Wavelet Transform untuk Getaran Robot: Membaca Fault Transien yang Sering Hilang di FFT

Meta description: Panduan wavelet transform getaran robot untuk membaca fault transien, shock, chatter, dan perubahan sinyal yang sering tidak terlihat jelas di FFT.

Gambar 1. Wavelet transform membantu melihat kapan komponen frekuensi muncul, bukan hanya frekuensi apa yang dominan.

wavelet transform getaran robot adalah pendekatan analisis sinyal yang sangat berguna ketika getaran robot tidak bersifat stabil sepanjang waktu. Pada banyak kasus, gangguan mekanik hanya muncul sesaat: saat robot mulai bergerak, saat lengan berhenti mendadak, ketika roda melewati sambungan lantai, saat gearbox menerima beban kejut, atau ketika gripper menyentuh objek. Jika hanya melihat FFT rata-rata, kejadian singkat ini dapat tampak kecil, melebar, atau bahkan hilang.

FFT tetap penting karena memberi gambaran komponen frekuensi dominan. Namun FFT klasik tidak selalu menjawab pertanyaan “kapan” frekuensi tersebut muncul. Di sinilah wavelet transform menjadi menarik. Wavelet melihat sinyal dari dua sisi sekaligus: waktu dan frekuensi. Hasilnya sering divisualisasikan sebagai scalogram, yaitu peta energi yang menunjukkan perubahan frekuensi terhadap waktu.

Mengapa FFT Kadang Tidak Cukup?

FFT bekerja sangat baik untuk sinyal yang relatif stasioner, misalnya motor berputar pada kecepatan konstan dengan getaran periodik. Tetapi robot jarang bekerja dalam kondisi sesederhana itu. Robot mobile mengalami perubahan kecepatan, robot arm melakukan akselerasi dan deselerasi, sedangkan sistem conveyor kecil dapat mengalami beban tidak seragam.

Jika sebuah impuls hanya terjadi selama 0,1 detik pada rekaman 10 detik, energi impuls itu bisa tertutup oleh bagian sinyal lain. Spektrum FFT akan menunjukkan ringkasan frekuensi, tetapi tidak menunjukkan bahwa kejadian tersebut muncul pada detik tertentu. Untuk diagnosis fault transien, informasi waktu justru sangat penting.

Apa Itu Wavelet Transform dalam Analisis Getaran?

Wavelet transform menggunakan fungsi kecil bernama wavelet yang digeser dan diskalakan sepanjang sinyal. Skala kecil cocok untuk melihat detail frekuensi tinggi, sedangkan skala besar cocok untuk pola frekuensi rendah. Dengan cara ini, sinyal getaran dapat dilihat sebagai peta waktu-frekuensi.

Dalam praktik, ada dua istilah yang sering muncul. Continuous Wavelet Transform atau CWT umum dipakai untuk visualisasi scalogram yang halus. Discrete Wavelet Transform atau DWT sering dipakai untuk kompresi fitur, denoising, dan ekstraksi energi pada beberapa level frekuensi. Untuk artikel edukasi dan diagnosis awal, CWT lebih mudah dipahami karena tampilannya visual.

Gambar 2. Alur praktis analisis wavelet: akuisisi data, preprocessing, scalogram, ekstraksi fitur, lalu interpretasi fault.

Jenis Fault Transien pada Robot yang Cocok Dianalisis dengan Wavelet

1. Shock akibat kontak mekanik

Gripper yang menyentuh objek terlalu keras, roda yang menghantam celah lantai, atau end-effector yang berhenti mendadak dapat menghasilkan impuls. Dalam scalogram, impuls biasanya tampak sebagai energi singkat yang menyebar pada beberapa frekuensi.

2. Chatter pada struktur ringan

Chatter dapat muncul pada bracket kamera, dudukan sensor, atau lengan robot ringan. Gejalanya sering tidak berlangsung sepanjang siklus, tetapi muncul pada rentang pose atau kecepatan tertentu. Wavelet membantu melihat kapan chatter mulai dan kapan mereda.

