什麼是預測性維護？
預測性維護會持續即時評估設備狀況，協助您將設備效能、運作時間和壽命最大化，同時將總擁有成本降至最低。
預測性維護定義
預測性維護是維護的方法，著重了解企業資產狀況。您工廠中的機器、卡車隊、工業設備，其實多年來都在與您溝通。如果能夠仔細聆聽，就可以理解機器即將故障的時間，以及其若要更長時間且更順暢運作會需要什麼。
預測性維護可讓貴公司預測設備故障，並在設備立即需要的時間和地點排程維護。其為您提供所需的資訊，以在不過度使用並避免昂貴故障的情況下，使您的資產保持最佳效能。透過連接支援物聯網的企業資產、將進階分析應用於所產生的即時資料，並使用相關洞察來制定符合成本效益且有效的維護協定，預測性維護可預防設備故障和停機時間，並延長重要資產的整體壽命期。
預測性維護為何在今日如此重要？
預測性維護非常重要，因為這會避免成本高昂和破壞性設備故障，進而節省公司時間和金錢。隨著消費者對產品可用度的需求增加，具有預測性維護計劃的組織可以不間斷生產。其結果是長源的客戶忠誠度、提高營收並改善競爭優勢。
智慧預測性維護解決方案可預測資產維護的所需時間、協助提升成本效率，並簡化複雜的企業資產管理需求。簡單來說，採用預測性維護技術可協助貴公司節省時間、金錢和程序上的難題。
預測性維護如何運作？
預測性維護可透過即時擷取和分析設備資料來運作，以在潛在問題導致設備故障前進行預測。
此流程的第一步便是從傳輸設備條件資訊的網路 IoT 感應器收集即時資料和資訊。接著必須儲存和管理這些資料，以便能隨時存取、處理和分析。當人工智慧（AI）和機器學習技術套用至資料以呈現實用且可據以行動的內容時，「預測性」元件便會開始運作，
預測性維護架構和工業物聯網（IIoT）網路有四個基本階段：
預測性維護程序
- 從感測器收集可監控振動、溫度、濕度、壓力、噪音等機器特性的資料
- 即時將網路中的資料傳輸至中央企業系統
- 將 AI 和機器學習分析等智慧技術應用於該資料，掌握實用且適宜的洞察
- 透過自動化回應或透過人為介入來根據這些洞察快速採取行動
使用預測性維護技術
條件監控
透過將機器和軟體整合為智慧物聯網網路的網路實體系統，實現預測性維護。若要建立這類網路，請先識別需要監控的資產條件。
識別資產條件所需的分析可以是視覺、聽覺、熱上的，或通常是這些標準的結合。此時重點在於決定所要安裝的正確感測器和監控工具：
振動分析：振動模式的小幅變化可能代表不平衡或失調，而高振度可能顯示軸承問題即將出現。振動分析可提前警告故障，對偵測不平衡、不協調、機械鬆弛或穿戴或受損零件等特別有幫助。
聲音和超音波分析：在正常運作下，多數系統會形成穩定的聲音模式。參考聲音模式若有變化，可能代表磨損或其他類型的惡化。而超音波分析也可以將高頻聲音（如蒸氣或空氣洩漏產生的聲音）轉換成聽力範圍，藉此提供整體系統健康的資訊。
紅外線分析：同超音波分析，熱力學也會利用紅外線分析將溫度變化轉化為可見光譜來揭開隱藏的訊息。即使是正常操作溫度時發生的細微變化，也可能是有問題將發生的警訊。
流體分析：除了單純監測液位水平和溫度之外，流體的物理和化學分析可以給出有關機械元件狀況的寶貴資訊。透過偵測冷卻劑和潤滑劑的降低率，便可在這些洞察擔保下立即採取預防步驟。
其他：其他預測性維修技術則專門針對各種獨特的工業需求，這些包括：雷射對準、電路監測、破裂檢測、故障檢測、腐蝕監測、電阻變化等行業特定測量腐蝕或劣化的方法。
關鍵預測性維護技術
建立上述準則後，必須透過雲端連線的物聯網網路，將適當的感測器和監視器安裝並連接至最常見的企業資源規劃（ERP）系統。最後，必須建立 AI 驅動的解決方案才能分析資料，並從收集的資料中提供可據以行動的洞察和建議。
IoT 網路：當企業資產已透過感測器、處理能力和其他技術進行擴增時，通常可以透過雲端連線能力，從中央企業系統傳送和接收資料。這包含 IoT 網路，且支援預測性維護策略。
