在預測性維護中使用 AI

當工廠設備發生突發故障時，生產進度會放緩甚至停擺。時間和金錢隨之浪費，客戶的耐心也會逐漸消失。幸運的是，製造商、公用事業企業、能源生產商以及其他依賴重型機械的企業，現在可以利用生成式 AI 更精確地預測機器故障。藉由這些預測，企業能夠安排維護工作、避免意外停機、延長昂貴設備的使用壽命，最終幫助維持生產營運和供應鏈的順暢運行。

預測性維護中的 AI 是什麼？

預測性維護是一種資料導向的方法，可預測機器故障並進行主動修復。隨著物聯網 (IoT) 的興起，智慧工廠、油井、風力發電場、電力站、礦場、卡車車隊及其他領域所使用的設備，均配備了資料收集感測器，這些感測器將資料提供給 AI 演算法，旨在監控設備運作、偵測異常並優先安排維護工作。

這類系統會持續分析操作條件，並尋找設備可能面臨故障危險的跡象，即使目前設備似乎完全健康。透過根據基準資料評估效能，AI 工具甚至可以即時標記效率最小的管道，並提示團隊開立維護單。除了更準確地預測故障何時發生之外，企業還可以更深入地瞭解故障的根本原因。

重點精華

• 相較於舊的資料分析技術，AI 提供更快、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，公司可以減少停機時間，同時提高效率。
• 有些全球最大企業在預測性維護計畫中部署了 AI 工具，並帶來了可觀的成果。

預測性維護中的 AI 應用詳解

用來根據機器生命週期預測 (包括常見故障) 進行工廠設備維護排程的製造商。藉助 AI，製造商不僅能夠避免猜測，還能透過收集和分析機器資料來預測故障，從而對單一機器和整體生產網絡有更深入的瞭解。

他們也可以即時取得維護建議，並優先採用關鍵設備進行修正。其中一大優勢是：儘管維護幾乎總是需要停機，但透過精確的預測來規劃，能將停機時間降到最低，並將其安排在最理想的時段。

預測性維護為何重要？

兩個字：減少停機時間。根據國際自動化學會的資料，由於設備故障和其他停機原因，工廠通常會損失 5% 至 20% 的生產能力。總停機成本包括產量下降、報廢率上升、臨時修復無效以及依賴第三方來維持生產。

在如此關鍵的情況下，準確預測機器健康狀況和維護需求對於減少停機時間至關重要。根據 2024 年西門子的一項研究，停擺的生產線會帶來可觀的成本損失。對於大型汽車製造廠來說，生產停擺每年可能造成高達 6.95 億美元的損失，這比五年前增加了 150%。同一項研究指出，全球排名前 500 的企業因意外停機而損失了 11% 的年收入。

預防性維護與預測性維護的比較

預防性維護和預測性維護是監控工廠設備健康的兩個主動方法。

透過預防性維護，企業會定期評估設備，無論設備的使用頻率或使用量為何。企業通常根據歷史資料和設備供應商的建議來製定基於規則的維護計畫。唯一的變數是自上次評估後的時間長度。

雖然預防性維護比純粹的反應式維護更為有效，但它仍依賴於基於狹窄資料集的廣泛建議。例如，它可能會建議更換一個重要且昂貴的零件，而未考慮到一些細微的因素，這些因素可能顯示該零件還能使用更長時間。與反應性維護類似，過度維護也可能導致不必要的停機和額外支出。

透過預測性維護，公司使用機器感測器饋送至效能監控軟體的資料持續評估設備。AI 演算法分析大量資料 (包括設備溫度、振動、壓力和液位)，以建立設備健康和效能的詳細模型。因此，公司可以更有信心預測故障，同時針對要修正的項目和何時取得更實用的建議。與依賴較為僵化規則的預防性維護不同，預測性維護透過實時監控進行動態回應，能夠預測問題、找出根本原因並確定所需的維修工作。

一家專門從事注塑成型的製造商使用預測性維護來檢測和解決機器人和成型機器中的異常情況。透過密切監控機器健康與零件品質，公司可縮短維護時間，讓員工能夠開發新產品並改善營運流程。

