Memahami Analisis Wavelet
Analisis Wavelet adalah teknik pemrosesan sinyal tingkat lanjut yang digunakan untuk menganalisis getaran sinyal yang kandungan frekuensinya berubah seiring waktu. Berbeda dengan metode tradisional Transformasi Fourier Cepat (FFT), yang paling cocok untuk sinyal stasioner dengan kandungan frekuensi konstan, analisis wavelet secara efektif mampu mendeteksi peristiwa transien, guncangan, dan perilaku non-stasioner lainnya. Ini merupakan alat khusus dalam diagnostik getaran paket alat — digunakan tepat ketika standar spektrum falls short.
Cara kerjanya adalah dengan memecah sinyal menjadi sekumpulan fungsi dasar yang disebut “wavelet.” Setiap wavelet adalah paket gelombang pendek yang berosilasi dan bersifat lokal baik dalam waktu maupun frekuensi. Lokalisasi ganda ini — yang mencakup kedua aspek tersebut apa frequency and kapan — itulah yang menjadikan metode ini begitu ampuh.
1. Definisi: Apa itu Analisis Wavelet?
Most everyday analisis getaran mengasumsikan bahwa mesin beroperasi pada kecepatan dan beban yang stabil, sehingga getarannya bersifat “stasioner” dan dapat digambarkan dengan baik oleh satu spektrum. Namun, banyak dari gangguan yang paling mencolok sama sekali tidak bersifat stabil: gangguan tersebut berupa ledakan energi singkat yang muncul dan menghilang dalam satu putaran. Analisis wavelet dirancang khusus untuk sinyal-sinyal semacam ini. Alih-alih hanya menanyakan frekuensi mana saja yang terdapat di seluruh rekaman, analisis ini menggeser wavelet dengan ukuran berbeda-beda sepanjang bentuk gelombang waktu, dengan mengukur seberapa kuat masing-masing gelombang kecil tersebut sesuai dengan sinyal pada setiap saat; gelombang kecil yang pendek dan berfrekuensi tinggi dapat mengidentifikasi perubahan mendadak dalam waktu; sedangkan gelombang kecil yang panjang dan berfrekuensi rendah dapat mengidentifikasi komponen-komponen yang bergerak lambat dalam frekuensi.
2. Analisis Wavelet vs. FFT
Untuk memahami nilai analisis wavelet, akan sangat membantu jika kita melihat keterbatasan FFT:
- FFT (Transformasi Fourier Cepat): FFT memberi tahu Anda apa frekuensi-frekuensi tersebut memang ada, tetapi tidak memberikan informasi mengenai kapan ketika peristiwa tersebut terjadi. Sistem ini menganalisis seluruh data secara bersamaan, sehingga memberikan hasil yang sangat baik frekuensi resolusi spasial tetapi tanpa resolusi waktu.
- Analisis Wavelet: Analisis wavelet memberikan informasi mengenai frekuensi apa saja yang ada serta kapan frekuensi tersebut muncul. Analisis ini menghasilkan peta “waktu-frekuensi” dari sinyal, yang menunjukkan bagaimana kandungan spektralnya berubah selama pengukuran.
Bayangkan sebuah sinyal yang mengandung bunyi “klik” pendek akibat gigi roda gigi yang retak. Analisis FFT mungkin hanya menunjukkan sedikit peningkatan energi pita lebar, karena bunyi klik tersebut dirata-ratakan sepanjang rekaman. Sebaliknya, analisis wavelet menghasilkan grafik yang dengan jelas menunjukkan lonjakan energi frekuensi tinggi tepat pada saat bunyi klik itu terjadi. Inilah keunggulan praktisnya: analisis ini mempertahankan waktu terjadinya peristiwa yang justru terhaluskan oleh FFT. Hal ini secara esensinya sangat mirip dengan analisis pesanan, yang juga membahas sinyal-sinyal di mana model frekuensi tetap yang sederhana tidak lagi berlaku.
3. Skalogram: Peta Waktu-Frekuensi
Keluaran yang paling umum dari analisis wavelet adalah skalogram (atau grafik waktu-frekuensi serupa) — peta warna dua dimensi di mana:
- Sumbu X melambangkan waktu.
- Sumbu Y mewakili frekuensi (atau skala).
- Warna tersebut melambangkan amplitudo atau energi getaran pada waktu dan frekuensi tertentu tersebut.
Visualisasi ini memudahkan pengenalan peristiwa sesaat yang biasanya tersembunyi dalam spektrum standar. Garis vertikal berwarna “cerah” pada scalogram, misalnya, menandai peristiwa pita lebar seperti benturan yang terjadi pada satu titik waktu tertentu — jejak visual dari sesar lokal yang berulang. Secara konseptual, scalogram melengkapi tampilan canggih lainnya seperti plot air terjun, yang memantau bagaimana spektrum berubah sepanjang serangkaian rata-rata atau kecepatan berturut-turut.
4. Aplikasi dalam Diagnostik Getaran
Analisis wavelet biasanya tidak digunakan untuk keperluan rutin pemantauan getarantetapi merupakan alat yang ampuh untuk diagnostik tingkat lanjut dalam situasi tertentu:
- Analisis Gearbox: sangat efektif dalam mendeteksi kerusakan lokal seperti gigi yang retak atau patah, yang menimbulkan getaran khas sekali setiap putaran.
- Cacat Bantalan Analisa: mampu mendeteksi dampak-dampak individual yang disebabkan oleh elemen rol yang melintas di atas sebuah spall, terutama pada mesin berkecepatan sangat rendah di mana sistem konvensional analisis amplop bisa jadi menantang.
- Peristiwa Sementara Analisa: sangat cocok untuk sinyal dari proses penyalaan, pematian mesin, atau proses apa pun di mana karakteristik kecepatan dan getaran terus berubah.
- Analisis Struktural: berguna untuk menganalisis respons suatu struktur terhadap benturan — sebuah uji benturan — untuk memahami hal tersebut pembasahan dan frekuensi alami.
5. Penerapan Praktis dan Keterbatasan
Analisis wavelet membutuhkan daya komputasi yang lebih besar daripada FFT, dan menafsirkan scalogram memerlukan pengalaman yang lebih banyak daripada membaca spektrum garis. Karena alasan-alasan ini, analisis wavelet digunakan sebagai pelengkap, bukan pengganti, teknik-teknik yang umum digunakan sehari-hari. Pemecahan masalah sehari-hari masih mengandalkan spektrum FFT, tingkat keseluruhan, dan analisis amplop; wavelet digunakan ketika alat-alat tersebut mendeteksi sesuatu yang tidak biasa tetapi tidak dapat menentukan lokasinya secara tepat. Di lapangan, data itu sendiri dikumpulkan dengan alat portabel — sebuah penganalisis dua saluran seperti Keseimbangan-1a merekam bentuk gelombang waktu berkualitas tinggi, yang diambil dari bantalan mesin itu sendiri pada kecepatan operasional, yang menjadi dasar bagi setiap studi waktu-frekuensi selanjutnya. Perangkat lunak komputer modern telah menjadikan analisis wavelet sebagai sumber daya yang mudah diakses dan berharga bagi analis tingkat lanjut yang menangani sinyal-sinyal kompleks dan non-stasioner.
