Apa itu Prognosis? Prediksi Sisa Umur • Penyeimbang portabel, penganalisis getaran "Balanset" untuk penghancur penyeimbang dinamis, kipas, mulcher, auger pada mesin pemanen, poros, sentrifus, turbin, dan banyak rotor lainnya. Apa itu Prognosis? Prediksi Sisa Umur • Penyeimbang portabel, penganalisis getaran "Balanset" untuk penghancur penyeimbang dinamis, kipas, mulcher, auger pada mesin pemanen, poros, sentrifus, turbin, dan banyak rotor lainnya.

Apa itu Prognosis? Prediksi Sisa Hidup

Diterbitkan oleh admin pada

Memahami Prognosis dalam Pemeliharaan Prediktif

Definisi: Apa itu Prognosis?

Prognosa (juga disebut estimasi sisa masa pakai atau prediksi kegagalan) adalah proses memperkirakan berapa banyak waktu yang tersisa sebelum kesalahan yang terdeteksi akan menyebabkan kegagalan fungsional atau memerlukan intervensi. Prognosisnya adalah sebagai berikut: deteksi kesalahan (mengidentifikasi adanya masalah) dan diagnosa (mengidentifikasi apa masalahnya), menjawab pertanyaan kritis “Kapan kita harus bertindak?” melalui analisis getaran tren perkembangan, karakteristik jenis kesalahan, dan kondisi pengoperasian peralatan.

Prognosis yang akurat adalah apa yang membuat pemeliharaan prediktif benar-benar prediktif—memungkinkan penjadwalan pemeliharaan pada waktu yang optimal (tidak terlalu dini, membuang sisa umur, atau terlalu terlambat, berisiko gagal), pengadaan suku cadang jangka panjang, alokasi sumber daya, dan koordinasi penjadwalan produksi.

Metode Prognostik

1. Ekstrapolasi Tren

Metode yang paling umum dan praktis:

  • Plot data getaran historis vs. waktu
  • Sesuaikan garis tren (linier, eksponensial, dll.)
  • Ekstrapolasi untuk memprediksi kapan alarm atau ambang batas kegagalan terlampaui
  • Perbarui prediksi dengan setiap pengukuran baru
  • Akurasi: Sedang (dengan asumsi tren berlanjut)
  • Persyaratan: Riwayat tren yang memadai (minimal 6+ titik data)

2. Model Berbasis Fisika

  • Gunakan pemahaman tentang fisika kegagalan (pertumbuhan retak, perambatan spall)
  • Model memprediksi perkembangan berdasarkan stres, siklus, lingkungan
  • Contoh: Hukum Paris untuk pertumbuhan retak, perhitungan umur bantalan L10
  • Akurasi: Baik jika parameter model diketahui
  • Persyaratan: Peralatan terperinci dan data operasi

3. Berbasis Pengalaman (Data Historis)

  • Berdasarkan kegagalan peralatan serupa di masa lalu
  • Tingkat perkembangan khas dari sejarah
  • Hubungan empiris (tingkat getaran → waktu kegagalan)
  • Akurasi: Adil, peralatan khusus
  • Persyaratan: Basis data kegagalan historis

4. Pembelajaran Statistik/Mesin

  • Melatih algoritma pada data perkembangan historis
  • Pengenalan pola dari banyak kasus serupa
  • Prediksi probabilistik
  • Akurasi: Bisa sangat baik dengan data yang cukup
  • Persyaratan: Dataset besar, sumber daya komputasi

Faktor-Faktor yang Mempengaruhi Akurasi Prognosis

Kualitas Data Tren

  • Lebih banyak titik data → definisi tren yang lebih baik
  • Pengukuran yang konsisten → tren yang andal
  • Riwayat yang memadai (minimal bulan)
  • Data bersih (outlier teridentifikasi)

Karakteristik Perkembangan Kesalahan

  • Perkembangan yang Dapat Diprediksi: Lebih mudah untuk diprediksi (keausan bantalan secara bertahap)
  • Mempercepat Kemajuan: Lebih keras (pertumbuhan spall bantalan eksponensial)
  • Perkembangan yang Tidak Menentu: Sulit (longgar, gosokan berkala)
  • Kegagalan Mendadak: Tidak dapat diprediksi (retak poros akibat retakan)