IoT 閘道：許多舊資產仍運作完善，但它們的類比技術早於數位整合。這些機器可以安裝物聯網閘道設備，包括相機、麥克風和溫度計，以收集和傳輸操作狀態的即時資料。
雲端連線：雲端連線提供電腦系統資源的隨選可用性。在由多個工業資產組成的物聯網網路中，將多地點的資料中心整合為單一資料庫和系統十分重要。
現代資料庫和 ERP：舊式磁碟式資料庫無法妥善管理包含大數據和複雜資料集的大量與非線性資料。此外，預測性維護會採用 AI 和機器學習來執行這些資料的進階分析。這個流程最好使用現代 AI 支援的 ERP，並具備快速、回應式且幾乎可無限擴展的記憶體式資料庫。
AI 和機器學習：機器學習是 AI 的子集，運用演算法分析和剖析資料。預測性維護解決方案取決於 AI 和機器學習，不僅能針對企業資產的營運資料進行排序、了解和學習，更可產生可據以行動的建議和洞察。
進階分析：AI 和機器學習會強化進階分析。經理必須決定待評估的屬性和條件，以及所需的分析結果。如此，提供進階分析的演算法就可盡可能規劃得具洞察力及可行動性，並隨時間從資料和新體驗中汲取經驗。
數位分身：數位分身會將實際實體資產虛擬再造。透過建立數位分身，經理可以透過分身瀏覽任何可能的營運情境，期間完全不需冒任何昂貴機器或裝置的實際損壞的風險。藉由機器學習和 AI 工具，您可吸收並學習從未發生過的體驗，藉此加強預測性維護。
預測性維護 vs. 預防性維護
這些維護模型的差異不在於維護工作細項執行的方式，而是何時。
預防維護：維護是從過去成效以及工程師和營運人員的知識和經驗所得來的。其包含例行、定期、計劃或以時間為基礎的維護。即使這種方式經常能防止故障，但可能會不夠精確，而導致維護成本昂貴，或在維護程序中產生未注意到的劣勢。預防維護發生在預先設置的時間，且通常提前很長一段時間。
預測性維護：當物聯網（IoT）網路將所有企業資產整合至即時生態體系時，便可進行維護。即時傳輸和分析資料的能力代表即時資產狀況監控（而非行事曆）會成為維護協定的基礎。預測性維護會在具體需要的時間及地點即時進行。
其他資產維護技術
被動維護
因應設備突然中斷或故障而執行的維護。此維護類型通常是未計劃，且可能導致停機時間和成本增加。
修復維護
執行維護以修復設備的瑕疵或故障。此維護類型通常會在發現問題後進行，並可協助避免發生進一步的問題。
指示維護
維護作業取決於製造商對特定設備的建議或指導原則。此維護類型是以製造商規定的維護工作排程為基礎。
條件式維護
根據設備條件執行維護，而非預先決定的排程。此維護類型會使用監控和檢驗來決定需要介入的時機。雖然這有助於減少不必要的維護工作，並將停機時間降至最低，但條件式維護高度手動且耗時。
以可靠性為中心的維護方法
根據設備可靠性和重要性排列工作優先順序的維護。此方法著重於識別最重要的維護工作，以最大化設備的可靠性和效率。
資產維護的演進
下列圖表（改編自 Deloitte）顯示整個工業革命的技術能力進度，以及對維護策略和設備效能的影響。
預測性維護實際範例
石油和天然氣產業：石油開採需投入巨大資產，且出現故障時可能會帶來極大的風險和危險。透過監控油溫和鑽井設備變速箱的速度，預測性維護大大改善了安全狀況，並使維護成本降低了 38%。
汽車產業：點焊槍每天會在生產線上執行約 15,000 顆點狀焊接。汽車製造商透過連結世界各地的焊接槍和收集其營運資料，收集數百萬個資料點，進而產生這些資產狀況和狀態前所未有的預測準確度。
家用電器製造：對烘乾機生產中的滾筒旋轉進行振動測量，有助於預測故障或損壞。這項預測性維護應用已減少 33% 的製造瑕疵，並降低了 27% 的消費者維護成本。
鐵路資產管理：軌道下的空白區域擴展會使「間隙」產生，導致潛在延遲甚至脫軌。近期的創新讓奠基於機艙的系統，能在滾過鐵路時監控出許多變數，這改善了間隙偵測，也使客戶安全性全面上升。
