Meta description: Panduan TinyML deteksi anomali getaran untuk sensor industri, monitoring motor, kipas, pompa, dan maintenance ringan berbasis data.
TinyML deteksi anomali getaran adalah pendekatan menarik untuk membawa machine learning ke dekat sensor, bukan selalu mengirim semua data mentah ke komputer atau cloud. Dalam sistem robotik, motor, kipas, pompa kecil, conveyor, dan aktuator industri, getaran sering menjadi sinyal awal bahwa kondisi mekanik mulai berubah. Masalahnya, data getaran bisa sangat banyak, sementara tidak semua sistem punya jaringan stabil atau komputer besar.
Di sinilah TinyML menjadi relevan. TinyML mengacu pada model machine learning berukuran kecil yang dapat berjalan pada mikrokontroler atau perangkat edge hemat daya. Tujuannya bukan menggantikan analisis engineer, melainkan memberi alarm awal: apakah pola getaran masih mirip kondisi normal, atau sudah mulai menyimpang dan perlu diperiksa?
Mengapa TinyML Cocok untuk Monitoring Getaran?
Monitoring getaran idealnya dilakukan terus-menerus atau setidaknya berkala. Jika setiap sampel accelerometer dikirim ke server, bandwidth dan penyimpanan cepat membengkak. Pada mesin kecil di laboratorium atau workshop pendidikan, solusi seperti itu sering terlalu rumit. TinyML menawarkan pendekatan lebih ringan: sensor membaca sinyal, perangkat kecil menghitung fitur, model sederhana menilai kondisi, lalu hanya ringkasan atau alarm yang dikirim ke dashboard.
Keuntungan lainnya adalah respons cepat. Ketika model berjalan di edge, keputusan awal dapat dibuat tanpa menunggu koneksi internet. Ini berguna untuk sistem robotik mobile, node IoT industri, atau alat praktikum yang berpindah-pindah tempat. Namun, perlu ditekankan bahwa TinyML harus dibangun dari data yang rapi dan validasi yang jelas, bukan sekadar memasang model lalu menganggap semua anomali pasti kerusakan.
Jenis Data yang Dibutuhkan
Data dasar biasanya berasal dari accelerometer MEMS tiga sumbu. Sensor ditempel pada rangka dekat motor, bearing, pompa, kipas, atau gearbox kecil. Agar data bisa dibandingkan, posisi sensor harus konsisten. Perubahan kecil pada mounting dapat mengubah amplitudo getaran dan membuat model salah membaca kondisi.
Untuk tahap awal, rekam beberapa kondisi normal pada variasi rpm dan beban. Setelah itu, rekam kondisi yang berpotensi bermasalah secara aman, misalnya belt agak tegang, beban dinaikkan, baut dudukan sedikit longgar dalam pengawasan, atau kipas diberi ketidakseimbangan kecil yang tidak membahayakan. Dataset tidak harus besar sejak awal, tetapi harus diberi label dan catatan eksperimen yang jujur.
Dari Sinyal Mentah ke Fitur Ringan
Mikrokontroler kecil tidak selalu ideal untuk memproses sinyal panjang dan model kompleks. Karena itu, fitur ringkas sangat penting. Contoh fitur yang mudah dipahami adalah RMS getaran, nilai peak-to-peak, crest factor, energi pada band frekuensi tertentu, serta frekuensi dominan dari FFT sederhana. Fitur ini lebih hemat dibanding menyimpan semua sinyal mentah.
Pendekatan fitur juga membantu transparansi. Jika model menyatakan “anomali”, engineer atau mahasiswa masih dapat melihat indikator penyebabnya: apakah RMS naik, apakah puncak frekuensi berubah, atau apakah energi di band tertentu meningkat. Ini lebih sehat daripada sistem black box yang hanya memberi label tanpa penjelasan.
Model TinyML yang Dapat Dicoba
Untuk project awal, model tidak perlu rumit. Klasifikasi sederhana antara normal dan anomali dapat dicoba memakai decision tree kecil, logistic regression, one-class classifier, atau neural network sangat ringan. Jika memakai TensorFlow Lite for Microcontrollers, model dapat dikonversi agar berjalan pada perangkat yang memorinya terbatas.
Alternatif yang sering lebih aman adalah anomaly detection berbasis baseline. Sistem belajar rentang normal dari fitur getaran, lalu memberi peringatan ketika fitur keluar dari batas wajar. Cara ini cocok ketika data kerusakan nyata masih sedikit. Dalam dunia maintenance, data kerusakan memang jarang dan mahal, sehingga metode baseline sering menjadi langkah awal yang realistis.
Contoh Aplikasi Nyata
Bayangkan sebuah pompa air kecil di laboratorium teknik. Sensor accelerometer ditempel di rumah pompa, mikrokontroler membaca data setiap beberapa menit, lalu menghitung RMS dan energi frekuensi tertentu. Jika pola berubah signifikan dibanding baseline, sistem mengirim status “perlu observasi” ke dashboard. Mahasiswa kemudian memeriksa apakah ada gelembung udara, bearing mulai kasar, dudukan longgar, atau beban aliran berubah.
