如何維持降低保養(yǎng)成本與增加機(jī)具生產(chǎn)率的平衡成為業(yè)者重要議題。而預(yù)測性維護(hù)的導(dǎo)入，一方面可避免危險(xiǎn)性跳機(jī)，同時(shí)可以使停機(jī)時(shí)間縮短，將誤判跳機(jī)降至最低，進(jìn)一步拉抬公司的資產(chǎn)報(bào)酬率（ROA）。

對於資產(chǎn)敏感度高的產(chǎn)業(yè)而言，預(yù)測性維護(hù)的出現(xiàn)無疑帶來革命性的改變。以石化產(chǎn)業(yè)而言，壓縮機(jī)是石化製程中最關(guān)鍵的設(shè)備，石化廠壓縮機(jī)跳機(jī)損失動輒以數(shù)千萬元起跳，而氣體的可壓縮性造成跳機(jī)時(shí)危險(xiǎn)性相對較高，因此傳統(tǒng)作法為繁複檢查設(shè)備狀況；但是，若機(jī)具狀態(tài)並未出現(xiàn)異常就因?yàn)槎ㄆ谂懦潭M(jìn)行保養(yǎng)，亦會造成保養(yǎng)成本的增加以及機(jī)具生產(chǎn)率的下降。

如何維持降低保養(yǎng)成本與增加機(jī)具生產(chǎn)率的平衡成為業(yè)者重要議題。而預(yù)測性維護(hù)的導(dǎo)入，一方面可避免危險(xiǎn)性跳機(jī)，同時(shí)可以使停機(jī)時(shí)間縮短，將誤判跳機(jī)降至最低，提高生產(chǎn)效能與工安環(huán)境，進(jìn)一步拉抬公司的資產(chǎn)報(bào)酬率（ROA）。

圖1 : 預(yù)測性維護(hù)的導(dǎo)入，一方面可避免危險(xiǎn)性跳機(jī)，同時(shí)可以使停機(jī)時(shí)間縮短，將誤判跳機(jī)降至最低，進(jìn)一步拉抬公司的資產(chǎn)報(bào)酬率（ROA）。

專案規(guī)模化面臨多重考驗(yàn)待克服

傳統(tǒng)企業(yè)所使用的為計(jì)畫性維護(hù)（schedule-based maintenance；SCM），其重點(diǎn)在於減少故障並最終替換本來可以使用更長時(shí)間的機(jī)器，其重心在於計(jì)算折舊年限與最大使用率，這種物盡其用的方式雖然符合成本考量，但歷經(jīng)長久使用的機(jī)器卻因容易出現(xiàn)停機(jī)風(fēng)險(xiǎn)，而導(dǎo)致更大的成本代價(jià)，因此需要更換維護(hù)方式。當(dāng)然，預(yù)測性維護(hù)對企業(yè)而言確實(shí)有相當(dāng)吸引力，不過在導(dǎo)入時(shí)遭遇的挑戰(zhàn)也不少，根據(jù)麥肯錫的全球調(diào)查指出，業(yè)者在將預(yù)測性維護(hù)規(guī)模化時(shí)常見的問題如下：

*廠內(nèi)感測器數(shù)量不足導(dǎo)致資料量不足或難以取得，加上資料品質(zhì)不高，導(dǎo)致分析結(jié)果不佳

*IT系統(tǒng)過度老舊，傳統(tǒng)架構(gòu)無法應(yīng)對新的算力與算法需求，使用者介面不易操作，降低運(yùn)作效率

*在PdM專案中沒有設(shè)定階段性任務(wù)，難以定義預(yù)測性維護(hù)的優(yōu)先順序，不知道從哪種設(shè)備的維護(hù)開始，造成資源錯置

*缺乏資料科學(xué)人才，或是資料科學(xué)人才對領(lǐng)域知識不熟，無法建立出符合需求的預(yù)測模型

*經(jīng)濟(jì)報(bào)酬率不高，由於情境確認(rèn)、資料分析到每一次模型部署上線，企業(yè)內(nèi)部就需花費(fèi)大量的時(shí)間溝通，而等到模型上線後，又因?yàn)槭褂们榫承枨蟾淖儯踔潦侨找嬖鲩L的資料而讓模型執(zhí)行環(huán)境變得不堪使用。

