Alat Teknik Gratis
Kalkulator Prognostik Sisa Masa Pakai (RUL)
Masukkan titik data tren, pilih model regresi, tetapkan ambang batas kegagalan, dan perkirakan sisa umur pakai dengan tingkat kepercayaan sesuai ISO 13381.
Hasil
Prognostik menurut ISO 13381-1
ISO 13381-1 mendefinisikan kerangka kerja untuk pemantauan kondisi dan prognostik mesin. Ide intinya adalah untuk melacak indikator kesehatan dari waktu ke waktu, menyesuaikan model degradasi, dan mengekstrapolasi ke ambang batas kegagalan yang telah ditentukan.
Model Regresi
Tiga model didukung untuk menyesuaikan data tren:
- Linier: y(t) = a + b·t — cocok untuk degradasi stabil dengan laju konstan
- Eksponensial: y(t) = a-eb·t — cocok untuk mempercepat degradasi (misalnya keausan bantalan)
- Polinomial (orde ke-2): y(t) = a + b·t + c·t² — cocok untuk tren non-linier dengan titik belok
Kecocokan Model — R²
Koefisien determinasi R² mengukur seberapa baik model tersebut sesuai dengan data:
- R² > 0,95 — Kecocokan sangat baik, kepercayaan tinggi pada estimasi RUL
- R² = 0,80–0,95 — Kecocokan yang baik, kepercayaan sedang
- R² < 0,80 — Kecocokan buruk, pertimbangkan model yang berbeda atau lebih banyak data.
Contoh Praktis
Diberikan: Pembacaan getaran pada hari ke-0, 30, 60, 90, 120, 150 adalah: 1,2, 1,8, 2,5, 3,4, 4,1, 5,0 mm/s. Ambang batas alarm = 7,1 mm/s.
Pencocokan linier: y = 1,14 + 0,0253·t → ambang batas pada t ≈ 236 hari → RUL ≈ 86 hari dari pengukuran terakhir.
Kurva eksponensial dapat memberikan sisa umur pakai yang lebih pendek jika degradasi semakin cepat.
⚠️ Catatan: Estimasi prognostik sangat bergantung pada kualitas data dan asumsi bahwa mekanisme degradasi tetap tidak berubah. Selalu kombinasikan dengan pertimbangan teknik dan data pemantauan kondisi tambahan.
RUL is the estimated time remaining before an asset reaches a predefined failure or alarm threshold. It is a core concept in prognostics and predictive maintenance defined by ISO 13381-1.
RUL estimation allows maintenance to be planned proactively, avoiding unexpected downtime while maximizing asset utilization.
The choice depends on the degradation pattern:
- Linear — constant-rate degradation (e.g. gradual wear, steady contamination buildup)
- Exponential — accelerating degradation (e.g. bearing spalling, fatigue crack growth)
- Polynomial — non-linear trends where rate changes (e.g. initial break-in followed by stable degradation then rapid failure)
Compare R² values to find the best fit for your data.
A minimum of 3 data points is required for any regression. For better confidence:
- Linear model: 4–5 points recommended
- Exponential: 5–6 points recommended
- Polynomial: 6+ points recommended
More data points, especially near the current operating time, improve the prediction.
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
This calculator supports multiple parameter types (vibration, temperature, wear particles, etc.), multiple regression models, quantitative goodness-of-fit assessment, and extrapolation to a user-defined threshold — providing a full prognostic analysis rather than just a visual trend.
Prosedur yang dijelaskan pada halaman ini dikembangkan dan diuji langsung di lapangan oleh tim Vibromera menggunakan Balanset-1A, sebuah balancer dua saluran portabel dan penganalisis getaran untuk penyeimbangan rotor di lokasi.
Instrumen pemantauan kondisi dan analisis getaran profesional. Memprediksi kegagalan sebelum terjadi. Digunakan di lebih dari 50 negara.
Nikolai Shelkovenko
Nikolai Shelkovenko adalah insinyur analisis getaran sekaligus pendiri dan CEO Vibromera. Selama lebih dari 15 tahun ia telah menyeimbangkan peralatan berputar langsung di lapangan, bukan di bangku uji: mulcher, kipas industri, penghancur, sentrifus, poros, dan spindel. Dari pekerjaan itulah lahir alat-alat Balanset — dirancang sebagai alat yang dapat dibawa oleh seorang spesialis ke mesin dan digunakan sendiri, di lokasi, bukan sebagai peralatan laboratorium. Vibromera didirikan pada tahun 2017 dan sejak 2023 berbasis di Porto, Portugal. Pengembangan, perakitan, dan dukungan untuk lini Balanset semuanya dilakukan di sini. Instrumen andalannya adalah Balanset-1A, penganalisis portabel untuk penyeimbangan satu dan dua bidang serta diagnostik getaran. Nikolai terlibat langsung dalam dukungan pelanggan, penanganan kasus penyeimbangan yang rumit, dan pengembangan perangkat lunak. Ia bekerja dengan pelanggan di seluruh dunia, dalam bahasa apa pun.