Stabilitas Kondisi Operasional

  • Kondisi stabil → prediksi yang andal
  • Beban/kecepatan variabel → prediksi kurang pasti
  • Perubahan proses dapat mempercepat atau memperlambat perkembangan

Estimasi Sisa Umur Bermanfaat (RUL)

Definisi

  • Waktu dari kondisi saat ini hingga ambang kegagalan atau intervensi
  • Dinyatakan dalam jam operasional, hari, atau waktu kalender
  • Diperbarui terus menerus saat data baru dikumpulkan

Interval Kepercayaan

  • RUL adalah estimasi dengan ketidakpastian
  • Ekspresikan sebagai rentang (30-90 hari dengan keyakinan 90%)
  • Ketidakpastian berkurang seiring mendekatnya kegagalan (lebih banyak data)
  • Perkiraan konservatif untuk peralatan penting

Contoh

  • Cacat bantalan terdeteksi pada amplitudo amplop 2g
  • Perkembangan historis: 2g → 10g (tingkat alarm) dalam 60 hari tipikal
  • Tingkat saat ini: meningkat 0,5g per minggu
  • Prediksi: Tingkat alarm dalam ~10 minggu
  • Rekomendasi: Jadwalkan pemeliharaan dalam 6-8 minggu

Aplikasi

Penjadwalan Pemeliharaan

  • Rencanakan penghentian saat RUL menunjukkan waktu optimal
  • Berkoordinasi dengan jadwal produksi
  • Perbaikan kelompok untuk meminimalkan waktu henti
  • Hindari intervensi yang terlalu dini dan terlambat

Manajemen Suku Cadang

  • Pesan suku cadang dengan waktu tunggu yang sesuai
  • Hindari biaya percepatan
  • Mengurangi persyaratan stok pengaman
  • Penyediaan tepat waktu berdasarkan prognosis

Alokasi Sumber Daya

  • Prioritaskan di antara beberapa mesin yang mengalami degradasi
  • Alokasikan sumber daya yang terbatas untuk kebutuhan yang paling mendesak
  • Rencanakan penugasan tenaga kerja
  • Pementasan alat dan perlengkapan

Tantangan dan Keterbatasan

Ketidakpastian Prediksi

  • Perkembangan kesalahan tidak dapat diprediksi secara sempurna
  • Kondisi pengoperasian dapat berubah
  • Percepatan tak terduga mungkin terjadi
  • Selalu pertahankan margin keamanan

Persyaratan Data

  • Perlu riwayat tren yang memadai
  • Pada awal perkembangan kesalahan, prediksi kurang pasti
  • Meningkat seiring dengan semakin banyaknya data yang terkumpul

Berbagai Mode Kegagalan

  • Memprediksi satu mode sementara mode lain menyebabkan kegagalan
  • Pemantauan yang komprehensif membantu
  • Harus mempertimbangkan semua mekanisme degradasi aktif

Meningkatkan Akurasi Prognostik

Tingkatkan Frekuensi Pengukuran

  • Lebih banyak titik data → definisi tren yang lebih baik
  • Deteksi akselerasi lebih awal
  • Mengurangi ketidakpastian prediksi

Beberapa Parameter

  • Analisis getaran + suhu + oli
  • Indikator yang menguatkan meningkatkan kepercayaan diri
  • Parameter yang berbeda mungkin memiliki waktu tunggu yang berbeda

Pembaruan Berkelanjutan

  • Revisi prognosis dengan setiap pengukuran baru
  • Jangan bergantung pada satu prediksi awal
  • Beradaptasi dengan tingkat perkembangan aktual

Prognosis adalah elemen prediktif yang membedakan pemeliharaan prediktif sejati dari pemantauan kondisi sederhana. Dengan memperkirakan sisa masa pakai dan jangka waktu kegagalan berdasarkan data tren dan pemahaman perkembangan kerusakan, prognosis memungkinkan waktu pemeliharaan optimal yang memaksimalkan pemanfaatan peralatan sekaligus menjaga keandalan—tujuan akhir dari strategi pemeliharaan berbasis kondisi.

← Kembali ke Indeks Utama

Kategori:
WhatsApp