如何维持降低保养成本与增加机具生产率的平衡成为业者重要议题。而预测性维护的导入，一方面可避免危险性跳机，同时可以使停机时间缩短，将误判跳机降至最低，进一步拉抬公司的资产报酬率（ROA）。


对于资产敏感度高的产业而言，预测性维护的出现无疑带来革命性的改变。以石化产业而言，压缩机是石化制程中最关键的设备，石化厂压缩机跳机损失动辄以数千万元起跳，而气体的可压缩性造成跳机时危险性相对较高，因此传统作法为繁复检查设备状况；但是，若机具状态并未出现异常就因为定期排程而进行保养，亦会造成保养成本的增加以及机具生产率的下降。


如何维持降低保养成本与增加机具生产率的平衡成为业者重要议题。而预测性维护的导入，一方面可避免危险性跳机，同时可以使停机时间缩短，将误判跳机降至最低，提高生产效能与工安环境，进一步拉抬公司的资产报酬率（ROA）。



图1 : 预测性维护的导入，一方面可避免危险性跳机，同时可以使停机时间缩短，将误判跳机降至最低，进一步拉抬公司的资产报酬率（ROA）。
图1 : 预测性维护的导入，一方面可避免危险性跳机，同时可以使停机时间缩短，将误判跳机降至最低，进一步拉抬公司的资产报酬率（ROA）。

专案规模化面临多重考验待克服

传统企业所使用的为计画性维护（schedule-based maintenance；SCM），其重点在于减少故障并最终替换本来可以使用更长时间的机器，其重心在于计算折旧年限与最大使用率，这种物盡其用的方式虽然符合成本考量，但歷经长久使用的机器却因容易出现停机风险，而导致更大的成本代价，因此需要更换维护方式。当然，预测性维护对企业而言确实有相当吸引力，不过在导入时遭遇的挑战也不少，根据麦肯锡的全球调查指出，业者在将预测性维护规模化时常见的问题如下：


*厂内感测器数量不足导致资料量不足或难以取得，加上资料品质不高，导致分析结果不佳


*IT系统过度老旧，传统架构无法应对新的算力与算法需求，使用者介面不易操作，降低运作效率


*在PdM专案中沒有设定阶段性任务，难以定义预测性维护的优先顺序，不知道从哪种设备的维护开始，造成资源错置


*缺乏资料科学人才，或是资料科学人才对领域知识不熟，无法建立出符合需求的预测模型


*经济报酬率不高，由于情境确认、资料分析到每一次模型部署上缐，企业内部就需花费大量的时间沟通，而等到模型上缐后，又因为使用情境需求改变，甚至是日益增长的资料而让模型执行环境变得不堪使用。


*规模化时容易遇到「模型数量暴增」、「机器学习团队沟通协作不易」，和「模型准确率随时间下降」。一个模型开发时程可能需要一年，维护校正时间需要半年，如果同时超过1,000个模型要维护，对企业负担非常庞大


建立不同层级的预测性维护有助于釐清业者需求

上述问题还仅是访谈中整理出最容易出现的状况，实际上在执行专案过程中可能还有成千上万的问题要克服，企业在执行PdM规模化专案时，需用系统化、有层次的方式进行。


由于PdM的范围涵盖全公司所有机器设备，因此将PdM按照技术复杂度、执行成本，以及覆盖范围分成不同阶段有助于专案推行。多数的预测性维护上处于1.0至3.0的阶段，大型电子制造业、汽车产业、自动化工业都已经具备3.0的水准；传统产业如纺织、化工与食品则处于1.0至2.0阶段；许多中小型企业还在1.0努力挣扎，甚至佈局被预测性维护的条件。


至于4.0的案例则相当稀少，原因在于4.0需要成熟的领域知识、人才、技术模型与完整的资料结构，因此仅发生在单一产缐与特定应用情境中，距离实际规模化仍有相当大的差距。不过，在分析过归纳成功案例时，仍然可以统整出下列做法。


表1：PdM成功案例要素归纳（source：作者整理）

作法

说明

1

在不同设备资产中找出类似资料特徵，便于快速建立与复制机器学习模型，并可透过资料共享找出可行做法。

2

从大量停机应用案例中进行归因分析，并找出停机带来的冲击范围与潜在成本，分类出低频-高冲击，与高频-低冲击之情境。

3

提高感测器种类与部署数量，由于感测器的成本随着技术成熟逐渐降低，企业考虑在不同设备中导入更多数量/更多样性感测器。

4

善用外部资服业者、顾问的能力，许多国际业者已有导入大型PdM专案的经验。

从国际业者案例整理成功专案共通处

此外，若观看西门子、Bosch、富士通、戴姆勒等大型业者，可发现这些业者在导入大型预测性维护专案时，可发现下列共通点。


一、大量投入资料科技

未来的工业市场的规则，将来自于对于资料或资讯的掌握，其中最主要的关键来自于由于无所不在的物联网装置所产生的资料、与其分析或所产生的价值。各种物联网的垂直应用都牵涉到端、网、云、系统整合，虽然其中的关键技术方向大致一致，然而其中细部的需求会依据各种垂直应用情境而有所不同，如感测元件，可区分为健康感测与环境感测，其规格需求明显大不相同。


