在預測性維護中使用 AI

當工廠設備意外故障時，生產速度會放緩，甚至完全停擺。時間與金錢都在流失，客戶的耐心也一樣。所幸，製造商、公用事業、能源生產商，以及其他仰賴重型機械的公司，可以運用生成式 AI 以前所未有的準確度預測機器故障。憑藉這些洞察，他們可以安排維護、避免非計劃性停機、延長昂貴設備的生命週期，並最終協助維持生產營運與供應鏈順暢運作。

什麼是預測性維護中的 AI？

預測性維護是一種資料驅動的方法，可預測機器故障並主動進行維修。隨著物聯網 (IoT) 的興起，智慧工廠、石油鑽井平台、風力發電場、發電站、礦場、卡車車隊及其他產業所使用的設備，皆配置了資料收集感測器，可將資料提供給 AI 演算法，以監控設備、偵測異常並排定維護優先順序。

這類系統會持續分析營運狀況，並尋找設備可能面臨故障風險的跡象，即使當下看起來運作完全正常。透過根據基準資料評估效能，AI 工具可即時標示即使是最細微的效率下降，並提示團隊建立維護工單。除了能更準確預測故障發生時間之外，企業還能更深入了解失效的根本原因。

重點精華

• 相較於較舊的資料分析技術，AI 可提供更快速、更準確的預測性維護。
• 透過運用 AI 預測機器故障和維護需求，企業能夠減少停機時間，同時提升效率。
• 多家全球最大型企業已在預測性維護方案中部署 AI 工具，並取得令人期待的成果。

預測性維護中的 AI 解析

製造商過去通常會根據機械生命週期的預測，包括常見故障，來制定工廠設備維護排程。透過 AI，製造商可以蒐集並分析機器資料來預測故障，避免憑空猜測，並對個別機器與生產網路獲得更細緻的洞察。

他們也能即時取得維護建議，並優先修復關鍵設備。一項關鍵優勢：雖然維護幾乎總是需要一些停機時間，但根據精準預測進行規劃，有助於將停機時間降至最低，並安排在最適當的時段進行。

預測性維護為何如此重要？

兩個字：減少停機時間。根據國際自動化協會的資料，工廠通常會因設備故障和其他停機原因而損失 5% 到 20% 的製造產能。總停機成本包括產量下降、報廢率提高、無效的臨時修復措施，以及仰賴第三方維持生產運作。

事關重大，因此必須準確預測機器健康狀況與維護需求，以減少停機時間。根據 2024 年 Siemens 研究，閒置生產線的成本可能累積可觀。對於汽車領域的大型工廠而言，生產停擺每年可能造成 6.95 億美元的損失，較五年前增加 150%。同一項研究指出，全球前 500 大企業因非預期停機而損失了 11% 的年度營收。

預防性維護與預測性維護

預防性維護和預測性維護是兩種主動監控工廠設備健康狀況的方式。

透過預防性維護，企業會定期評估其機械設備，無論設備使用頻率或使用程度如何。他們通常會依據歷史資料和設備供應商的建議，建立以規則為基礎的維護排程。唯一的變數是自上次評估以來經過的時間長短。

雖然這種方法優於純粹被動式的做法，但其仰賴的是以有限資料集為基礎所提出的概括性建議。例如，它可能會建議更換重要且成本高昂的元件，卻未考量可能顯示其使用壽命更長的細微因素。如同反應式維護，過度維護也可能導致可避免的停機時間與費用。

透過預測性維護，企業可運用機器感測器傳送至效能監控軟體的資料，持續評估其設備。AI 演算法會分析大量此類資料，包括設備溫度、震動、壓力和液位，以建立設備健康狀態與效能的詳細模型。因此，該公司能夠更有把握地預測故障，同時取得更實用的建議，了解應修復哪些問題以及修復時機。不同於依循較不具彈性規則的預防性維護，預測性維護會運用即時監控來動態回應，並找出預期可能發生的問題、根本原因及所需維修。

一家專精於射出成型的製造商運用預測性維護，偵測並處理其機器人與成型機的異常狀況。透過密切監控機器健全狀況與零件品質，該公司縮短了維護時間，讓員工得以投入新產品開發並改善營運流程。

