Implementasi Algoritma Edge AI pada Mikrokontroler Berdaya Rendah untuk Deteksi Anomali Kavitasi Pompa Industri Melalui Analisis Spektrum Getaran Real-Time

Dalam era Industri 4.0, efisiensi operasional dan pengurangan waktu henti (downtime) menjadi prioritas utama bagi sektor manufaktur dan pemrosesan. Salah satu komponen paling kritis namun sering mengalami kegagalan adalah pompa industri. Masalah yang paling merusak dan sulit dideteksi secara dini adalah kavitasi. Artikel ini akan membahas secara mendalam bagaimana teknologi Edge AI, yang diimplementasikan pada mikrokontroler berdaya rendah, dapat menjadi solusi transformatif dalam mendeteksi anomali kavitasi melalui analisis spektrum getaran secara real-time.

Daftar Isi

• 1. Pendahuluan: Tantangan Kavitasi pada Pompa Industri
• 2. Mengapa Edge AI? Pergeseran dari Cloud ke On-Device Computing
• 3. Mekanisme Kavitasi dan Karakteristik Getarannya
• 4. Arsitektur Perangkat Keras: Memilih Mikrokontroler Berdaya Rendah
• 5. Sensor Getaran MEMS: Mata bagi Sistem AI
• 6. Pemrosesan Sinyal Digital: Fast Fourier Transform (FFT)
• 7. Pengembangan Model Edge AI: Pendekatan TinyML
• 8. Algoritma Deteksi Anomali: Autoencoder dan K-NN
• 9. Optimasi Memori dan Konsumsi Daya pada Mikrokontroler
• 10. Panduan Langkah-demi-Langkah Implementasi Kode
• 11. Keamanan Data dan Keuntungan Operasional
• 12. Kesimpulan dan Masa Depan Pemeliharaan Prediktif

1. Pendahuluan: Tantangan Kavitasi pada Pompa Industri

Pompa sentrifugal adalah jantung dari banyak proses industri, mulai dari pengolahan air hingga kilang minyak. Kavitasi terjadi ketika tekanan lokal di dalam pompa turun di bawah tekanan uap cairan, menyebabkan terbentuknya gelembung uap yang kemudian pecah dengan kekuatan besar saat memasuki area bertekanan tinggi. Ledakan mikro ini menyebabkan erosi pada impeller, getaran berlebih, dan penurunan efisiensi yang signifikan.

Metode pemeliharaan tradisional seringkali bersifat reaktif atau berdasarkan jadwal (preventif), yang bisa jadi terlalu lambat atau terlalu mahal. Di sinilah integrasi kecerdasan buatan (AI) di tingkat "Edge" atau perangkat keras lokal menjadi sangat krusial. Dengan mendeteksi tanda-tanda awal kavitasi melalui pola getaran, perusahaan dapat menghindari kerusakan katastrofik.

2. Mengapa Edge AI? Pergeseran dari Cloud ke On-Device Computing

Tradisionalnya, data sensor dikirim ke cloud untuk dianalisis. Namun, untuk deteksi getaran frekuensi tinggi, metode ini menghadapi kendala besar: bandwidth dan latensi. Getaran pompa seringkali membutuhkan sampling rate hingga ribuan Hertz (kHz). Mengirimkan data mentah sebanyak itu secara terus-menerus akan membebani jaringan dan menghabiskan biaya bandwidth yang besar.

Edge AI memungkinkan pemrosesan data langsung di sumbernya—yaitu mikrokontroler yang terpasang pada pompa. Keuntungan utamanya meliputi:

• Latensi Rendah: Keputusan diambil dalam hitungan milidetik.
• Efisiensi Bandwidth: Hanya hasil diagnosa (seperti status "Normal" atau "Anomali") yang dikirim ke dashboard pusat.
• Privasi dan Keamanan: Data mentah tetap berada di perangkat fisik.
• Konsumsi Daya Rendah: Menggunakan mikrokontroler yang dapat beroperasi bertahun-tahun dengan baterai.

3. Mekanisme Kavitasi dan Karakteristik Getarannya

Kavitasi menghasilkan tanda getaran unik yang berbeda dari ketidakseimbangan mekanis (unbalance) atau ketidaksejajaran (misalignment). Saat gelembung kavitasi meledak, mereka menghasilkan impuls energi tinggi dalam rentang frekuensi yang sangat luas, biasanya di atas 1 kHz hingga 20 kHz.

Dalam spektrum frekuensi, kavitasi sering muncul sebagai "lantai kebisingan" (noise floor) yang meningkat atau munculnya puncak energi pada frekuensi tinggi yang tidak harmonis dengan kecepatan putar motor. Deteksi dini memerlukan kemampuan untuk membedakan kebisingan operasional normal dengan gangguan spektral yang disebabkan oleh pecahnya gelembung uap tersebut.

4. Arsitektur Perangkat Keras: Memilih Mikrokontroler Berdaya Rendah

Untuk menjalankan AI di Edge, kita memerlukan mikrokontroler yang cukup kuat untuk melakukan matematika kompleks (seperti floating point operations) namun cukup hemat energi. Beberapa pilihan populer meliputi:

• ARM Cortex-M4F/M7: Seperti STM32F4 atau STM32H7. Memiliki unit pemrosesan floating point (FPU) yang mempercepat perhitungan FFT.
• ESP32: Populer karena memiliki Wi-Fi/Bluetooth terintegrasi dan dua inti pemrosesan, cocok untuk aplikasi IoT.
• Arduino Nano 33 BLE Sense: Dilengkapi dengan prosesor nRF52840 yang mendukung TensorFlow Lite for Microcontrollers.