*規(guī)模化時(shí)容易遇到「模型數(shù)量暴增」、「機(jī)器學(xué)習(xí)團(tuán)隊(duì)溝通協(xié)作不易」，和「模型準(zhǔn)確率隨時(shí)間下降」。一個模型開發(fā)時(shí)程可能需要一年，維護(hù)校正時(shí)間需要半年，如果同時(shí)超過1,000個模型要維護(hù)，對企業(yè)負(fù)擔(dān)非常龐大

建立不同層級的預(yù)測性維護(hù)有助於釐清業(yè)者需求

上述問題還僅是訪談中整理出最容易出現(xiàn)的狀況，實(shí)際上在執(zhí)行專案過程中可能還有成千上萬的問題要克服，企業(yè)在執(zhí)行PdM規(guī)模化專案時(shí)，需用系統(tǒng)化、有層次的方式進(jìn)行。

由於PdM的範(fàn)圍涵蓋全公司所有機(jī)器設(shè)備，因此將PdM按照技術(shù)複雜度、執(zhí)行成本，以及覆蓋範(fàn)圍分成不同階段有助於專案推行。多數(shù)的預(yù)測性維護(hù)上處於1.0至3.0的階段，大型電子製造業(yè)、汽車產(chǎn)業(yè)、自動化工業(yè)都已經(jīng)具備3.0的水準(zhǔn)；傳統(tǒng)產(chǎn)業(yè)如紡織、化工與食品則處於1.0至2.0階段；許多中小型企業(yè)還在1.0努力掙扎，甚至佈局被預(yù)測性維護(hù)的條件。

至於4.0的案例則相當(dāng)稀少，原因在於4.0需要成熟的領(lǐng)域知識、人才、技術(shù)模型與完整的資料結(jié)構(gòu)，因此僅發(fā)生在單一產(chǎn)線與特定應(yīng)用情境中，距離實(shí)際規(guī)模化仍有相當(dāng)大的差距。不過，在分析過歸納成功案例時(shí)，仍然可以統(tǒng)整出下列做法。

從國際業(yè)者案例整理成功專案共通處

此外，若觀看西門子、Bosch、富士通、戴姆勒等大型業(yè)者，可發(fā)現(xiàn)這些業(yè)者在導(dǎo)入大型預(yù)測性維護(hù)專案時(shí)，可發(fā)現(xiàn)下列共通點(diǎn)。

一、大量投入資料科技

未來的工業(yè)市場的規(guī)則，將來自於對於資料或資訊的掌握，其中最主要的關(guān)鍵來自於由於無所不在的物聯(lián)網(wǎng)裝置所產(chǎn)生的資料、與其分析或所產(chǎn)生的價(jià)值。各種物聯(lián)網(wǎng)的垂直應(yīng)用都牽涉到端、網(wǎng)、雲(yún)、系統(tǒng)整合，雖然其中的關(guān)鍵技術(shù)方向大致一致，然而其中細(xì)部的需求會依據(jù)各種垂直應(yīng)用情境而有所不同，如感測元件，可區(qū)分為健康感測與環(huán)境感測，其規(guī)格需求明顯大不相同。

這些業(yè)者大量投入在資料科技應(yīng)用，如演算法必須應(yīng)用於多個機(jī)械設(shè)備上，機(jī)械設(shè)備資產(chǎn)會和多個邊緣裝置相連結(jié)，邊緣裝置再連結(jié)到基於雲(yún)端、機(jī)房、或兩者並行的IT/OT系統(tǒng)，串連出完整的資料流。

二、使用先進(jìn)故障排除法

在資產(chǎn)設(shè)備維護(hù)中，常見的使用方法有事件觸發(fā)型維護(hù)法（Condition-based Maintenance；CBM）與先進(jìn)故障排除法（Advance Troubleshooting Method；ats）。兩者差異在於資料的使用方式。事件觸發(fā)型維護(hù)法通常從資料中找出原先設(shè)定的停機(jī)/資產(chǎn)受損狀況，在處理例行性問題時(shí)相當(dāng)有效，但遇到突發(fā)狀況時(shí)反而無法反應(yīng)，常用在中低價(jià)工具機(jī)檢測。

