Meta description: Panduan band-pass filtering getaran robot untuk memisahkan sinyal fault, noise sensor, harmonik, FFT, dan data monitoring kondisi mesin secara praktis.
band-pass filtering getaran robot adalah teknik penting ketika data accelerometer robot terlalu ramai oleh drift, noise sensor, resonansi struktur, atau gangguan dari motor. Dalam machine condition monitoring, tujuan filtering bukan membuat grafik terlihat rapi, melainkan membantu teknisi membaca informasi yang benar: apakah ada indikasi fault, harmonik, sideband, atau perubahan kondisi mekanik yang perlu diperiksa.
Robot modern sering bekerja dalam kondisi dinamis. Motor berubah kecepatan, beban berpindah, rangka menerima hentakan, dan sensor membaca banyak sumber sinyal sekaligus. Tanpa pemilihan filter yang tepat, sinyal fault kecil dapat tertutup noise. Sebaliknya, filter yang terlalu agresif bisa menghapus gejala penting dan membuat sistem monitoring tampak aman padahal masalah mulai muncul.
Apa Itu Band-Pass Filter?
Band-pass filter adalah filter yang meloloskan sinyal pada rentang frekuensi tertentu dan meredam frekuensi di bawah serta di atas rentang tersebut. Dalam analisis getaran, filter ini berguna ketika kita sudah memiliki perkiraan area frekuensi yang ingin diperhatikan. Misalnya, rentang sekitar frekuensi putaran motor, gear mesh, atau band tempat impuls bearing lebih mudah diamati.
Berbeda dengan low-pass filter yang hanya membuang frekuensi tinggi, band-pass filter lebih selektif. Ia dapat mengurangi drift frekuensi rendah akibat perubahan posisi atau kemiringan sensor, sekaligus meredam noise frekuensi tinggi yang tidak relevan. Karena itu, band-pass filtering getaran robot sering dipakai sebelum ekstraksi fitur seperti RMS terfilter, peak, envelope, atau analisis spektrum lanjutan.
Mengapa Data Getaran Robot Sering Perlu Difilter?
Sensor getaran pada robot tidak hidup di lingkungan ideal. Accelerometer MEMS dapat menangkap gerakan rangka, getaran motor, benturan roda, noise listrik, bahkan perubahan orientasi akibat gravitasi. Jika robot berjalan di lantai kasar, komponen frekuensi rendah dapat mendominasi. Jika kabel sensor dekat driver motor, noise switching dapat masuk ke data.
Filtering membantu memisahkan bagian sinyal yang relevan dengan tujuan diagnosis. Untuk mendeteksi ketidakseimbangan, rentang sekitar 1× RPM dapat diprioritaskan. Untuk gearbox, area gear mesh dan sideband perlu diperhatikan. Untuk bearing, sering diperlukan pendekatan band-pass yang kemudian dilanjutkan dengan envelope analysis. Intinya, filter harus mengikuti pertanyaan teknis yang ingin dijawab.
Langkah Praktis Menentukan Rentang Filter
Langkah pertama adalah mengetahui frekuensi sampling dan bandwidth sensor. Jangan membuat filter pada frekuensi yang tidak mampu direkam sensor atau mendekati batas Nyquist. Jika sampling 1.000 Hz, maka frekuensi teoritis tertinggi adalah 500 Hz, tetapi praktik yang aman biasanya menyisakan margin agar respons filter tidak menipu.
Langkah kedua adalah memahami kecepatan putar. Jika motor berputar 1.800 RPM, frekuensi putarnya sekitar 30 Hz. Harmoniknya dapat muncul di 60 Hz, 90 Hz, dan seterusnya. Untuk memantau gejala tertentu, passband bisa dibuat di sekitar frekuensi yang relevan, misalnya 20–120 Hz untuk melihat putaran dan beberapa harmonik awal, atau rentang lain sesuai karakter mesin.
Langkah ketiga adalah membandingkan hasil sebelum dan sesudah filter. Jika setelah filtering semua gejala menghilang, jangan langsung senang. Bisa jadi parameter filter terlalu sempit. Gunakan baseline dari kondisi sehat dan data dari kondisi gangguan terkontrol agar pilihan filter dapat dipertanggungjawabkan.
Contoh Aplikasi: Robot Conveyor Kecil
Bayangkan robot conveyor edukasi dengan motor DC, gearbox kecil, dan sensor accelerometer pada dudukan motor. Saat conveyor normal, spektrum menunjukkan puncak putaran utama dan sedikit harmonik. Setelah belt terlalu tegang, noise mekanik meningkat dan muncul komponen tambahan. Data mentah terlihat berantakan karena ada drift dari rangka dan noise tinggi dari driver motor.
Dengan band-pass filter 20–200 Hz, sinyal yang berhubungan dengan putaran dan harmonik menjadi lebih jelas. RMS terfilter naik saat belt terlalu tegang, sementara data di bawah 10 Hz yang berasal dari gerakan rangka tidak lagi mendominasi. Dari sini, mahasiswa dapat belajar bahwa filter bukan alat kosmetik, melainkan bagian dari proses diagnosis berbasis hipotesis.
