Lihat langsung di produk
Lihat bagaimana OpexMX membaca spektrum getaran, mengklasifikasikan setiap mesin ke zona ISO 20816, memeriksa frekuensi kerusakan bearing, dan membuka work order lengkap dengan buktinya.
Lokasi fitur: Pemantauan Kondisi pada bilah navigasi samping (bagian Wawasan): Ringkasan, Kotak masuk peringatan, Hasil, Model & Evaluasi, Pemantauan Getaran, Prediksi Tren, Pemilihan Aset Pilot, Kualitas Data.

Pernah mengalami situasi seperti ini?
- "Kenapa motor itu terbakar? Tidak ada tanda-tanda sebelumnya."
- "Bearing kami ganti sesuai jadwal tetap. Sebagian masih bagus, sebagian rusak lebih cepat."
- "PLC sudah menyimpan banyak data. Masa tidak bisa dimanfaatkan?"
Pemantauan Kondisi mengolah data yang sudah dihasilkan mesin Anda (suhu, getaran, tekanan, arus, kecepatan) menjadi skor kesehatan per aset, peringatan yang terkumpul di satu kotak masuk, prakiraan kapan suatu nilai akan melewati batasnya, dan estimasi sisa umur pakai. Setiap peringatan bisa dijadikan tiket, dan setiap perbaikan yang selesai bisa diberi label, sehingga Anda bisa mengukur seberapa cocok prediksi dengan kerusakan yang benar-benar terjadi.
Sumber Data
Data masuk sebagai nilai parameter aset. Sumbernya:
| Sumber | Penggunaan umum |
|---|---|
| Edge connector OpexFlow | PLC, SCADA, CNC, dan sensor IoT melalui Modbus, OPC-UA, EtherNet/IP, MQTT, MTConnect, atau Fanuc FOCAS, dikirim per batch |
| Vibration edge | Sensor getaran pada mesin berputar mengirim probabilitas kerusakan dan spektrum FFT untuk setiap jendela pengukuran |
| Gateway Anda sendiri | Mengirim data ke API OpexMX dengan API key konektor |
| Input manual | Ronda operator dan pembacaan meter yang diketik di web atau aplikasi Field |
Cara pemasangan, format payload, dan batasannya ada di Integrasi dengan Mesin. Setiap data melewati pemeriksaan kualitas sebelum disimpan (lihat Kualitas Data di bawah).
Skor Kesehatan
Setiap aset mendapat skor 0 sampai 100, sehingga mesin yang perlu perhatian muncul paling atas. Skor ini menggabungkan faktor-faktor berikut:
| Faktor | Bobot dasar | Yang dinilai |
|---|---|---|
| Degradasi parameter | 40% | Seberapa jauh pembacaan saat ini bergeser dari baseline tiap parameter |
| Riwayat kerusakan | 25% | Jumlah kerusakan dalam 30 dan 90 hari terakhir |
| Kepatuhan PM | 20% | PM yang terlambat |
| Umur aset | 15% | Usia aset; skor mulai turun tajam sekitar 10 tahun |
| Kesehatan getaran | 25% | Zona ISO 20816 dan probabilitas kerusakan dari model, hanya untuk aset yang punya sensor getaran |
Bobot dihitung ulang sesuai faktor yang benar-benar dimiliki aset, jadi aset tanpa sensor getaran dinilai dari empat faktor pertama saja. Halaman aset menampilkan skor dan bobot setiap faktor.
Skor dihitung ulang setiap hari pukul 06.00 UTC (13.00 WIB), beberapa menit setelah data mesin baru masuk (paling sering sekali per 10 menit per aset), dan seketika saat peringatan getaran terbuka. Recalculate All menjalankan perhitungan penuh. Tombol ini ada di dasbor pemeliharaan prediktif (/predictive/maintenance di alamat OpexMX Anda), yang juga memuat tab Anomalies, Predictions, Alarms, Regimes, RUL, Baselines, Recommendations, Cost Model, dan Part Supply.