这些业者大量投入在资料科技应用，如演算法必须应用于多个机械设备上，机械设备资产会和多个边缘装置相连结，边缘装置再连结到基于云端、机房、或两者并行的IT/OT系统，串连出完整的资料流。


表2：导入资料科技必要要素（source：作者整理）

项目

说明

愿景
  • 建立端到端（End to End）的预测维护系统，持续预测出可能非预期停机因素，达成资产可用性最大化与检测成本最小化。

领域知识
  • 工作流程自动化、设备状态即时管理、重大状况示警。
  • 以AR/数位分身工具协助员工设备检测。
  • 设备远端监测与预测性维护，打破疫情下地域团队派驻维修限制。

驱动因子
  • 预测性维护工作流程设计。
  • 预测性维护资料处理与底层架构设计。
  • 建立预测性维护数位文化。

PdM执行法复杂度
  • 有些软体为随插即用型，但可能无法符合特定产业问题需求，另些软体虽然符合需求，但操作复杂度高，且维护成本不低，需仔细评估。
  • 云端平台选择相当关键，採用何种云端系统（混合云、公有云、私有云）的部署牵涉到专案的复杂程度。

外部支援
  • 从软体导入到资料流处理，有外部团队支援较完整。例如资料流程的自动化可能必须根据业务逻辑来规划不同的资料处理流程。
  • 寻找可扩充、低成本、透明的资料处理软体。

商业模式
  • 软体分为订阅制与授权，业者须考虑採用合作模式对自己效益最大

二、使用先进故障排除法

在资产设备维护中，常见的使用方法有事件触发型维护法（Condition-based Maintenance；CBM）与先进故障排除法（Advance Troubleshooting Method；ats）。两者差异在于资料的使用方式。事件触发型维护法通常从资料中找出原先设定的停机/资产受损状况，在处理例行性问题时相当有效，但遇到突发状况时反而无法反应，常用在中低价工具机检测。


而先进故障排除法善用归因分析找出问题，效率较事件触发型维护法高，但由于侦测突发状况时需要工程师立即修復，因此公司必须提早准备好各种零件，考验公司採购反应与物流配送能力，否则很容易提前预知问题却缺乏对应零组件维修，通常用于高单价设备，如雷射切割机、飞机引擎等。



图2 : 预测性维护採集的资料点越多、资料的价值越大、模型越精密，则横向整合的能力越强。（source: pexels）
图2 : 预测性维护採集的资料点越多、资料的价值越大、模型越精密，则横向整合的能力越强。（source: pexels）

三、建立完整的预测性维护伙伴关系

预测性维护採集的资料点越多、资料的价值越大、模型越精密，则横向整合的能力越强，因此，许多企业纷纷强化预测性维护模型的开发。但是，越复杂的技术越需要大量资源支持，以建模而言，机器学习「建模」流程可以分成资料取得、资料预处理（资料清理、特徵工程）、模型最佳化（参数最佳化与结构最佳化）、到模型实际部署（进行预测与模型解释），这些流程耗费大量时间与资金，因此难以由公司内部人力单独完成，因此，身为资料的使用者，这些制造业者通常仰赖下述几种角色协助。


1.资料应用服务业者


所需拥有的能力包括资料收集（从资料供应端取得连结与存取，并将多个资料源做初步结合）、准备（汇整多个资料供应端到单一资料集并做最佳化处理）、分析（从资料萃取出知识）、视觉化（提供统计图表来反应分析结果以有效沟通知识）、存取（资料储存与存取管理）等各种因应资料加值应用服务开发所需的资料加值应用能力。


2.资料应用工具提供商


随着资料加值应用发展的蓬勃与复杂，开始有专业分工之需求，因此资料生态系已逐渐发展出各种因应加值应用需求所衍生的资料应用工具开发商，包括资料平台建置、资料分析服务、资料交易仲介、资料视觉化呈现。


3.机器学模型服务商


近年来低程式码（Low-code）与无程式码（No-code）的兴起大幅降低建立分析模型的成本，这些所谓的AutoML技术目前已在科技业逐渐往其他产业扩张，由于许多产业人士对AI掌握度不高，提供AutoML服务业者（如AWS、Google、SAS）有效解决该问题，透过建模过程中自行写程式码、分析各种方法论的作业时间，即便领域专家不具资料科学相关背景，也能根据使用情境应用机器学习模型。这种把资料科学工程外包的方法开始受许多制造业者欢迎。


在不同合作伙伴的分工与协作下，业者甚至可以进一步发展出预测性平台商业模式，建立打有弹性、可扩充，以及可互通性的生态圈，进行跨产业、跨领域、跨系统的预测性维护服务，串连技术与产业的供需两方，发展维护资料交易服务，资料交易与流通已成创新应用开发成功与否的重要关键，如何建构具公信力且交易机制可行之资料市集服务营运模式，创造出另一个全新服务模式，让单一企业功能服务化，替业者带来第二金流。


（本文作者为产业分析师）