Kesalahan Umum Saat Menggunakan Filter
Kesalahan pertama adalah memilih cutoff secara asal. Misalnya, semua data difilter 0–50 Hz hanya karena grafik menjadi halus. Jika gejala fault berada di atas 50 Hz, informasi penting akan hilang. Kesalahan kedua adalah tidak memperhatikan fase dan delay. Pada sistem kontrol real-time, filter digital dapat menambah keterlambatan yang memengaruhi respons.
Kesalahan ketiga adalah menyamakan semua mesin. Robot mobile, motor spindle, pompa kecil, dan gearbox memiliki karakter frekuensi berbeda. Parameter yang cocok untuk satu sistem belum tentu cocok untuk sistem lain. Kesalahan keempat adalah tidak menyimpan data mentah. Data mentah penting untuk audit ulang ketika parameter filter perlu dievaluasi.
Hubungan dengan FFT, Envelope, dan Dashboard IoT
Band-pass filtering sering menjadi tahap awal sebelum analisis lanjutan. Setelah filter, data dapat dianalisis dengan FFT untuk melihat puncak frekuensi, envelope untuk membaca impuls bearing, atau fitur statistik untuk dashboard IoT. Pada dashboard, sebaiknya tampilkan informasi filter yang digunakan: jenis filter, cutoff bawah, cutoff atas, orde filter, dan frekuensi sampling.
Transparansi ini penting agar pengguna tidak salah membaca indikator. Jika dashboard hanya menampilkan angka RMS tanpa menjelaskan bahwa angka tersebut berasal dari rentang 20–200 Hz, pengguna mungkin membandingkannya dengan RMS broadband secara keliru. Dalam predictive maintenance, konteks pengukuran sama pentingnya dengan angka pengukuran.
Rekomendasi untuk Project Mahasiswa
Project sederhana dapat dibuat dengan ESP32 atau akuisisi data berbasis Python. Gunakan motor kecil, accelerometer, dan variasikan kondisi seperti baut agak longgar, belt terlalu tegang, atau beban bertambah. Rekam data mentah, lalu bandingkan sinyal tanpa filter, low-pass, high-pass, dan band-pass. Dari hasil itu, mahasiswa dapat melihat bagaimana pilihan filter mengubah interpretasi.
Untuk laporan akademik, sertakan frekuensi sampling, durasi pengambilan data, posisi sensor, parameter filter, dan alasan pemilihan passband. Hindari klaim bahwa satu filter pasti mendeteksi semua kerusakan. Lebih tepat mengatakan bahwa filter membantu menonjolkan gejala pada rentang tertentu, lalu hasilnya perlu divalidasi dengan inspeksi mekanik.
Kesimpulan
band-pass filtering getaran robot membantu memisahkan sinyal fault dari noise sensor, drift, dan gangguan frekuensi yang tidak relevan. Namun, manfaatnya sangat bergantung pada pemilihan parameter yang sesuai dengan tujuan diagnosis, karakter robot, bandwidth sensor, dan frekuensi sampling.
Praktik terbaik adalah menyimpan data mentah, membuat baseline, memilih passband berdasarkan hipotesis teknis, lalu memvalidasi hasil dengan inspeksi fisik. Dengan cara ini, filtering menjadi alat analisis yang kuat, bukan sekadar cara mempercantik grafik.
FAQ
Apakah band-pass filter selalu lebih baik daripada low-pass filter?
Tidak. Band-pass cocok jika rentang frekuensi target sudah diketahui. Low-pass lebih tepat jika tujuan utama hanya meredam noise frekuensi tinggi.
Bagaimana menentukan cutoff bawah dan atas?
Gunakan informasi RPM, harmonik, bandwidth sensor, frekuensi sampling, dan tujuan diagnosis. Bandingkan juga hasilnya dengan baseline kondisi sehat.
Apakah filtering bisa menyebabkan fault tidak terdeteksi?
Bisa. Jika passband terlalu sempit atau salah posisi, sinyal fault dapat teredam. Karena itu data mentah sebaiknya tetap disimpan.
Apakah filter dapat dipakai langsung pada kontrol real-time?
Bisa, tetapi perlu memperhatikan delay, stabilitas, dan beban komputasi. Untuk kontrol cepat, filter harus diuji agar tidak mengganggu respons sistem.
Apa indikator sederhana setelah band-pass filtering?
RMS terfilter, peak, crest factor, dan perubahan puncak FFT dapat menjadi indikator awal, tetapi tetap perlu validasi mekanik.
Saran Internal Link
- Artikel tentang anti-aliasing dan sampling getaran robot.
- Artikel tentang envelope analysis getaran bearing robot.
- Artikel tentang estimasi RPM dari getaran motor robot.
Saran Referensi Eksternal
- Dokumentasi dasar digital signal processing untuk band-pass filter.
- Application note produsen accelerometer tentang vibration monitoring.
- Referensi condition monitoring tentang FFT, envelope, dan fault detection.