Peringatan dan Kotak Masuk Peringatan
Beberapa detektor berjalan pada data yang sama, dan temuannya masuk ke Kotak masuk peringatan:
| Sumber di kotak masuk | Pemicunya |
|---|---|
| Vibration (SE-CNN) | Model getaran melaporkan kerusakan pada sejumlah jendela berturut-turut (bawaan 3, diatur per sensor) |
| Vibration (FFT) | Spektrum mencapai zona D ISO 20816, atau menunjukkan frekuensi kerusakan yang ditandai atau zona C pada sejumlah jendela berturut-turut yang sama |
| Threshold crossing | Tren suatu parameter diproyeksikan akan melewati batasnya |
| Multivariate (PCA) | Parameter tidak lagi bergerak bersama seperti biasanya untuk tipe aset tersebut, meski masing-masing masih dalam batasnya |
| Model drift | Input model PCA bergeser dalam 7 hari terakhir |
Peringatan prediktif dikelompokkan menjadi insiden alarm: duplikat untuk aset dan jenis peringatan yang sama pada hari yang sama digabung, setiap aset paling banyak memunculkan 5 insiden baru per hari (bawaan), dan peringatan selama jendela PM terencana ditunda (shelved) agar tidak mengganggu siapa pun.
Dari kotak masuk, Anda bisa mengakui (acknowledge) atau menyelesaikan peringatan serta membuat atau membuka tiketnya; tab Alarms di dasbor pemeliharaan prediktif juga bisa menunda (shelve) atau mengeskalasi insiden. Saat menyelesaikan, Anda diminta memilih disposisi: true positive, false positive, degraded, atau sensor issue. True positive menjadi label pelatihan; false positive dan sensor issue tidak dipakai.
Sensor getaran otomatis membuat tiket saat memunculkan peringatan (bisa dimatikan per sensor). Jika aset sudah punya tiket terbuka, peringatan ditautkan ke tiket itu, bukan membuat tiket baru.
Untuk batas tetap yang langsung membuka tiket ("suhu bearing di atas 85 °C selama 10 menit"), gunakan aturan parameter di ticket rules pada Sistem Tiket: operator pembanding (>, <, >=, <=, =, !=), nilai ambang, durasi opsional selama kondisi harus bertahan, dan cooldown. Batas yang sama dipakai sebagai ambang di Prediksi Tren.
Prediksi Tren
Prediksi Tren menjawab "kapan parameter ini akan melewati batasnya?" untuk setiap sinyal yang dipantau, lalu mengelompokkannya menjadi Critical, Watch, dan Nominal (72 jam atau lebih, atau sedang idle).
Tersedia lima metode statistik, masing-masing cocok untuk pola berbeda:
| Metode | Cocok untuk |
|---|---|
| Regresi linear | Keausan yang stabil, misalnya suhu bearing yang naik perlahan |
| Holt's double exponential | Degradasi yang makin cepat |
| EMA dengan laju perubahan | Sinyal yang berisik (noisy) |
| Bollinger bands | Peringatan dini saat nilai keluar dari pita normalnya |
| Holt-Winters | Pola musiman atau siklik, misalnya beban yang mengikuti shift |
Prakiraan memakai rata-rata harian. Sinyal dengan riwayat kurang dari 14 hari ditandai belum cukup data dan tidak memunculkan peringatan, dan prakiraan tidak pernah melihat ke depan lebih jauh dari panjang riwayat di belakangnya. Tanpa batas yang diatur di ticket rule, tren tetap digambar tetapi waktu menuju ambang tidak ditampilkan.
Sisa Umur Pakai (RUL)
RUL diestimasi dengan dua cara:
- Weibull, di-fit per kelas aset dari riwayat kerusakan, dengan PM yang selesai dihitung sebagai suspensi (unit yang sudah diservis sebelum rusak). Penggabungan per kelas membuat armada kecil tetap bisa dianalisis, jadi anggap angka per kelas sebagai indikasi.
- Tren, dari proyeksi waktu melewati ambang pada parameter satu aset.
Jika running-state gate diterapkan (enforce), umur dihitung dalam jam jalan, bukan jam kalender, lalu dikonversi kembali ke hari berdasarkan utilisasi aset belakangan ini. Perhitungan Weibull dan proportional hazards memakai @opexcg/reliability, pustaka keandalan open-source (Apache-2.0) milik kami.