企業通常會使用預測性維護來監控一旦故障便會在停機時間、金錢、人員受傷或生命方面造成重大損失的機器。例如，如果變電所停機會導致數千人斷電，公用事業公司可能會選擇投資更精細的預測性維護，並可能運用 AI 工具。對於不在關鍵路徑上的低風險設備，企業通常會維持採用預防性維護，有時會精進監控規則，以取得更細緻的資料，進而制定更主動的維護排程。

AI 在預測性維護中的優勢

預防性維護和預測性維護是監控工廠設備健康狀況的兩種主動方式。

• 降低成本
  更精準地預測機器故障，可最佳化維護排程，並減少非計畫性停機時間及相關成本。它們也能透過標示問題並建議維護措施，延長設備使用壽命。AI 演算法也能密切追蹤機器的能源消耗，偵測效率不彰之處，並建議節省成本的措施。它們甚至能透過排定維護工作的優先順序，減少不必要的檢查、維修和更換，進而協助降低人力成本。
  
  一家全球製造商使用 AI 系統監控超過 10,000 台機器，包括機器人、輸送機、落差升降機、泵浦、馬達、風扇，以及沖壓 / 壓印機。該製造商表示已節省數百萬美元，並在部署後三個月內展現投資報酬。
• 減少中斷
  AI 能比舊有方法更快速且更準確地預測故障，減少機器停機情況。這有助於製造商及早因應機械問題、提高正常運作時間，並維持供應鏈順暢運作。
• 提升產量
  根據 Deloitte 2022 年的一項研究，預測性維護 AI 工具可協助企業將勞動生產力提升 5% 至 20%。原因之一：AI 可協助將停機時間減少多達 15%，讓生產線持續運轉。
• 提升安全性
  故障的機器可能危及工作人員。透過了解機械可能故障的時間並預先進行維修，製造商可以避免讓員工身陷險境，包括經常需要操作設備的服務技術人員。根據美國職業安全衛生管理局資料，操作和維護機械的美國勞工每年約發生 18,000 起傷害事故。每年有超過 800 人死亡。
• 延長設備生命週期
  透過防止過早磨耗，AI 型資料分析工具可協助延長機械資產的使用壽命，提升製造商的正常運作時間、生產力，並最終提高營收。
• 改善品質管制
  人工品質管制作業耗時且容易發生人為錯誤。透過自動化設備檢查並提供即時回饋，AI 工具可協助提升產品品質與一致性，將瑕疵率降至最低並降低生產成本。當 AI 演算法以大量產品規格資料進行訓練時，就能找出產品裂痕、未對齊、顏色與紋理不一致，以及其他問題。在監控扭矩時，AI 系統可以追蹤扭矩值的一致性，確保螺栓和螺絲依規格鎖緊。如果扭矩值超出可接受範圍，系統會提醒製造商儘快處理問題。

AI 如何用於預測性維護

AI 正在推動製造、車隊管理、包裹配送、採礦、回收和能源等仰賴精密機械設備的產業實現預測性維護。企業可以建置自動化模型，用於監控設備狀況、偵測異常、預測設備故障與停機、排定維護優先順序與時程、最佳化能源使用，並建議修正措施。

• 停機預防
  透過從連線資產蒐集資料，包括歷史效能與即時情境資料，AI 型預測性維護可減少成本高昂的停機。演算法會即時分析資料並將報告傳送給工廠團隊，標示潛在故障跡象，例如機器過熱或電壓異常波動。
  
  一家大型鋁生產商部署了 AI 驅動的工具，用於監控冶煉廠中的機器人和其他設備。作業人員至少會提前兩週收到維護警示，例如鋸台馬達因零組件鬆脫而效能不佳。在每次事件期間，該公司因此可避免 12 小時的非預期停機時間。
• 狀態監控
  製造商必須監控設備狀態，以確保營運順暢。AI 演算法能以比舊有技術更快且更準確的速度辨識正常與異常狀況。這些系統會分析設備健全狀況的即時資料，找出相關模式，並預測故障，以便在停機發生前及早因應。它們也有助於根據即時狀況，而非預先決定的排程，判斷維護優先順序。
• 異常偵測
  直到最近，異常偵測仍是透過規則式系統來執行，這些系統使用硬式編碼的臨界值來找出機器異常狀況並預測故障。例如，如果機器的振動超過 ISO 標準所設定的臨界值，系統會回報異常狀況，並可能建議進行維護。但複雜設備會產生大量資料，不僅包括振動資料，還包括溫度、壓力、熱度以及許多其他變數，使得舊型系統更難以準確解讀資訊。
  
