在預測性維護中使用 AI

當工廠設備意外故障時，生產速度會減慢甚至停擺。時間與金錢因此流失，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企業，都能運用生成式 AI，以前所未有的準確度預測機器故障。有了這些洞察，他們便能排定維護時程、避免非計畫性停機、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？

預測性維護是一種以資料為導向的方法，可預測機械故障並主動進行維修。隨著物聯網 (IoT) 的興起，智慧工廠、鑽油平台、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，都配備了資料收集感測器，將資料傳送至 AI 演算法，以監控這些設備、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，即使設備當下看起來完全正常。透過根據基準資料評估效能，AI 工具可以即時標記效率上即使是最微小的下降，並提示團隊建立維護工單。除了更準確預測故障發生的時間外，企業也能更深入瞭解故障的根本原因。

重點精華

• 相較於較舊的資料分析技術，AI 能提供更快速、更準確的預測性維護。
• 透過使用 AI 預測機器故障和維護需求，企業可減少停機時間，同時提升效率。
• 許多全球最大型企業已在其預測性維護計畫中部署 AI 工具，並取得令人期待的成效。

預測性維護中的 AI 解析

製造商過去會根據機械生命週期預測 (包括常見故障)，來制定工廠設備維護排程。藉助 AI，製造商可以收集並分析機器資料以預測故障，免除猜測，並對個別機器和生產網路有更細緻的掌握。

他們也能即時取得維護建議，並優先修復關鍵設備。一項主要優勢：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。

為什麼預測性維護很重要？

兩個詞：減少停機時間。根據國際自動化學會的資料，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，以及仰賴第三方維持生產運作。

在如此攸關重大情況下，準確預測機器健全狀況與維護需求至關重要，才能減少停機時間。根據 2024 年 Siemens 研究，閒置生產線的成本可能會不斷累積。對於汽車領域的大型工廠而言，生產停滯每年可能造成 6.95 億美元的損失，較五年前增加了 150%。同一項研究指出，全球 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

預防性維護與預測性維護是主動監控工廠設備健康狀態的兩種方式。

透過預防性維護，企業會定期評估其機器設備，無論設備的使用頻率或負荷程度為何。他們通常會根據歷史資料及設備供應商的建議，建立以規則為基礎的維護排程。唯一的變數是距離上次評估所經過的時間長短。

雖然這種方法比單純被動因應更好，但它仰賴的是根據有限資料集所提出的廣泛建議。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，公司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 演算法會分析大量資料，包括設備溫度、震動、壓力和液位，以建立設備健全狀況與效能的詳細模型。因此，該公司能更有把握地預測故障，同時獲得更實用的建議，了解應修復的內容與時機。不同於由較不具彈性的規則所引導的預防性維護，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射出成型機的異常狀況。透過密切監控機器健康狀態與零件品質，該公司縮短維護時間，讓員工能投入開發新產品並改善營運流程。

通常，企業會使用預測性維護來監控一旦故障便可能造成嚴重停機、金錢損失、人員受傷或生命損失的機器。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較低風險設備，企業通常會持續採用預防性維護，有時也會精進監控規則，以取得更細緻的資料，進而更主動地安排維護排程。

AI 在預測性維護中的優勢

預防性維護和預測性維護是主動監控工廠設備健康狀況的兩種方式。

• 降低成本
  更準確地預測機器故障，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，延長設備的使用壽命。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來協助降低人力成本，從而減少不必要的檢查、維修和更換。
  
  一家全球製造商使用 AI 系統監控超過 10,000 部機器，包括機器人、輸送帶、落差升降機、泵浦、馬達、風扇，以及壓製 / 沖壓機器。該製造商表示節省了數百萬美元，並在部署後三個月內即實現投資報酬。
• 減少中斷
  AI 能比舊有方法更快速且更準確地預測故障，進而減少機器停機。這有助於製造商搶先因應機械問題、提高正常運作時間，並維持供應鏈順暢運行。
• 提高產量
  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高達 15%，讓生產線持續運轉。
• 提升安全性
  故障的機器可能會危及工作人員。透過掌握機械可能發生故障的時間並預先進行維修，製造商可避免讓員工暴露於危險之中，包括經常需要操作設備的服務技術人員。根據職業安全衛生署資料，美國操作和維護機械的工作者每年約有 18,000 人受傷。每年有 800 多人死亡。
• 延長設備生命週期
  透過防止過早磨損，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，並最終提高收益。
• 提升品質管制
  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，將缺陷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，便能找出產品裂痕、錯位、顏色與紋理不一致，以及其他問題。在監控扭矩時，AI 系統可追蹤扭矩值的一致性，確保螺栓與螺絲均依規格鎖緊。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 如何應用於預測性維護

