預測性維護指的是通過數據分析的手段,在機器發生問題、造成負面影響前,就能提前預知,並進行維護。相對於預防性維護,是一種定期針對機台做保養的手段,預測性維護為主動性的維護方式。
其中主要常見的方式像是熱成像攝像機(Infrared Thermography Cameras),因為熱度通常是機器出現問題的徵兆,所以追蹤機器本身的紅外線熱成像,可以說是預測性修復中最常見的方式。人員可以直接掃過所有相關的機器,追蹤其熱度的分布狀況與異常,就能在沒有干擾到運營的方式(不用停機)完成機台異常的判斷。
如果機器的溫度異常於上一次的測試或是相對於其他機器,那麼人員就能進一步地以其他預測性修復手段,做另一維度的判斷,譬如像是振動試驗(Vibration Testing)、動力電路分析(Motor Circuit Analysis)、以及超音波檢測法(Airborne Ultrasound)等手段。
再者,隨著IoT、分析技術、人工智慧等手段越來越成熟,預測性維護在近幾年間也越來越在許多機器普及,其主要原因就是因為預期之外的停機時間不僅會導致工廠損失鉅額財富,在一些情況,甚至會出現生命危險,譬如飛機的引擎故障。
要理解預測性維護,我們需要從三個技術做解析,也就是IoT、大數據、以及機器學習。
首先從IoT開始說,預測性維護之所以能預測,並非是某個披著吉普賽長袍的羅姆人,通過感知天地變化而進行的預測,而是建立在當下的、實際的機器數據而落實的預測。那麼獲得這些數據的方法,就是IoT感應器可以發揮作用的地方。
根據不同的感應器應用,IoT裝置可以獲取像是溫度、壓力、震動、流體性質、運營速度等等各式各樣的資訊,並將這些資訊通過網路傳送給主機。
而這就進到第二個環節,也就是大數據,他已經知道了該機器的型號、該型號的歷史運行紀錄、以及該機器的修護紀錄等等,這時候再加上IoT傳遞過來的資料,就可以進行綜合分析,並判斷機台當下的狀況是否有停機/異常的風險。
而在這個綜合分析的過程,它可以是單純的一個數據點的判斷,譬如溫度超過出廠時所設定的負荷量,又或著是某個機件回報異常狀況,那麼這時候就可以安排相關的維護時間。
而另一種分析方式,則是通過機器學習,也就是人工智慧的方法,我們的第三個環節,在AI的手段中,我們要能夠落實判斷,首先就必須要搜集大量的歷史數據,並且通過訓練模型的方法––讓機器知道什麼樣的狀況有可能是異常,來落實未來的判斷。
OOSGA是一家專注於為工業客戶提供東南亞供應鏈拓展、設廠評估,以及市場情資的顧問公司。我們致力於為客戶企業提供最可靠的市場情報和洞見,並與當地工業不動產開發商,以及相關合作夥伴一同推進當地業務的落地。
倘若您對於進入新市場、抑或是對拓展業務有想法,歡迎隨時聯繫我們團隊討論。