  相較之下，AI 系統不僅會收集並分析資料，還會在過程中從中學習。AI 分析不只是遵循規則並標記目前問題，還能識別最細微的效能偏差跡象，在問題造成中斷之前感知新興問題。
• 故障預測
  AI 會查看歷史效能和即時感測器資料，以建立設備劣化的預測模型，協助企業避免機器徹底故障。隨著模型納入更多資料，它會學習、調適，並以越來越高的準確度進行預測。用於故障預測的深度學習是一種機器學習，可找出舊有方法（包括人工觀察）難以察覺的關聯。一家跨國包裹遞送公司運用 AI 系統，預測分揀設施中 30 多種機器的故障，偵測齒輪箱故障、皮帶損壞及其他代價高昂的問題。該公司估計，該系統每年為其節省數百萬美元。
• 規劃性維護優先順序排定與排程
  AI 可即時找出問題、識別優先事項並重新調整維護排程，藉此改善規劃性維護。AI 驅動的預測性維護不僅著眼於目前問題，或根據過往資料建立排程，還能揭示在設備狀況維持不變時可能發生的情況。它也提出企業可採取的主動措施，以創造更佳成果。
• 能源最佳化
  隨著機械設備隨時間效率降低，會耗用更多能源來產生相同產出。例如，根據壓縮空氣與氣體協會的資料，在美國，效率不彰的壓縮空氣系統每年浪費 32 億美元。透過以 AI 為基礎的預測性維護，製造商和其他機器操作業者可以發現設備缺陷並安排維修，以避免或至少延後報廢與重工的需求。Ford Motor 運用 AI 最佳化其工廠的能源使用，結合 AI 與數位分身來找出浪費，並精準掌握消除浪費的方法。
• 電腦視覺
  電腦視覺技術讓電腦能夠看見。例如，製造商可以訓練 AI 工具觀看並分析用於監控機器狀況的影片。透過視覺精進演算法，影像可轉化為資訊，藉由捕捉難以偵測的異常狀況來補足其他資料，例如細微的磨損跡象、未對齊的零件、缺少的元件，甚至是貨架上受損的包裝。影像也有助於判斷問題的根本原因及最有效的補救措施。

預測性維護中的 AI 範例

全球一些大型製造商運用 AI 來強化預測性機器維護並提升正常運作時間。

全球汽車製造商運用 AI 檢查並維護焊接機器人，應用於其工廠中。具體而言，它運用電腦視覺和深度學習來分析機器人的影像和影片，以找出缺陷。AI 系統會為每個機器人建議參數和設定，並在需要維護或更換時通知作業人員。該汽車製造商表示，此解決方案可將機器人檢測時間縮短 70%，並將焊接品質提升 10%。

GE Aviation 運用 AI 預測航空公司和其他客戶所使用噴射引擎的維護需求。約有 44,000 台引擎內建感測器，將資料傳送至 GE 位於辛辛那提和上海的監控中心。GE 將資料與實體引擎模型和環境詳細資訊結合，以在問題發生前預測維護問題。除了提升引擎可靠性之外，運用 AI 也降低了航空公司的維護成本，並提升安全性。

利用 Oracle Supply Chain Management 提高運作時間

透過 Oracle Cloud Supply Chain & Manufacturing 應用程式，提升供應鏈韌性、減少中斷，並在瞬息萬變的市場環境中保持領先。使用 Oracle Fusion Cloud Maintenance 中的預測性維護工具，其內嵌 AI，可提升機器效能的可視性，同時減少停機時間和營運成本。

預測性維護中的 AI 常見問題

AI 在維護管理中扮演什麼角色？
AI 能夠預測設備故障，並比舊有技術更快速且更準確地產生維護洞察。如此一來，AI 可協助企業減少機器磨損和非計畫性停機時間。

AI 如何用於維護？
企業可運用 AI 監控機器設備狀況、偵測異常、避免設備故障與停機，並排定維護工作的優先順序與時程。

機器學習如何用於預測性維護？
機器學習演算法可以預測工廠設備何時會劣化、故障，並需要維修或更換。它們是 AI 驅動之預測性維護解決方案的關鍵。