Halaman Kondisi Aset
Klik aset mana pun di Ringkasan atau kotak masuk untuk melihat dalam satu halaman: sensor getaran beserta versi model yang dipakai dan spektrum FFT terakhir, parameter penyumbang utama dari anomali PCA yang aktif, timeline regime operasi (idle sampai beban puncak, termasuk startup), RUL, faktor skor kesehatan, tiket terbuka, dan riwayat label kerusakan.
Rekomendasi dan Model Biaya
Untuk setiap aset yang punya estimasi RUL, OpexMX menilai tiga tindakan (PM terencana, ganti, terus pantau) berdasarkan perkiraan biaya total: downtime, tenaga kerja, suku cadang, dan biaya percepatan, dikalikan dengan probabilitas kerusakan. Rekomendasi teratas per aset tampil di tab Recommendations pada dasbor pemeliharaan prediktif, dan work order bisa dibuat langsung dari sana.
Biaya diambil dari model biaya global (biaya downtime per jam, tarif tenaga kerja, biaya percepatan, tambahan biaya pengadaan suku cadang, durasi downtime PM dan kerusakan bawaan, ketidakpastian tarif) dengan override per aset, sementara Part Supply mencatat stok, harga satuan, dan lead time vendor untuk suku cadang yang dibutuhkan setiap perbaikan.
Hasil: Apakah Prediksinya Terbukti?
Hasil menampilkan tiket korektif yang sudah selesai dan menunggu label kerusakan ISO 14224 (mode kerusakan dan kode terkait). Label ini menjadi acuan kebenaran untuk:
- Riwayat kerusakan RUL dan Weibull
- Data pelatihan model getaran
- Backtest yang mengukur akurasi detektor
Beberapa menit pelabelan setiap minggu adalah yang membuat semua angka di halaman ini bisa dipercaya.
Model & Evaluasi
| Tab | Fungsinya |
|---|---|
| ML models | Versi model getaran (SE-CNN), training run, dan dataset; aktifkan model kandidat atau pensiunkan model |
| PCA models | Model multivariat per tipe aset dan regime operasi, dilatih ulang setiap hari; Retrain dan Scan now menjalankannya sesuai kebutuhan |
| Backtest | Memutar ulang detektor ambang dan PCA atas kerusakan yang sudah dilabeli, bulan per bulan, dengan pelatihan hanya memakai data sebelum bulan tersebut, lalu melaporkan precision, recall, dan median waktu peringatan sebelum kerusakan. Dijalankan sesuai kebutuhan; ekspor ke PDF atau CSV |
| Tuning | Usulan perubahan ambang berdasarkan backtest terakhir, untuk diterapkan atau ditolak |
Pemilihan Aset Pilot
Menerapkan pemeliharaan prediktif ke semua aset sekaligus jarang berhasil. Pemilihan Aset Pilot mengurutkan kandidat berdasarkan matriks kritikalitas, riwayat bad actor (30 hari sampai 1 tahun terakhir), dan skor kesehatan, menampilkan grafik Pareto bad actor, dan menyimpan daftar aset pilot pilihan Anda. Daftarnya bisa diekspor ke CSV.
Kualitas Data
Setiap data melewati pemeriksaan sinyal sebelum disimpan. Data yang gagal dikarantina beserta alasannya, bukan dibuang atau diubah diam-diam, misalnya unknown_tag, unit_mismatch, out_of_range, timestamp_future, text_in_numeric, atau bad_quality.
| Tab | Gunakan untuk |
|---|---|
| Overview | Laporan kualitas data per mesin |
| Quarantine | Meninjau data yang ditolak, lalu melepas atau membuangnya |
| Rollout | Mengatur tiap jalur masuk data: off, shadow (hanya dicatat), atau enforce |
| Running state | Memeriksa gate running/idle dan konflik antara status dan sinyal |
| Feature store | Baris fitur aset harian, build dan backfill |
| Engines | Melihat alasan suatu engine idle untuk aset tertentu (misalnya riwayat belum cukup) |
Tenant baru memulai dengan semua jalur pada mode enforce. Input manual yang gagal pemeriksaan langsung ditolak beserta alasannya, sehingga orang yang mengetik bisa memperbaikinya saat itu juga.
