ابزار مهندسی رایگان
ماشین حساب پیش بینی عمر مفید باقی مانده (RUL)
نقاط داده روند را وارد کنید، یک مدل رگرسیون انتخاب کنید، یک آستانه خرابی تعیین کنید و عمر مفید باقی مانده را با سطح اطمینان مطابق با ISO 13381 تخمین بزنید.
نتایج
پیشبینی بر اساس ISO 13381-1
استاندارد ISO 13381-1 چارچوبی برای پایش وضعیت و پیشبینی ماشینآلات تعریف میکند. ایده اصلی، ردیابی یک شاخص سلامت در طول زمان، برازش یک مدل تخریب و برونیابی تا یک آستانه خرابی از پیش تعریفشده است.
مدلهای رگرسیون
سه مدل برای برازش دادههای روند پشتیبانی میشوند:
- خطی: y(t) = a + b·t — مناسب برای تخریب پایدار و با نرخ ثابت
- نمایی: y(t) = a·eb·t - مناسب برای تسریع تخریب (مثلاً سایش یاتاقان)
- چندجملهای (مرتبه دوم): y(t) = a + b·t + c·t² — مناسب برای روندهای غیرخطی با نقطه عطف
خوبی برازش — R²
ضریب تعیین R² میزان برازش مدل با دادهها را اندازهگیری میکند:
- R² > 0.95 — برازش عالی، اطمینان بالا به تخمین RUL
- R² = 0.80–0.95 — برازش خوب، اطمینان متوسط
- R² < 0.80 — برازش ضعیف، مدل متفاوت یا دادههای بیشتری را در نظر بگیرید
مثال عملی
با توجه به: مقادیر ارتعاش در روزهای ۰، ۳۰، ۶۰، ۹۰، ۱۲۰ و ۱۵۰ بهترتیب برابرند با: 1.2، 1.8، 2.5، 3.4، 4.1 و 5.0 mm/s. آستانه هشدار = 7.1 mm/s.
برازش خطی: y = 1.14 + 0.0253·t → آستانه در t ≈ 236 روز → RUL ≈ 86 روز از آخرین اندازهگیری.
اگر تخریب در حال شتاب گرفتن باشد، برازش نمایی ممکن است RUL کوتاهتری ارائه دهد.
⚠️ توجه: برآوردهای پیشبینی بهشدت به کیفیت دادهها و این فرض وابستهاند که مکانیزم تخریب بدون تغییر باقی بماند. همیشه آن را با قضاوت مهندسی و دادههای تکمیلی پایش وضعیت ترکیب کنید.
RUL زمان باقیماندهی تخمینی پیش از آن است که یک دارایی به آستانهی از پیش تعیینشدهی خرابی یا هشدار برسد. این مفهوم هستهی پیشآگهی (prognostics) و نگهداری و تعمیرات پیشبینانه است که در ISO 13381-1 تعریف شده است.
تخمین RUL امکان برنامهریزی پیشگیرانهی نگهداری را میدهد، از توقفهای ناگهانی جلوگیری میکند و بهرهبرداری از دارایی را بیشینه میسازد.
انتخاب به الگوی تخریب بستگی دارد:
- خطی — تخریب با نرخ ثابت (مثلاً سایش تدریجی، تجمع پیوستهی آلودگی)
- نمایی — تخریب شتابان (مثلاً پوستهشدن یاتاقان، رشد ترک خستگی)
- چندجملهای — روندهای غیرخطی که نرخ در آنها تغییر میکند (مثلاً جا افتادن اولیه و سپس تخریب پایدار و بعد خرابی سریع)
مقادیر R² را مقایسه کنید تا بهترین برازش دادههایتان را بیابید.
برای هر رگرسیون حداقل 3 نقطهی داده لازم است. برای اطمینان بهتر:
- مدل خطی: 4–5 نقطه توصیه میشود
- نمایی: 5–6 نقطه توصیه میشود
- چندجملهای: 6+ نقطه توصیه میشود
نقاط دادهی بیشتر، بهویژه نزدیک زمان کارکرد فعلی، پیشبینی را بهبود میدهند.
Confidence is derived from the R² (coefficient of determination) of the fitted model:
- High (R² ≥ 0.95) — Model fits data very well, RUL estimate is reliable
- Moderate (R² 0.80–0.95) — Reasonable fit, use with caution
- Low (R² < 0.80) — Poor fit, consider a different model or more data points
این ماشینحساب از انواع پارامترها (ارتعاش، دما، ذرات سایش و غیره)، مدلهای رگرسیون متعدد، ارزیابی کمّی نیکویی برازش و برونیابی تا آستانهی تعریفشده توسط کاربر پشتیبانی میکند — و بهجای یک روند بصری صرف، تحلیل پیشآگهی کامل ارائه میدهد.
روشهای شرح دادهشده در این صفحه توسط تیم Vibromera و با استفاده از Balanset-1A توسعه یافته و در محل آزمایش شدهاند؛ این دستگاه یک بالانسر دو کاناله و آنالایزر ارتعاش قابلحمل برای بالانس کردن روتور در محل است.
ابزارهای حرفهای پایش وضعیت و تحلیل ارتعاش. پیشبینی خرابیها قبل از وقوع. مورد استفاده در بیش از ۵۰ کشور.
Nikolai Shelkovenko
Nikolai Shelkovenko مهندس تحلیل ارتعاشات و بنیانگذار و مدیرعامل Vibromera است. او بیش از 15 سال است که تجهیزات دوار را در محل کار بالانس میکند، نه روی میز آزمایش: مالچرها، فنهای صنعتی، سنگشکنها، سانتریفیوژها، شفتها و اسپیندلها. دستگاههای Balanset دقیقاً از دل همین کار بیرون آمدند — آنها بهعنوان ابزاری طراحی شدند که متخصص بتواند آن را تا کنار ماشین ببرد و بهتنهایی، در محل، از آن استفاده کند، نه بهعنوان تجهیزات آزمایشگاهی. Vibromera در سال 2017 تأسیس شد و از سال 2023 در پورتوی پرتغال مستقر است. توسعه، مونتاژ و پشتیبانی خط Balanset همگی همینجا انجام میشود. دستگاه شاخص، Balanset-1A است؛ یک آنالایزر قابل حمل برای بالانس تکصفحهای و دوصفحهای و برای تشخیص ارتعاش. Nikolai شخصاً در پشتیبانی مشتریان، در حل موارد دشوار بالانس و در توسعه نرمافزار مشارکت دارد. او با مشتریان در سراسر جهان و به هر زبانی کار میکند.