通常，公司會使用預測性維護來監控那些可能造成停機、金錢損失、傷害或生命風險的機器。例如，如果變電站的停機會導致數千人無法獲得供電，公用事業公司可能會選擇投資於更精細的預測性維護，並可能會運用 AI 工具。對於那些風險較低的非關鍵設備，企業通常會選擇維持預防性維護，有時會調整監控規則，收集更精細的資料，以便進行更主動的維護排程。

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的兩個主動方法。

• 降低成本
  更準確的機器故障預測可以最佳化維護排程，並減少非計畫性停機時間和相關成本。他們還會透過標記問題和建議維護動作來延長設備壽命。AI 演算法也可以密切追蹤機器的能源消耗、偵測效率不彰並建議節省成本的步驟。他們甚至可以藉由安排維護工作的優先順序來協助降低人工成本，進而減少不需要的檢查、維修及更換作業。
  
  一家全球製造商使用 AI 系統來監控超過 10,000 台機器，包括機器人、傳送帶、卸貨升降機、泵浦、馬達、風扇以及壓機/沖壓機。該製造商報告節省了數百萬美元，表明部署後三個月內就實現了投資回報。
• 限制中斷
  AI 可比舊方法更快且更準確地預測失敗，從而減少機器中斷。這可協助製造商克服機械問題、增加正常運作時間，以及維持供應鏈的流動。
• 增加生產
  根據 2022 年的 Deloitte 研究，預測性維護 AI 工具協助企業提升 5% 至 20% 的勞動生產力。其原因之一是：AI 能夠將停機時間減少多達 15%，確保生產線持續運作。
• 提高安全性
  機器故障可能會危及員工安全。透過預測機器可能出現的故障並提前進行維修，製造商可以避免將員工置於危險之中，尤其是需要經常操作設備的維修技術人員。根據美國職業安全與健康管理局的資料，每年約有 18,000 名員工在操作和維護機器時受傷，超過 800 人因此喪命。
• 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壽命，提高製造商的正常運作時間、生產力，最終達到營收。
• 改善品質控制
  手動控制品質的做法既耗時又容易出錯。藉由自動化設備檢查並提供即時意見回饋，AI 工具可協助改善產品品質和一致性、將瑕疵率降到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，就能夠發現產品中的裂縫、錯位、不一致的顏色與紋理等問題。在扭矩監控方面，AI 系統能夠追蹤扭矩數值的一致性，確保螺栓和螺絲依照規格緊固。如果扭矩值超過可接受的範圍，系統會儘快提醒製造商解決問題。

AI 如何用於預測性維護

人工智慧正在推動製造、運輸隊伍管理、包裹交付、採礦、回收和能源等領域的預測性維護，這些領域全都仰賴精密的機械。公司可以建立自動化模型，監控設備狀況、偵測異常、預測設備故障和停機、排定維護優先順序、最佳化能源使用狀況，以及建議更正動作。

• 預防停機
  透過從互連資產收集資料 (包括歷史效能和即時相關資訊資料)，AI 型預測性維護可降低昂貴的停機時間。演算法會即時分析資料，並將報告傳送給工廠團隊，標示潛在故障的跡象，例如過熱的機器或不正常的電壓波動。
  
  一家大型鋁業生產商部署了 AI 工具來監控冶煉廠的機器人及其他設備。例如，如果鋸電機因零件鬆動而效能不佳，工人會提前至少兩週收到維修警告。這樣一來，公司在每次活動期間避免了 12 小時的意外停機時間。。
• 狀態監測
  製造商必須監測設備狀態，才能確保設備平穩運作。與舊技術相比，AI 演算法可以更快、更準確地識別正常和異常情況。這些系統分析有關設備健康狀況的即時資料，發現相關模式並預測故障，以避免停機。系統還可以根據當前情況而不是預定的時間表來確定維護的優先順序。
• 異常偵測
  直到最近，異常檢測都是透過以規則為基礎的系統來進行，這些系統使用硬編碼閾值來發現機器異常並預測故障。例如，如果機器的振動超過 ISO 標準中設定的臨界值，則會報告異常並建議維護。然而，複雜的設備會產生大量資料，不僅包含振動，還包括溫度、壓力、熱量及其他多種變數，這使得舊有系統在準確解讀這些資訊時變得更加困難。
  