而先進(jìn)故障排除法善用歸因分析找出問題，效率較事件觸發(fā)型維護(hù)法高，但由於偵測突發(fā)狀況時(shí)需要工程師立即修復(fù)，因此公司必須提早準(zhǔn)備好各種零件，考驗(yàn)公司採購反應(yīng)與物流配送能力，否則很容易提前預(yù)知問題卻缺乏對應(yīng)零組件維修，通常用於高單價(jià)設(shè)備，如雷射切割機(jī)、飛機(jī)引擎等。

圖2 : 預(yù)測性維護(hù)採集的資料點(diǎn)越多、資料的價(jià)值越大、模型越精密，則橫向整合的能力越強(qiáng)。（source: pexels）

三、建立完整的預(yù)測性維護(hù)夥伴關(guān)係

預(yù)測性維護(hù)採集的資料點(diǎn)越多、資料的價(jià)值越大、模型越精密，則橫向整合的能力越強(qiáng)，因此，許多企業(yè)紛紛強(qiáng)化預(yù)測性維護(hù)模型的開發(fā)。但是，越複雜的技術(shù)越需要大量資源支持，以建模而言，機(jī)器學(xué)習(xí)「建模」流程可以分成資料取得、資料預(yù)處理（資料清理、特徵工程）、模型最佳化（參數(shù)最佳化與結(jié)構(gòu)最佳化）、到模型實(shí)際部署（進(jìn)行預(yù)測與模型解釋），這些流程耗費(fèi)大量時(shí)間與資金，因此難以由公司內(nèi)部人力單獨(dú)完成，因此，身為資料的使用者，這些製造業(yè)者通常仰賴下述幾種角色協(xié)助。

1.資料應(yīng)用服務(wù)業(yè)者

所需擁有的能力包括資料收集（從資料供應(yīng)端取得連結(jié)與存取，並將多個資料源做初步結(jié)合）、準(zhǔn)備（彙整多個資料供應(yīng)端到單一資料集並做最佳化處理）、分析（從資料萃取出知識）、視覺化（提供統(tǒng)計(jì)圖表來反應(yīng)分析結(jié)果以有效溝通知識）、存取（資料儲存與存取管理）等各種因應(yīng)資料加值應(yīng)用服務(wù)開發(fā)所需的資料加值應(yīng)用能力。

2.資料應(yīng)用工具提供商

隨著資料加值應(yīng)用發(fā)展的蓬勃與複雜，開始有專業(yè)分工之需求，因此資料生態(tài)系已逐漸發(fā)展出各種因應(yīng)加值應(yīng)用需求所衍生的資料應(yīng)用工具開發(fā)商，包括資料平臺建置、資料分析服務(wù)、資料交易仲介、資料視覺化呈現(xiàn)。

3.機(jī)器學(xué)模型服務(wù)商

近年來低程式碼（Low-code）與無程式碼（No-code）的興起大幅降低建立分析模型的成本，這些所謂的AutoML技術(shù)目前已在科技業(yè)逐漸往其他產(chǎn)業(yè)擴(kuò)張，由於許多產(chǎn)業(yè)人士對AI掌握度不高，提供AutoML服務(wù)業(yè)者（如AWS、Google、SAS）有效解決該問題，透過建模過程中自行寫程式碼、分析各種方法論的作業(yè)時(shí)間，即便領(lǐng)域?qū)＜也痪哔Y料科學(xué)相關(guān)背景，也能根據(jù)使用情境應(yīng)用機(jī)器學(xué)習(xí)模型。這種把資料科學(xué)工程外包的方法開始受許多製造業(yè)者歡迎。

在不同合作夥伴的分工與協(xié)作下，業(yè)者甚至可以進(jìn)一步發(fā)展出預(yù)測性平臺商業(yè)模式，建立打有彈性、可擴(kuò)充，以及可互通性的生態(tài)圈，進(jìn)行跨產(chǎn)業(yè)、跨領(lǐng)域、跨系統(tǒng)的預(yù)測性維護(hù)服務(wù)，串連技術(shù)與產(chǎn)業(yè)的供需兩方，發(fā)展維護(hù)資料交易服務(wù)，資料交易與流通已成創(chuàng)新應(yīng)用開發(fā)成功與否的重要關(guān)鍵，如何建構(gòu)具公信力且交易機(jī)制可行之資料市集服務(wù)營運(yùn)模式，創(chuàng)造出另一個全新服務(wù)模式，讓單一企業(yè)功能服務(wù)化，替業(yè)者帶來第二金流。

（本文作者為產(chǎn)業(yè)分析師）