Hampel Filter untuk Sensor Getaran Robot: Membersihkan Outlier Tanpa Menghapus Fault
Meta title: Hampel Filter Sensor Getaran Robot
Meta description: Panduan Hampel filter sensor getaran robot untuk membersihkan outlier impulsif tanpa menghapus sinyal fault, FFT, dan alarm monitoring mesin.
Focus keyword: Hampel filter sensor getaran robot
LSI: outlier sinyal getaran, median filter, FFT vibration, impulsive noise, condition monitoring, sensor MEMS, preprocessing data, alarm palsu, machine fault, IoT industri
Ringkasan: Artikel akademik-populer tentang penggunaan Hampel filter sebagai tahap preprocessing sinyal getaran robot agar outlier akibat glitch sensor, gangguan komunikasi, atau benturan sesaat tidak langsung merusak analisis FFT dan alarm monitoring. Fokus utamanya bukan membuat data terlihat terlalu halus, melainkan menjaga agar sinyal fault yang nyata tetap terbaca.
Hook: satu titik ekstrem bisa merusak keputusan alarm
Dalam praktik akuisisi data getaran robot, grafik sering berisi beberapa titik ekstrem yang muncul tiba-tiba. Penyebabnya dapat berupa glitch ADC, kabel sensor longgar sesaat, paket data serial yang terganggu, benturan ringan pada meja uji, atau noise elektromagnetik dari driver motor. Jika titik ekstrem itu langsung masuk ke perhitungan RMS, kurtosis, peak, atau FFT, hasil monitoring dapat terlihat lebih parah dari kondisi sebenarnya.
Hampel filter sensor getaran robot menawarkan cara sederhana untuk mendeteksi outlier berdasarkan median lokal. Metode ini populer karena relatif mudah diterapkan, tahan terhadap titik ekstrem, dan cocok sebagai tahap preprocessing sebelum analisis getaran yang lebih serius.
Apa itu Hampel filter?
Hampel filter adalah teknik deteksi outlier berbasis jendela data. Untuk setiap titik sinyal, algoritma melihat beberapa sampel di sekitarnya, menghitung median, lalu mengukur seberapa jauh titik tersebut dari median lokal. Jika jaraknya melewati ambang tertentu, titik itu ditandai sebagai outlier dan dapat diganti dengan median atau nilai estimasi lain.
Ukuran penyebaran yang sering dipakai adalah median absolute deviation atau MAD. Dibanding rata-rata dan standar deviasi biasa, median dan MAD lebih tahan terhadap spike. Inilah alasan Hampel filter menarik untuk sinyal getaran yang kadang terkena impuls palsu.
Mengapa relevan untuk robot, vibration, dan noise?
1. Mencegah alarm palsu
Alarm berbasis peak atau RMS sangat sensitif terhadap nilai ekstrem. Satu spike akibat gangguan kabel dapat menaikkan indikator seolah-olah terjadi benturan besar. Dengan Hampel filter, spike dapat ditandai lebih dulu sehingga alarm tidak langsung bereaksi terhadap data yang belum tervalidasi.
2. Menjaga FFT lebih bersih
Outlier impulsif dapat menyebarkan energi ke banyak frekuensi dan membuat spektrum tampak berisik. Setelah outlier dibersihkan secara hati-hati, puncak frekuensi akibat putaran motor, gear mesh, unbalance, atau resonansi struktur lebih mudah dibaca.
3. Cocok untuk node IoT murah
Banyak sistem edukasi teknik dan monitoring awal memakai sensor MEMS, ESP32, atau mikrokontroler sederhana. Pada perangkat seperti ini, gangguan komunikasi dan noise switching sering muncul. Hampel filter dapat dijalankan ringan sebelum data dikirim ke dashboard atau broker MQTT.
Pipeline praktis penerapan Hampel filter
Langkah pertama adalah menentukan frekuensi sampling dan tujuan analisis. Jika sinyal dipakai untuk membaca fault frekuensi tinggi, jendela filter tidak boleh terlalu lebar karena dapat menghapus informasi penting. Untuk data getaran motor kecil, jendela pendek sering cukup untuk mendeteksi spike tunggal tanpa merusak pola periodik.
Langkah kedua adalah memilih parameter jendela dan ambang. Secara umum, ambang 3 kali skala MAD sering dipakai sebagai titik awal. Namun parameter ini bukan hukum tetap. Engineer perlu membandingkan sinyal sebelum dan sesudah filter, terutama pada kondisi normal, kondisi beban berubah, dan kondisi fault simulasi.
Langkah ketiga adalah menyimpan status titik yang dikoreksi. Ini penting untuk audit data. Jika terlalu banyak titik ditandai sebagai outlier, masalahnya mungkin bukan sekadar noise; bisa jadi sensor tidak stabil, mounting buruk, kabel bermasalah, atau sistem memang mengalami benturan nyata.
Langkah keempat adalah melanjutkan analisis ke fitur getaran seperti RMS, peak-to-peak, crest factor, kurtosis, envelope, atau FFT. Hampel filter sebaiknya ditempatkan sebagai pembersih awal, bukan pengganti diagnosis mekanik.