Contoh lain adalah kipas pendingin panel kontrol. Kipas yang mulai tidak seimbang biasanya menimbulkan getaran dan noise yang berbeda. TinyML dapat membantu memberi sinyal awal sebelum kipas berhenti total. Untuk robot mobile, pendekatan serupa bisa digunakan untuk mendeteksi roda tidak seimbang, gearbox aus, atau motor yang bekerja terlalu berat.
Langkah Praktis Membuat Prototipe
- Pilih mesin uji sederhana: motor DC, kipas, pompa kecil, atau conveyor mini.
- Pasang accelerometer pada titik yang konsisten dan aman.
- Rekam baseline pada beberapa rpm dan beban normal.
- Hitung fitur ringan seperti RMS, peak-to-peak, dan energi band frekuensi.
- Latih model kecil atau gunakan ambang baseline untuk deteksi anomali.
- Uji pada kondisi berbeda, lalu catat false alarm dan missed detection.
- Tampilkan hasil di dashboard sederhana agar tren mudah dibaca.
Untuk kelas teknik, proyek ini dapat menjadi jembatan antara sensor, pemrosesan sinyal, embedded system, machine learning, dan maintenance. Mahasiswa tidak hanya belajar membuat model, tetapi juga belajar bahwa kualitas data dan desain eksperimen menentukan kualitas keputusan.
Risiko Salah Tafsir dan Batasan
TinyML tidak boleh dipakai untuk klaim berlebihan. Model yang dilatih pada satu motor belum tentu valid untuk motor lain. Kondisi mounting sensor, rpm, beban, suhu, dan struktur rangka dapat mengubah pola getaran. Karena itu, hasil model perlu diperlakukan sebagai indikator awal, bukan vonis final.
Risiko lain adalah dataset yang terlalu bersih. Jika data hanya diambil pada kondisi laboratorium yang ideal, model bisa gagal saat menghadapi noise lapangan. Solusinya adalah memperbanyak variasi data secara bertahap dan selalu menyimpan catatan pengujian. Semakin baik dokumentasi, semakin mudah model diperbaiki.
Hubungan dengan IoT Industri dan Predictive Maintenance
TinyML dapat menjadi lapisan pertama dalam arsitektur IoT industri. Edge device melakukan deteksi awal, gateway mengumpulkan ringkasan, dan dashboard menampilkan tren. Jika data historis sudah cukup, sistem dapat dikembangkan menjadi predictive maintenance yang lebih matang. Namun tahap awal tetap harus sederhana: baseline, fitur jelas, alarm wajar, dan validasi rutin.
Pendekatan bertahap ini membuat implementasi lebih murah dan lebih mudah dipahami. Bagi lembaga pendidikan, TinyML memberi topik riset aplikatif yang relevan dengan industri tetapi masih terjangkau untuk praktikum.
Kesimpulan
TinyML deteksi anomali getaran membuka peluang membuat sistem monitoring kondisi mesin yang ringan, cepat, dan hemat bandwidth. Dengan accelerometer, ekstraksi fitur yang tepat, model kecil, dan dashboard sederhana, perubahan pola getaran pada motor, pompa, kipas, atau robot conveyor dapat diamati lebih dini.
Kunci keberhasilannya bukan hanya model machine learning, tetapi disiplin eksperimen: sensor dipasang konsisten, baseline direkam, fitur dipilih dengan alasan teknis, dan hasil model divalidasi dengan pemeriksaan mekanik. Dengan cara ini, TinyML menjadi alat bantu engineer, bukan sekadar jargon teknologi.
FAQ
Apakah TinyML bisa menggantikan vibration analyst?
Tidak. TinyML cocok sebagai alarm awal dan alat bantu monitoring, tetapi interpretasi akhir tetap membutuhkan konteks mekanik, baseline, dan validasi engineer.
Sensor apa yang cocok untuk proyek TinyML getaran?
Accelerometer MEMS dapat digunakan untuk prototipe dan pembelajaran. Untuk aplikasi industri serius, pilih sensor dengan bandwidth, sensitivitas, dan mounting yang sesuai.
Apakah model harus selalu neural network?
Tidak. Decision tree kecil, logistic regression, atau metode baseline sering cukup untuk tahap awal dan lebih mudah dijelaskan.
Berapa banyak data yang dibutuhkan?
Tergantung variasi mesin dan target deteksi. Mulailah dari baseline normal pada beberapa rpm dan beban, lalu tambah data anomali secara aman dan terdokumentasi.
Apa kesalahan umum dalam proyek ini?
Kesalahan umum adalah posisi sensor berubah, dataset terlalu sedikit, tidak mencatat rpm dan beban, serta menganggap output model sebagai diagnosis final tanpa inspeksi.
Saran Internal Link
- Artikel tentang predictive maintenance berbasis sensor getaran.
- Artikel tentang akuisisi data getaran motor DC.
- Artikel tentang FFT getaran robot conveyor.
Saran Referensi Eksternal
- Dokumentasi TensorFlow Lite for Microcontrollers untuk model embedded.
- Dokumentasi accelerometer MEMS dari Analog Devices, Bosch Sensortec, atau STMicroelectronics.
- Referensi dasar condition monitoring dan vibration analysis dari sumber edukasi terbuka.
