat monitoring chatter lebih portabel secara metodologis—tanpa harus membangun model terlatih khusus untuk setiap kondisi.
FAQ Paten Deteksi Chatter BRIN
Apa yang dikembangkan BRIN?
Apakah sistem menggunakan machine learning?
Apa sensor yang digunakan?
Apa saja kondisi yang dapat diklasifikasikan?
Apa itu TC-TP?
Apakah performa akurasinya sudah diketahui?
Catatan: Abstrak menyebut sistem menggunakan Natural Observation Method, Triaxial Cross-Triple Product, serta threshold adaptif berbasis statistik. Sistem diklaim tidak bergantung pada parameter pemotongan, model dinamika mesin, atau pelatihan machine learning berbasis data besar. Dokumen tidak mencantumkan angka akurasi maupun hasil benchmark kuantitatif.
Disclaimer: Artikel ini bersifat informatif. Pengumuman permohonan paten tidak sama dengan pemberian hak paten atau bukti kesiapan komersialisasi. Performa teknis perlu dinilai dari data pengujian yang lebih lengkap.
0 Komentar