3. Perubahan RPM dan beban

Pada motor yang kecepatannya berubah, frekuensi getaran ikut bergeser. FFT rata-rata dapat memperlebar puncak, sedangkan wavelet dapat memperlihatkan lintasan frekuensi tersebut terhadap waktu.

4. Fault awal bearing atau gear

Cacat kecil pada bearing atau gear dapat memunculkan impuls periodik lemah. Wavelet tidak otomatis membuktikan kerusakan, tetapi membantu menonjolkan pola impuls yang kemudian perlu diperiksa dengan envelope analysis, order tracking, atau inspeksi fisik.

Langkah Praktis Menerapkan Wavelet pada Data Robot

Mulailah dengan desain pengukuran yang rapi. Sensor accelerometer atau IMU harus dipasang kuat pada titik yang relevan: dudukan motor, rangka, bracket sensor, atau end-effector. Catat sampling rate, kondisi operasi, payload, kecepatan, dan lintasan. Tanpa catatan ini, scalogram yang menarik secara visual bisa sulit diinterpretasikan.

1. Rekam kondisi normal. Buat baseline ketika robot bekerja sehat.
2. Rekam kondisi bermasalah. Gunakan kecepatan dan lintasan yang sama agar perbandingan adil.
3. Lakukan preprocessing. Hilangkan offset, cek satuan, dan gunakan filter seperlunya.
4. Buat scalogram. Pilih mother wavelet yang sesuai, misalnya Morlet untuk analisis waktu-frekuensi umum.
5. Bandingkan pola energi. Cari impuls, ridge frekuensi, area chatter, atau perubahan energi mendadak.
6. Validasi dengan metode lain. Cocokkan dengan FFT, RPM, inspeksi mekanik, audio, atau data arus motor.

Contoh Aplikasi Nyata: Robot Mobile dengan Getaran Sesaat

Bayangkan robot mobile edukasi membawa sensor kamera. Pada sebagian lintasan, video tampak stabil. Namun saat robot mulai akselerasi, gambar bergetar sekitar satu detik. FFT dari seluruh rekaman menunjukkan beberapa puncak frekuensi, tetapi tidak jelas puncak mana yang terkait gejala video.

Ketika data accelerometer dianalisis dengan wavelet, terlihat energi kuat pada 35–50 Hz tepat saat akselerasi awal. Setelah kecepatan stabil, energi tersebut turun. Interpretasi awalnya bukan bahwa motor selalu bermasalah, melainkan ada kombinasi profil akselerasi, fleksibilitas bracket kamera, dan eksitasi pada rentang frekuensi tertentu. Solusi yang masuk akal adalah memperhalus ramp akselerasi, memperkuat bracket, atau mengubah mounting kamera.

Contoh ini menunjukkan nilai wavelet transform getaran robot: diagnosis menjadi lebih kontekstual. Kita tidak hanya tahu frekuensi dominan, tetapi juga bagian siklus kerja yang memicu masalah.

Gambar 3. Scalogram memudahkan pembacaan impuls transien, perubahan RPM, shock, dan chatter yang tidak selalu jelas di spektrum rata-rata.

Cara Membaca Scalogram dengan Hati-Hati

Warna panas pada scalogram menunjukkan energi tinggi, tetapi bukan otomatis berarti fault. Energi tinggi bisa muncul karena manuver normal, perubahan kecepatan, atau kontak yang memang bagian dari proses. Karena itu, pembacaan scalogram harus dibandingkan dengan baseline dan catatan operasi.

Perhatikan tiga pola utama. Pertama, impuls vertikal singkat yang menyebar ke banyak frekuensi; ini sering terkait shock. Kedua, ridge miring atau melengkung; ini dapat menandakan RPM berubah. Ketiga, blok energi pada rentang frekuensi tertentu; ini dapat berkaitan dengan chatter atau resonansi lokal. Setelah pola ditemukan, barulah dilakukan validasi mekanik.

