Adaptive EMA + Step Limiter ยกระดับความนิ่งของข้อมูล IoT ในโลกจริง

จากบทความ การใช้ Median Filter ในการกำจัดค่า Spike (Noise) จากเซนเซอร์

คำถามต่อไปคือ:

“ทำอย่างไรให้ข้อมูล ‘นิ่ง’ แต่ยัง ‘ตอบสนองไว’ เมื่อมีการเปลี่ยนแปลงจริง?”

นี่คือจุดที่ Adaptive EMA (Exponential Moving Average) เข้ามามีบทบาทสำคัญ

---

ปัญหาที่ Median Filter ยังแก้ไม่จบ

แม้ Median จะตัด Noise ได้ดี แต่ยังมีปัญหา:

• ค่าอุณหภูมิ "กระพริบ" เล็กน้อย (micro fluctuation)
• กราฟยังไม่เรียบ (ไม่เหมาะกับ dashboard)
• การแสดงผล real time ยังดู "ไม่นิ่งพอ"

ดังนั้นเราต้องมี Layer ที่ 2: Smoothing

---

กลไก Adaptive EMA (Exponential Moving Average)

EMA คือการถ่วงน้ำหนักข้อมูลใหม่กับค่าเดิม:

float newValue = (alpha * correctedValue) + ((1 - alpha) * emaTemp);

ความหมายของตัวแปร

• correctedValue = ค่าที่ผ่าน Median แล้ว
• emaTemp = ค่า EMA ก่อนหน้า
• alpha = ค่าความไว (0 → นิ่ง, 1 → ไวมาก)

---

แนวคิด "Adaptive" (ปรับตัวอัตโนมัติ)

หัวใจสำคัญคือ เราไม่ใช้ alpha คงที่

float alpha = (diff > changeThreshold) ? alphaFast : alphaSlow;

---

2 โหมดการทำงาน

1. โหมดนิ่ง (Stable Mode)

เมื่อ:

• อุณหภูมิเปลี่ยนเล็กน้อย
• diff <= changeThreshold

ใช้:

alpha = alphaSlow;

ผลลัพธ์:

• ค่าจะ "นิ่ง"
• ลดการสั่นของตัวเลข
• กราฟเรียบสวย

---

2. โหมดตอบสนองไว (Responsive Mode)

เมื่อ:

• มีการเปลี่ยนแปลงจริง เช่น เปิดตู้
• diff > changeThreshold

ใช้:

alpha = alphaFast;

ผลลัพธ์:

• ค่าปรับตามทันที
• ไม่ lag
• เห็นเหตุการณ์จริงแบบ realtime

---

การเลือกค่า Parameter

Parameter	ค่าแนะนำ
alphaSlow	0.05 – 0.15
alphaFast	0.4 – 0.7
changeThreshold	0.3 – 0.8 °C

หลักการ:

• alphaSlow ยิ่งต่ำ → ยิ่งนิ่ง
• alphaFast ยิ่งสูง → ยิ่งไว

---

Step Limiter: ด่านสุดท้ายของความ "เนียน"

แม้ EMA จะช่วย smoothing แล้ว แต่บางครั้งยังเกิด “jump” เล็ก ๆ เราจึงเพิ่ม Step Limiter

---

แนวคิด

จำกัดการเปลี่ยนแปลงต่อรอบ:

float delta = newValue - emaTemp;

if (delta > maxStep) delta = maxStep;
if (delta < -maxStep) delta = -maxStep;

newValue = emaTemp + delta;

---

ค่าที่แนะนำ

maxStep = 0.12; // °C ต่อรอบ

---

ผลลัพธ์

• กราฟ "ไหลลื่น" เหมือนอนาล็อก
• ไม่มีการกระโดด
• UX ดีขึ้นมาก (โดยเฉพาะ Dashboard)

---

🔗 Data Pipeline (เวอร์ชัน Production)

รวมทั้งหมดจะได้ pipeline แบบนี้:

Raw Sensor
   ↓
Median Filter
   ↓
Adaptive EMA
   ↓
Step Limiter
   ↓
Validation (Physical Check)
   ↓
MQTT → Cloud

---

เปรียบเทียบก่อน-หลัง

วิธี	ผลลัพธ์
Raw Data	Noise สูง, ใช้ไม่ได้
Median Only	ถูกต้อง แต่ยังสั่น
EMA คงที่	นิ่ง แต่ช้า
Adaptive EMA	นิ่ง + เร็ว
+ Step Limiter	เรียบเนียนระดับ Production

---

Insight จากการใช้งานจริง

จากการ deploy ในระบบจริง:

• ✔ ไม่มี False Alarm
• ✔ กราฟนิ่งระดับใช้งานทางการแพทย์
• ✔ รองรับการเปิด-ปิดตู้ถี่
• ✔ ข้อมูลเชื่อถือได้ (Data Integrity สูง)

---

บทสรุป (Key Takeaway)

"Data ที่ดี ไม่ใช่แค่ 'ถูกต้อง' แต่ต้อง 'นิ่ง' และ 'ตอบสนองทัน' พร้อมกัน"

การใช้:

• Median Filter → ตัด Noise
• Adaptive EMA → คุมความนิ่ง + ความไว
• Step Limiter → ทำให้ UX สมบูรณ์

คือสูตรที่ทำให้ระบบ IoT จาก “Prototype” กลายเป็น Production-Grade System

---

แนวคิดต่อยอด

• Kalman Filter (ระดับ advanced)
• Dynamic Threshold จากสถิติจริง
• AI-based anomaly detection
• Edge ML สำหรับพฤติกรรมอุณหภูมิ

---