AI 正在為製造、車隊管理、包裹配送、採礦、回收與能源等仰賴精密機械的產業提供預測性維護動力。企業可以建立自動化模型，以監控設備狀況、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。

• 防止停機
  AI 型預測性維護會從連網資產收集資料，包括歷史效能和即時情境資料，藉此減少代價高昂的停機。演算法即時分析資料並將報告傳送給工廠團隊，標示潛在故障的跡象，例如機器過熱或電壓波動異常。
  
  一家大型鋁製造商部署了 AI 驅動的工具，以監控冶煉廠的機器人和其他設備。工作人員至少提前兩週收到維護警示，例如鋸木機馬達因零件鬆脫而效能不佳。在每次活動期間，該公司因此避免 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，確保營運順暢。相較於舊技術，AI 演算法能更快速且更準確地辨識正常與異常狀況。這些系統會分析設備健康狀態的即時資料、找出相關模式，並預測故障，以便搶先因應停機狀況。它們也能根據即時狀況，而非預先制定的排程，協助決定維護優先順序。
• 異常偵測
  直到最近，異常偵測仍是透過規則型系統執行，這類系統使用硬式編碼的臨界值來找出機器異常並預測故障。例如，如果機器的震動超過 ISO 標準所設定的臨界值，系統就會回報異常，並可能建議進行維護。但複雜設備會產生大量資料，不僅包含振動，還包括溫度、壓力、熱度及許多其他變數，讓舊有系統更難以準確解讀資訊。
  
  相較之下，AI 系統不僅會收集和分析資料，還會在過程中從資料中學習。AI 型分析不僅只是遵循規則並標示目前的問題，還能識別效能偏差的最微弱跡象，在新興問題造成中斷之前即先行感知。
• 故障預測
  AI 會查看歷史效能和即時感測器資料，建立設備劣化的預測模型，協助企業避免機器完全故障。隨著模型吸收更多資料，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（一種機器學習）可找出舊有方法（包括人為觀察）難以察覺的關聯。一家跨國包裹配送公司使用 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、輸送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。
• 計畫性維護優先順序安排與排程
  AI 透過即時找出問題、識別優先事項並重新調整維護排程，改善計畫性維護。AI 驅動的預測性維護不再僅專注於目前問題，或根據過往資料建立排程，而是揭示若設備狀況維持不變，可能會發生的情況。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變得較沒有效率，會使用更多能源來產出相同的產量。例如，在美國，根據壓縮空氣與氣體協會的資料，效率不彰的壓縮空氣系統每年浪費 32 億美元。透過 AI 型預測性維護，製造商和其他機器操作人員可以找出設備瑕疵並安排維修，以避免或至少延緩報廢與返工的需求。Ford Motor 仰賴 AI 來最佳化各廠區的能源使用，結合 AI 與數位分身來找出浪費之處，並精準判斷消除浪費的方法。
• 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 工具檢視並分析監控機器狀況的影片。透過視覺精修演算法，影像可轉化為資訊，藉由捕捉難以偵測的異常狀況，例如細微的磨損跡象、零件未對齊、元件缺失，甚至是貨架上包裝受損等情況，來補充其他資料。影像也有助於判斷問題的根本原因，以及最有效的補救措施。

預測性維護中的 AI 範例

全球一些最大的製造商運用 AI 加強預測性機器維護，並提升正常運作時間。

一家全球汽車製造商運用 AI 檢查並維護焊接機器人，用於其工廠中。具體而言，它採用電腦視覺和深度學習來分析機器人的影像和影片，以偵測瑕疵。AI 系統會為每部機器人建議參數與設定，並在需要維護或更換時通知工作人員。該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%，該汽車製造商表示。

GE Aviation 運用 AI 預測維護需求，對象是航空公司和其他客戶使用的噴射引擎。約 44,000 台引擎內建感測器，將資料傳送至 GE 位於辛辛那提與上海的監控中心。GE 將資料與實體引擎模型和環境詳細資料結合，以在問題發生前預測維護問題。透過運用 AI，不僅提升引擎可靠性，還降低航空公司的維護成本並提升安全性。

透過 Oracle Supply Chain Management 提升正常運作時間

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，透過內嵌 AI 提升機器效能的可視性，同時減少停機時間與營運成本。

AI 在預測性維護中的常見問題

AI 在維護管理中扮演什麼角色？
AI 能比舊有技術更快速且更準確地預測設備故障並產生維護洞察。藉此，AI 可協助企業減少機器磨損與非計畫性停機時間。

AI 如何應用於維護？
企業可以使用 AI 來監控機器狀況、偵測異常、避免設備故障與停機，並排定維護的優先順序與時程。

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 驅動的預測性維護解決方案關鍵。