Terobosan Baru dalam Pengujian Material: Bagaimana Kecerdasan Buatan (AI) Merevolusi Uji Pelebaran Lubang sesuai ISO 16630
Tuntutan terhadap material logam lembar modern terus meningkat. Dalam industri otomotif, energi, dan kedirgantaraan, logam lembar tidak hanya harus ringan dan stabil, tetapi juga dapat dibentuk secara andal – tanpa menimbulkan retakan di pinggir/tepi. Untuk dapat mengevaluasi kecenderungan terhadap retak ini, uji pelebaran lubang (Hole Expansion Test/HET) sesuai ISO 16630 telah menjadi metode standar. ZwickRoell melangkah lebih jauh dengan solusi inovatif: AI secara otomatis mendeteksi retakan secara real-time – terintegrasi dalam mesin pengujian lembaran logam (BUP).
Apa itu uji perluasan lubang (hole expansion test)? Lalu, mengapa hal ini sangat krusial dalam proses pembentukan logam lembar?
Pengujian pada mesin penguji logam lembar (BUP) dimulai dengan pembuatan lubang berdiameter 10 mm yang dipunch pada spesimen logam lembar. Lubang ini diperlebar dengan pukulan kerucut (60°) hingga retakan yang terus menerus muncul. Tujuan utama adalah untuk menentukan rasio perluasan lubang (λ), yang, di antara hal-hal lain, menggambarkan kelenturan tepi lembaran logam. Tantangannya adalah mendeteksi retakan kontinu pertama secara akurat. Metode manual rentan terhadap kesalahan dan sangat bergantung pada operator yang melakukan pengujian. Algoritma pemrosesan gambar tradisional menawarkan konsistensi yang lebih baik, namun mencapai batasnya ketika harus menangani beragam jenis material. Dan di sinilah AI berperan.
Meskipun algoritma pemrosesan gambar tradisional berbasis aturan memberikan konsistensi yang lebih tinggi, algoritma ini memerlukan penyesuaian parameter khusus untuk setiap jenis material. Untuk jenis spesimen baru, parameter yang sesuai harus ditentukan terlebih dahulu, yang memakan waktu. Saat mengganti spesimen, penting untuk memastikan bahwa set parameter yang benar dipilih sesuai dengan spesimen tersebut. Deteksi retakan berbasis AI menghilangkan tantangan-tantangan ini: AI dapat mendeteksi retakan secara andal tanpa penyesuaian manual dan secara otomatis beradaptasi dengan berbagai material.
Mendeteksi retakan di pinggiran: Inilah alasan mengapa metode tradisional mulai mencapai batas kemampuannya.
Deteksi retakan secara manual membutuhkan konsentrasi penuh dan pengalaman dari operator. Tingkat cacat meningkat, terutama pada kecepatan pengujian yang lebih tinggi. Sementara pemrosesan gambar industri tradisional lebih konsisten, metode ini sering kali kurang fleksibel untuk material baru atau kompleks. Akibatnya: deteksi retakan yang terlambat atau tidak akurat. Dan inilah yang terkadang menyebabkan hasil pengujian menjadi tidak tepat serta pengujian ulang yang tidak diinginkan.
Deteksi retakan secara real-time dengan AI: Bagaimana jaringan saraf ZwickRoell bekerja
ZwickRoell telah mengintegrasikan jaringan saraf yang dikembangkan secara khusus ke dalam software pengujian testXpert. Sistem ini mendeteksi retakan secara real-time – langsung selama pengujian berlangsung. Pemrosesan gambar hanya memerlukan 50 milidetik per citra, bahkan pada komputer pengujian standar.
Basis data untuk hasil AI yang andal: 657.000 gambar, 2.700 spesimen
AI dari ZwickRoell dilatih menggunakan lebih dari 657.000 citra yang berasal dari 2.700 spesimen. Data tersebut diperoleh dari proyek pelanggan, pengujian internal, dan proses commissioning. Anotasi retakan dilakukan secara ketat sesuai ISO 16630, sehingga menjamin kesesuaian dengan standar. Hasilnya sangat jelas: AI mampu mendeteksi retakan secara andal pada material yang sudah dikenal dengan akurasi 99%, serta pada material baru dengan akurasi 98–99%.
Pengujian logam lembar otomatis dengan BUP – di mana presisi bertemu dengan efisiensi.
BUP (sheet metal testing machine) dari ZwickRoell merupakan platform ideal untuk uji pelebaran lubang. Mesin ini dirancang khusus untuk pengujian deformasi pada logam lembar dan menawarkan berbagai fungsi untuk membuat proses pengujian lebih efisien dan aman. Sorotan khusus: penanganan spesimen otomatis. Dengan magazin yang dapat menampung hingga 100 spesimen dan deteksi kode 2D terintegrasi, pengujian dapat dilakukan dalam mode “Night Shift” – tanpa intervensi operator. Hal ini menghemat waktu dan mengurangi sumber kesalahan. BUP juga sepenuhnya kompatibel dengan extensometer videoXtens, yang mengintegrasikan deteksi retakan berbasis AI. Hal ini menciptakan proses pengujian otomatis yang mulus – mulai dari identifikasi spesimen hingga dokumentasi hasil.
Fleksibel untuk material baru: AI tetap adaptif berkat kemampuan retraining.
Keunggulan lain dari solusi AI ini adalah kemampuannya untuk dilatih ulang. Saat menguji material baru atau eksotis, AI dapat dilatih ulang dengan data tambahan – baik di lokasi pelanggan maupun di cloud. Mulai tahun 2026, ZwickRoell akan menawarkan program retraining khusus yang memungkinkan pelanggan mengembangkan model mereka sendiri berdasarkan material tertentu.
Kesimpulan: Lebih berkualitas, lebih efisien – itulah mengapa AI dan BUP sedang mengubah cara pengujian material
Uji Pelebaran Lubang (Hole Expansion Test) dengan Deteksi Retak Berbasis AI merupakan sebuah terobosan signifikan dalam pengujian material. Kombinasi antara perangkat lunak cerdas dan mesin uji BUP yang bertenaga menghadirkan tingkat kualitas hasil pengujian yang baru: presisi, dapat direproduksi, dan independen dari operator. AI secara andal mendeteksi retak secara real-time, sehingga menghemat waktu dan material sekaligus mengurangi pengaruh kesalahan manusia. Pada saat yang sama, BUP merupakan sistem pengujian yang tangguh, dapat diautomasi, dan terintegrasi secara mulus ke dalam proses produksi serta quality assurance modern. Dengan kemampuan untuk terus melatih AI, sistem ini juga future-proof dan fleksibel untuk material serta kebutuhan baru. Perusahaan yang mengandalkan teknologi ini tidak hanya berinvestasi pada hasil uji yang lebih baik, tetapi juga pada efisiensi, keselamatan, dan inovasi.