Yang Berjalan Otomatis
Job harian (06.00 UTC) menjalankan seluruh rangkaian: running-state gate, skor kesehatan, deteksi anomali (z-score dengan deteksi pergeseran lambat), kurva dan peringatan degradasi, regime operasi, pelatihan dan pemindaian PCA, RUL, konsolidasi alarm, model drift, perbandingan baseline, rekomendasi biaya, usulan ambang, pemicu dataset dan pelatihan ulang ML, serta pemeriksaan sensor yang berhenti mengirim. Setiap langkah mencatat statusnya sendiri, sehingga langkah yang gagal atau tidak punya pekerjaan terlihat di tab Engines, bukan hanya di log.
Siapa Bisa Melakukan Apa
| Izin | Mengizinkan |
|---|---|
predictive.read | Membuka halaman Pemantauan Kondisi |
predictive.alert.manage | Mengakui, menyelesaikan, menunda, dan mengeskalasi peringatan dan insiden |
predictive.trigger.manage | Menjalankan pemindaian dan pelatihan model, mengelola sensor getaran dan model ML, mengubah rollout dan karantina kualitas data |
predictive.health.recalculate | Menjalankan Recalculate All pada skor kesehatan |
predictive.pilot.manage | Mengubah matriks kritikalitas dan daftar aset pilot |
predictive.iot.ingest | Mengirim data mesin melalui API (dimiliki oleh pengguna pemilik API key konektor) |
Secara bawaan, hanya Admin yang memiliki semuanya. Supervisor dan Engineer memiliki predictive.iot.ingest agar bisa menjadi pemilik key konektor. Berikan predictive.read dan izin lainnya per peran di Manajemen Pengguna.
Langkah Awal
- Pilih 5 sampai 10 aset pilot di Pemilihan Aset Pilot: kritis, sering rusak, dan sudah punya sensor
- Hubungkan datanya melalui OpexFlow, vibration edge, atau API, lalu petakan tag ke parameter aset
- Atur batas parameter utama sebagai ticket rule, mulai dari nilai OEM
- Periksa Kualitas Data setelah hari pertama, lalu perbaiki satuan dan tag yang belum terpetakan
- Tangani Kotak masuk peringatan setiap hari dan selesaikan setiap peringatan dengan disposisi yang jujur
- Beri label tiket korektif yang selesai di Hasil setiap minggu
- Jalankan backtest setelah beberapa bulan pelabelan, lalu terapkan usulan tuning yang Anda setujui
Tips
- Durasi pada aturan ditambah cooldown memangkas sebagian besar alarm palsu dari lonjakan sesaat, misalnya saat mesin baru menyala
- Prakiraan tren butuh riwayat minimal 14 hari; jangan menilai sinyal baru dari minggu pertamanya
- Skor kesehatan yang turun tanpa peringatan biasanya berarti PM terlambat atau kerusakan baru-baru ini: buka rincian faktornya sebelum mengirim teknisi ke mesin
- Tandai kerusakan sensor sebagai Sensor issue, bukan False positive, agar angka akurasi model tetap bermakna
Untuk Agen AI
Agen yang terhubung melalui server MCP bisa membaca skor kesehatan, anomali, prediksi kerusakan, RUL, regime, insiden alarm, peringatan getaran, dan ringkasan backtest, serta meminta penjelasan peringatan dalam bahasa sederhana (explain_alert).
Terkait
- Integrasi dengan Mesin: hubungkan PLC, sensor, dan gateway
- Rekayasa Keandalan: bad actor, Weibull, FMEA, RCM, dan analisis akar masalah
- Sistem Tiket: ticket rule parameter dan tiket yang dibuat dari peringatan
- Pemeliharaan Preventif: kepatuhan PM memengaruhi skor kesehatan, dan jendela PM menunda alarm
- Manajemen Aset: parameter aset dan kritikalitas
- Notifikasi WhatsApp & Email: dapatkan peringatan di luar aplikasi