鋼鐵工業：使用異常檢測來收集鋼鐵加工中所用冷軋設備中的振動、旋轉速度和電流（安培）的即時讀數。此應用已改善 60% 的設備壽命期，並大幅降低因停機和延遲造成的損失。
預測性維護計劃的效益
許多產業在建立預測性維護系統後取得亮眼成績。Deloitte 的 2022 年 報告引用許多可量化的改善。其中包括減少高達 15% 的停機時間、增加 20% 的勞動生產力，以及減少庫存量 30%，減少對庫存備用零件的需求。
借助 AI 和整合 ERP 等技術，企業正展現預測性維護解決方案在實際運作上的效益。包括了：
提升整體營運的能見度：透過提升現場資產和其他非現場設備的能見度，OEM 和第三方服務供應商可以提供更周全的服務，並創造更高的價值。
降低維護成本並改善資產效能：透過將停機時間降至最低，預測性維護可節省您的成本，並協助您在延長其使用壽命的同時更充分利用現有資產。
更強大的團隊：運用資料科學和即時分析，您的資產營運商、服務供應商和供應鏈經理可以從消防員轉變為規劃者和策略家。
克服常見的預測性維護挑戰
本節重點介紹常見的預測性維護挑戰，並探索克服這些挑戰的策略。
資料品質和可用性：預測性維護高度仰賴高品質和充足的歷史資料。資料品質不足或資料不足可能會導致預測不正確。為協助確保資料品質，最佳實務為建立由主要利益關係人支援的資料管理方案。
物聯網連線能力：設定互連的物聯網網路，需要具備感應器的智慧設備和邊緣裝置，可連線至資料湖泊並以一般檔案格式傳輸資料。著重於簡化連線情境，以便連線至任何物聯網資料來源，而不會發生問題。
IoT 裝置管理：管理 IoT 網路裝置需要著重於裝置安全性，以將網路攻擊的漏洞降至最低。同時，您希望促進跨裝置的互通性，並視需要擴大規模。為了達到正確的平衡，最好採用支援內建進階裝置管理和強大連線能力的現代化資產績效管理解決方案。
資料整合：整合各種來源的資料（例如 IoT 感測器、舊系統和維護記錄）可能複雜且耗時。透過預先建立連接器全方位程式庫，尋找功能強大的企業級整合平台，以支援您的資料整合需求。
感測器資料複雜性：物聯網感測器資料可能難以理解，通常需要專業的資料知識，對可靠性工程師構成障礙。尋找資產績效管理解決方案，從而提取資料精華，讓非技術對象了解及操作資料。
演算法選擇：選擇適合預測性維護的演算法是成功的關鍵。請務必小心評估特定使用案例和資料特性，以便針對您的機器和業務需求選擇最合適的演算法。
維護策略整合：建置預測性維護需要整合至現有的維護策略和工作流程。抵抗變革和組織慣性可能會阻礙成功建置。要牢固樹立領導能力、取得高層支持、明確溝通、進行專業變革管理，才能取得圓滿成功。
如何透過三個簡單的步驟建置預測性維護方案
- 定義目標並決定範圍：首先識別每項資產適合的監控條件。例如，紅外線熱成像最好用在可能洩漏空氣或蒸汽的設備上，而振動分析最好用在旋轉設備上，但不會用在旋轉速度慢的設備（小於5 rpm）。油品分析和聲學分析比較適合慢速旋轉設備。此外，請確保判斷您的工作範圍。例如，您是否會監控特定、個別資產或追求更全面性的涵蓋範圍？
- 安裝適當的 IoT 感測器：根據最適合每個受監控資產的分析類型來安裝 IoT 感測器，然後開始收集資料。確保這些感測器能夠連線至資料處理系統（例如通常整合至資產績效管理解決方案），進而降低成本、時間和人為錯誤。
- 設定協定：為有效因應異常偵測，設定協定以確保資產有效修復並符合運作目標。這些協定可自動化、手動或混合兩者。
透過預測性維護解決方案推動供應鏈轉型
儘管許多企業已將其他業務領域現代化，但幾十年來仍未改變資產維護策略。要改變長期下來的流程很具挑戰性，且難以獲得團隊的認同。最成功的企業轉型計劃始於良好的溝通與變革管理策略，以協助您的團隊參與並打破資訊孤島。請聯繫您的軟體供應商，瞭解哪些工具和解決方案能滿足您的獨特需求，並帶您踏上產品規劃藍圖和數位轉型之旅。