Contoh aplikasi nyata di laboratorium robotika
Bayangkan robot differential drive diuji pada meja laboratorium. Accelerometer MEMS dipasang pada rangka untuk memantau getaran motor dan roda. Saat kabel USB tersentuh, satu spike besar muncul pada data. Tanpa preprocessing, nilai peak meningkat tajam dan dashboard memberi alarm. Setelah Hampel filter diterapkan, spike itu ditandai sebagai outlier, sedangkan pola periodik akibat putaran roda tetap terlihat.
Pada lengan robot kecil, Hampel filter dapat membantu membersihkan impuls palsu saat pengujian residual vibration setelah gerakan berhenti. Namun jika impuls muncul berulang pada fase gerak tertentu, jangan langsung dihapus begitu saja. Pola berulang dapat menandakan backlash, end-stop impact, kabel terseret, atau kontrol gerak yang terlalu agresif.
Untuk predictive maintenance mesin kecil, Hampel filter berguna pada tahap awal sebelum menghitung tren RMS harian. Data yang lebih bersih membuat tren lebih stabil, tetapi engineer tetap harus menyimpan data mentah agar penyebab anomali dapat diperiksa ulang.
Batasan dan risiko penggunaan
Risiko terbesar adalah over-filtering. Jika semua impuls dianggap outlier, kita mungkin justru menghapus gejala fault seperti bearing defect, gear tooth impact, atau looseness mekanik. Karena itu, Hampel filter perlu dipakai dengan konteks. Spike tunggal acak berbeda dengan impuls berulang yang sinkron dengan RPM atau posisi mekanik tertentu.
Batasan lain adalah pemilihan ukuran jendela. Jendela terlalu kecil bisa gagal membedakan noise dari sinyal normal. Jendela terlalu besar dapat menggeser karakter transien. Pada sistem robot dengan kecepatan berubah, parameter yang cocok pada RPM rendah belum tentu cocok pada RPM tinggi.
Tips parameter untuk pemula
Mulailah dengan menyimpan dua versi data: mentah dan hasil filter. Gunakan jendela ganjil, misalnya 5, 7, atau 11 sampel untuk eksperimen awal. Lalu cek berapa persen titik yang ditandai sebagai outlier. Jika persentasenya terlalu besar, mungkin ambang terlalu ketat atau sinyal memang tidak stabil.
Bandingkan FFT sebelum dan sesudah filter. Jika puncak penting hilang, parameter perlu dilonggarkan. Jika noise acak berkurang tetapi puncak RPM tetap terlihat, parameter kemungkinan masuk akal. Untuk laporan mahasiswa, tampilkan grafik sebelum-sesudah, tabel parameter, dan alasan teknis pemilihan ambang.
Hubungan dengan metode filtering lain
Hampel filter berbeda dari low-pass filter. Low-pass menekan komponen frekuensi tinggi secara umum, sedangkan Hampel filter menargetkan titik ekstrem lokal. Median filter mirip, tetapi Hampel biasanya lebih eksplisit dalam menandai outlier berdasarkan ambang. Untuk sistem monitoring lengkap, Hampel filter dapat digabung dengan band-pass filter, envelope analysis, atau CUSUM, asalkan urutan dan tujuannya jelas.
Saran internal dan external link
- Internal link: tautkan ke artikel FFT getaran robot, kurtosis, CUSUM drift RMS, STFT, Allan variance sensor IMU, dan band-pass filtering.
- External link: rujuk dokumentasi SciPy/NumPy untuk median filter, artikel pengantar robust statistics, dan referensi condition monitoring berbasis vibration analysis.
Kesimpulan
Hampel filter sensor getaran robot adalah alat sederhana namun berguna untuk membersihkan outlier impulsif pada data getaran robot. Manfaatnya terasa pada dashboard IoT, praktikum akuisisi data, dan monitoring mesin kecil yang rentan glitch sensor. Namun filter ini harus dipakai secara hati-hati: jangan sampai fault impulsif yang berulang ikut dihapus. Simpan data mentah, catat titik yang dikoreksi, dan validasi hasil dengan FFT, tren fitur, serta inspeksi mekanik.
FAQ
1. Apakah Hampel filter sama dengan low-pass filter?
Tidak. Low-pass menekan frekuensi tinggi, sedangkan Hampel filter mendeteksi titik ekstrem lokal berdasarkan median dan MAD.
2. Apakah semua spike getaran harus dihapus?
Tidak. Spike acak akibat glitch dapat dikoreksi, tetapi impuls berulang bisa menjadi tanda fault mekanik dan perlu dianalisis.
3. Berapa ukuran jendela yang baik?
Mulailah dari 5 sampai 11 sampel, lalu sesuaikan dengan frekuensi sampling, RPM motor, dan fitur getaran yang ingin dipertahankan.
4. Apakah Hampel filter cocok untuk ESP32?
Cocok untuk preprocessing ringan, terutama jika ukuran jendela kecil. Untuk data besar, pemrosesan dapat dilakukan di komputer atau server dashboard.
No comments:
Post a Comment