  相反的，AI 系統不僅收集和分析資料，還能在資料移動時從中學習。AI 驅動的分析工具不僅僅是遵循規則並標註當前的問題，還能夠識別出微小的效能偏差，並在問題擴大之前就察覺到潛在的問題，預防可能的中斷。
• 故障預測
  AI 會查看歷史效能和即時感測器資料，以建立設備惡化的預測模型，協助公司避免機器故障。隨著模型擷取更多資料，它會學習、適應及預測提高準確性。用於故障預測的深度學習 (其中一種機器學習技術) 能夠發現舊方法 (包括人工觀察) 無法察覺的關聯。一家跨國包裹配送公司使用 AI 系統來預測分揀設施中超過 30 種機器的故障，發現齒輪箱故障、皮帶損壞以及其他代價高昂的問題。該公司估計，該系統每年可為其節省數百萬美元。
• 計畫性維護優先順序與排程
  AI 可即時指出問題、識別優先順序及重新打亂維護排程，進而改善計畫性維護。AI 驅動的預測性維護不僅著重於當前問題，還會根據過去的資料建立排程，顯示設備條件保持不變的可能性。它也展現了公司可以採取的主動措施來獲得更好的結果。
• 能源最佳化
  隨著時間的推移，機械的效率降低，它使用更多的能源來產生相同的輸出。例如，根據壓縮空氣與氣體協會的資料，美國低效的壓縮空氣系統每年浪費高達 32 億美元。透過 AI 驅動的預測性維護，製造商和其他機器操作員可以發現設備缺陷並安排維修，從而避免浪費材料和重工。Ford Motor 仰賴 AI 來優化其工廠的能源使用、結合 AI 和數位分身技術，尋找浪費的根源並找到消除浪費的方法。
• 電腦視覺
  電腦視覺技術使電腦具備「視覺能力」。例如，製造商可以訓練 AI 工具來檢視和分析監控機器狀況的影片。透過視覺優化演算法，影像能夠轉化為有用的資訊，並與其他資料互補，捕捉難以偵測的異常，如微小的磨損跡象、錯位的部件、缺失的零件，甚至是貨架上損壞的包裝。想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 AI 的應用範例

全球規模最大的製造商使用人工智慧來增強預測機器維護，並改善正常運作時間。

全球汽車製造商使用 AI 在工廠中檢查和維護焊接機器人。具體而言，它採用電腦視覺和深度學習來分析機器人影像和影片，以找出缺陷。AI 系統為每個機器人推薦參數和設置，並在需要維護或更換時通知工人。該汽車製造商報告稱，該解決方案可將機器人檢查時間減少 70%，並將焊接品質提高 10%。

GE Aviation 使用 AI 預測對航空公司和其他客戶使用的噴射引擎進行維護的需求。約有 44,000 台引擎內嵌了感測器，將資料傳送至位於辛辛那提和上海的 GE 監控中心。GE 將資料與實體引擎模型和環境詳細資訊結合，在問題發生前預測維護問題。除了提高引擎的可靠性外，GE 運用 AI 技術還有效降低了航空公司維護成本，並增強了飛行安全。

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

使用 Oracle Cloud Supply Chain & Manufacturing 應用程式提升供應鏈韌性、減少中斷情況，並保持領先不斷變化的市場環境。使用 Oracle Fusion Cloud Maintenance 中的預測性維護工具，內嵌 AI 以提升機器效能的可見性，同時降低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 可以預測設備故障，並比舊技術更快、更準確地產生維護見解。如此一來，AI 可協助公司減少機器磨損和意外停機時間。

如何在維護中使用 AI？
公司可以使用 AI 監控機器狀況、偵測異常、避免設備故障和停機，以及排定維護優先順序。

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故障、需要維修或更換。他們是 AI 驅動預測性維護解決方案的關鍵。