Strategi Denoising Menggunakan Wavelet

Selain analisis, wavelet dapat dipakai untuk denoising. Prinsipnya, sinyal dipisah menjadi beberapa level detail, lalu koefisien kecil yang kemungkinan besar noise ditekan. Namun untuk diagnosis getaran, denoising harus dilakukan hati-hati. Jangan sampai impuls kecil yang justru penting ikut terhapus.

Praktik yang aman adalah menyimpan data mentah, membuat versi terfilter sebagai pembanding, dan mendokumentasikan parameter yang digunakan. Jika artikel atau laporan penelitian menampilkan hasil wavelet, sebaiknya jelaskan sampling rate, jenis wavelet, rentang frekuensi, dan alasan pemilihan parameter.

Ide Project Edukasi dan Penelitian

Topik ini cocok untuk project mahasiswa. Contohnya, membandingkan scalogram robot mobile pada profil akselerasi berbeda, mendeteksi chatter pada bracket 3D print, atau membuat dashboard Python yang menampilkan sinyal waktu, FFT, dan scalogram secara berdampingan. Untuk penelitian, wavelet dapat digabung dengan machine learning ringan, seperti klasifikasi kondisi normal, loose bolt, misalignment, dan shock berulang.

Namun klaim perlu dijaga. Model tidak boleh langsung disebut mampu memprediksi kerusakan besar jika data masih kecil. Lebih aman menyebutnya sebagai sistem deteksi anomali awal yang perlu validasi lapangan.

Kesimpulan

wavelet transform getaran robot membantu membaca getaran robot yang berubah terhadap waktu. Metode ini sangat berguna untuk fault transien, shock, chatter, perubahan RPM, dan gejala yang hanya muncul pada bagian tertentu dari siklus kerja robot.

FFT tetap menjadi alat dasar yang penting, tetapi wavelet memberi lapisan informasi tambahan: kapan frekuensi muncul dan bagaimana energinya berubah. Dengan baseline yang rapi, sensor yang dipasang benar, dan interpretasi yang tidak berlebihan, wavelet dapat menjadi jembatan kuat antara analisis sinyal, robotika, vibration engineering, dan predictive maintenance.

FAQ

Apakah wavelet transform menggantikan FFT?

Tidak. FFT tetap bagus untuk ringkasan frekuensi. Wavelet melengkapinya ketika sinyal berubah terhadap waktu atau memiliki kejadian transien.

Sensor apa yang cocok untuk analisis wavelet getaran robot?

Accelerometer MEMS dapat digunakan untuk edukasi dan prototipe, asalkan bandwidth, sampling rate, mounting, dan kalibrasinya sesuai kebutuhan.

Apa itu scalogram?

Scalogram adalah visualisasi energi sinyal dalam domain waktu-frekuensi. Warna menunjukkan seberapa kuat energi pada frekuensi tertentu di waktu tertentu.

Kapan wavelet paling bermanfaat?

Wavelet paling bermanfaat saat gangguan hanya muncul sesaat, misalnya shock, chatter, akselerasi, perubahan RPM, atau impuls dari fault awal.

Apakah hasil wavelet cukup untuk menyatakan kerusakan?

Belum tentu. Hasil wavelet perlu divalidasi dengan baseline, inspeksi mekanik, FFT, data RPM, arus motor, atau pengujian ulang.

Saran Internal Link

• Artikel tentang FFT getaran robot untuk bearing aus dan misalignment.
• Artikel tentang envelope analysis getaran bearing robot.
• Artikel tentang order tracking getaran motor robot pada kecepatan berubah.

Saran Referensi Eksternal

• Referensi dasar time-frequency analysis dan continuous wavelet transform.
• Dokumentasi sensor accelerometer atau IMU yang digunakan dalam eksperimen.
• Materi machine condition monitoring tentang transient vibration dan vibration fault diagnosis.