Pemilihan perangkat keras harus mempertimbangkan SRAM untuk penyimpanan data buffer dan Flash Memory untuk menyimpan model AI yang telah dikompresi.

5. Sensor Getaran MEMS: Mata bagi Sistem AI

Akselerometer berbasis Micro-Electro-Mechanical Systems (MEMS) adalah sensor standar untuk aplikasi ini. Sensor seperti ADXL345 atau seri industri dari STMicroelectronics mampu menangkap getaran dalam tiga sumbu (X, Y, Z). Untuk kavitasi, sensor harus memiliki bandwidth yang cukup luas agar frekuensi tinggi tidak terfilter oleh keterbatasan perangkat keras sensor itu sendiri.

Koneksi antara sensor dan mikrokontroler biasanya menggunakan protokol I2C atau SPI. SPI lebih disukai untuk sampling rate tinggi karena kecepatan transfer datanya yang lebih unggul dibandingkan I2C.

6. Pemrosesan Sinyal Digital: Fast Fourier Transform (FFT)

Data getaran mentah dalam domain waktu sangat sulit diinterpretasikan oleh model AI sederhana. Oleh karena itu, kita perlu mengubahnya ke domain frekuensi menggunakan Fast Fourier Transform (FFT). FFT memecah sinyal getaran kompleks menjadi komponen-komponen frekuensi penyusunnya.

Langkah-langkah pemrosesan sinyal meliputi:

1. Windowing: Menggunakan fungsi seperti Hanning atau Hamming untuk mengurangi kebocoran spektral pada tepi frame data.
2. FFT Computation: Mengubah frame data (misalnya 1024 sampel) menjadi spektrum magnitudo.
3. Normalisasi: Menyesuaikan skala data agar konsisten sebelum dimasukkan ke model AI.

7. Pengembangan Model Edge AI: Pendekatan TinyML

TinyML adalah bidang yang memungkinkan model machine learning berjalan pada perangkat dengan sumber daya sangat terbatas. Proses pengembangannya biasanya mengikuti alur berikut:

1. Pengumpulan Data: Merekam data getaran pompa dalam kondisi normal dan kondisi kavitasi yang disengaja di laboratorium.
2. Pelatihan Model: Menggunakan framework seperti TensorFlow atau PyTorch di komputer (PC/Cloud).
3. Kompresi Model: Menggunakan teknik kuantisasi (mengubah float 32-bit menjadi integer 8-bit) untuk mengurangi ukuran model hingga 4x lipat tanpa kehilangan akurasi yang signifikan.
4. Konversi: Mengubah model menjadi format `.tflite` atau file header C++ yang dapat dikompilasi ke mikrokontroler.

8. Algoritma Deteksi Anomali: Autoencoder dan K-NN

Salah satu tantangan dalam industri adalah sulitnya mendapatkan data "kegagalan" atau kavitasi yang cukup untuk pelatihan model klasifikasi standar. Oleh karena itu, pendekatan Unsupervised Learning atau Anomaly Detection sering digunakan.

Autoencoder: Sebuah arsitektur saraf tiruan yang dilatih hanya pada data kondisi normal. Model ini belajar untuk mengonstruksi ulang inputnya. Jika model diberi input data kavitasi, kesalahan rekonstruksi (reconstruction error) akan melonjak tinggi, yang menandakan adanya anomali.

K-Nearest Neighbors (k-NN): Algoritma sederhana yang mengelompokkan data berdasarkan jarak di ruang fitur spektral. Jika data baru berada jauh dari kelompok "Normal", maka dianggap sebagai kavitasi.

9. Optimasi Memori dan Konsumsi Daya pada Mikrokontroler

Mikrokontroler memiliki RAM yang sangat terbatas (seringkali kurang dari 256KB). Strategi optimasi meliputi:

• In-place Processing: Melakukan perhitungan matematika langsung pada buffer data asli untuk menghemat ruang.
• Fixed-point Arithmetic: Menghindari perhitungan desimal (float) jika memungkinkan, karena operasi integer jauh lebih cepat pada mikrokontroler murah.
• Sleep Modes: Mengatur mikrokontroler ke mode tidur dalam interval waktu tertentu, dan hanya bangun untuk mengambil sampel data getaran selama beberapa detik.

10. Panduan Langkah-demi-Langkah Implementasi Kode

Berikut adalah kerangka konseptual implementasi dalam bahasa C++ menggunakan library TensorFlow Lite for Microcontrollers:

// 1. Inisialisasi Sensor dan Model AI
#include "model_data.h"
#include "tensorflow/lite/micro/all_ops_resolver.h"
#include "tensorflow/lite/micro/micro_interpreter.h"

// 2. Loop Utama
void loop() {
  // Ambil 1024 sampel dari akselerometer
  readAccelerometer(dataBuffer);

  // Lakukan FFT untuk mendapatkan spektrum frekuensi
  performFFT(dataBuffer, spectralBuffer);

  // Masukkan data spektrum ke input tensor model AI
  float* model_input = interpreter->input(0)->data.f;
  for (int i = 0; i < 512; i++) {
    model_input

Berbagi :