什麼是預測性維護？

預測性維護是一種根據來自設備的歷史和即時資料進行的分析策略，以預測團隊安排維護作業的時間及地點。相較於預防性維護或反應式維護等傳統方法，預測性維護策略透過監控先進演算法，為維護團隊提供所需資訊，以最佳化其維護流程，從而帶來顯著優勢。

一個完善的預測性維護計畫可協助公司最佳化維護活動，避免設備故障的維修成本，減少不必要的維護作業，將非計畫性停機時間降至最低，並提升設備效能。

一個良好的預測性維護策會整合多個關鍵組成要素，以引導維護團隊採取更為主動的維護策略。

• 歷史資料：任何維護系統的基準都是與設備的使用、效能、維護、維修和更換有關的歷史資訊。維護團隊會根據這些資料制定預防性維護排程。
• 狀態監測：現代資本設備利用即時收集的資料來打造工業物聯網 (IIoT)。機器上的感測器會收集資料，並透過網路將資料傳送至中央資料庫，並儲存和分析資料。狀態監測不僅能擷取關於特定設備是否在運作、其運作時間及已達到多少次運作週期的資料。它還記錄諸如溫度、負載、振動、聲音、運作狀態等物理特性，以及裝置在執行供應商所設計的任務時的表現。
• 預測性分析：系統收集完資料後，下一步是對資料套用各種類型的預測模型。此過程通常涉及人工智慧 (AI) 方法，包括機器學習 (ML)，以及統計分析和其他類型的資料分析。更進階的方法還會利用模擬模型 (包括數位孿生) 來改善預測準確度和細節。預測分析的目標是找出監測資訊與效能下降和故障之間的關聯。
• 監測與建議：接著，系統會將預測分析的結果與即時監測結合起來，為維護團隊提供最佳化維護計畫所需的資訊。
• AI/ML 增強功能：借助 AI 工具來實施有效的預測性維護作業是日益普遍的做法。AI/ML 演算法可根據過去的行為做出更準確的預測，並且會使用從 IIoT 感測器擷取到的資料，或透過模擬產生的資料來進行演算法訓練。神經網路和大型語言模型 (LLM) 等更多的 AI 方法可用於解讀資訊、尋找模態或模態變化，以及總結資料。

預測性維護的分類

根據維護團隊要如何將預測資料應用於系統維護作業，預測性維護技術可以有多種實施方式：

• 預防性維護：按照時間或使用量實施的計畫被歸類為定期維護。此方法最適用於設備磨損情況一致，且團隊僅憑使用量就知道何時需要維護的情況。有時，設備製造商會將這種定期維護的方式定義為預先制定的維護計畫。瞭解預測性維護與預防性維護之間的差別，是制定各類型維護計畫並確保其達成最佳效果的重要步驟。
• 修正性維護：當團隊在設備損壞或效能下降時才進行設備的維修，就稱為修正性維護。此方法最適合用於容易診斷和修復的設備故障或效能問題上。
• 狀態式維護 (CBM)：狀態式維護是指在監測參數顯示設備出問題時安排的維護方式。這是最有利的一種維護類型，因為它會將發現的潛在問題告知維護團隊，讓團隊能夠在問題擴大前將其解決。
• 風險式維護：團隊會根據故障或未定期維護的業務風險，安排及執行風險式維護作業。對於許多維護部門來說，風險式維護是他們想要在實施狀態式維護後，進一步降低營運成本時所採取的下一步做法。

預測性維護解決方案中的資料收集技術

預測性維護技術的另一個關鍵要素是用於監測設備的資料收集方法。以下是用於收集資料的最常見技術：

• 加速度與轉速記錄：此技術是對可能縮短設備使用壽命的線性運動或零件旋轉運動的加速度進行記錄。預期加速度和轉速的變化也可能代表一個問題有日益嚴重的趨勢。
• 聲學監測：使用麥克風監測機械聲音並進行聲學分析，是判斷機器行為是否發生變化的最低廉又有效的方法之一。正常運作期間的振動會發出固定的聲波特徵，當這種特徵發生變化時，作業人員就會知道機器出現異狀。
• 控制系統輸入與輸出追蹤：自動化作業的控制系統所建立的資訊可用於產生輸入資料，並追蹤來自可能不屬於 IIoT 網路的感測器的回傳資料。完善的預測性維護解決方案應具備資料擷取功能。關鍵指標包括運作時間、週期、輸入饋送與速度、系統效能及對指令的回應。
• 電子訊號監測：任何機電系統中的電子訊號都會在系統發生變化時，顯現電壓尖峰或電流突波的變化。
• 流體中的雜質與材料屬性追蹤：許多機械零件包含氣體和液體，或使用潤滑劑來減少活動零件之間的摩擦力。機械系統過度磨損可能會透過潤滑油中出現金屬碎片、因過熱而導致的黏度降低，以及由密不良造成的雜質來顯現。監測系統使用油液分析、流體傳導率和其他非破壞性測試方法，來捕捉所有類型流體的變化。
• 壓力感測器與負載元監測：測量機械系統負載的最簡單方法是捕捉流體壓力或機械元件上的負載。
• 溫度測量熱成像：大多數的資產效能監測方法都會使用熱電偶或熱敏電阻的感測器資料，來測量系統中關鍵位置的溫度。另外也會部署紅外線攝影機，以產生任何可見表面溫度的擷取影像。溫度變化是另一種低成本的可監測參數，可顯示潛在的故障問題。
• 振動感應：在預測性維護系統中，另一項相對低成本且具洞察力的技術是振動分析。就像聲音具有獨特的特徵一樣，結構元件中的振動模態變化也能代表系統的異狀。

AI 在預測性維護作業中的影響力

AI 技術為預測性維護作業提供了重要功能，有助於擴大並增強此作業方式在各種應用案例中的影響力。雖然設計預測性維護解決方案的團隊可以利用 AI 執行任何與資料解讀有關的任務，但其主要應用方式大致可分為以下三個領域：

• 機器學習式預測性分析：機器學習 (ML) 演算法是許多進階預測分析工具的核心。解決方案可以使用現場資料或模擬來建立估算輸入參數的變化如何影響輸出參數的模型。ML 演算法的確定性使其非常適合用於預測。
• 用於資料查詢的大型語言模型：大型語言模型 (LLM) 使用查詢式介面調查感測器資料，並透過建立詳細的工作單、制定維修指引、輔助模式來協助作業人員完成工作，並且讓工廠經理在實施解決方案之前，先以虛擬方式執行「假設」研究。此外，作業人員和維護團隊還能根據 LLM 的結果深入探索資料，以找出變化或識別趨勢。LLM 的自然語言理解能力，消除了對於需要經過訓練才會用的複雜使用者介面的需求，而其摘要功能也能快速擷取和解讀大型資料集。
• 使用 AI 增強模態辨識能力：識別感測器資料中的資料趨勢或偏離預期模態的狀況，是預測性維護作業的關鍵環節。在這個環節中，AI 工具展現了強大的優勢，可取代或強化人工監測作業。

如果預測性維護技術符合企業的需求，將能大幅降低企業經營成本並改善運作時間。公司必須確保實施解決方案的投資報酬率足以證明投入的成本是值得的。任何規模的企業在開始實施預測性維護之前，都需要確認其營運方式符合以下特徵：

1. 該公司擁有需要維護的實體資產。
2. 這些實體資產設有 IIoT 監測機制，或企業願意投資建置網路即時監測系統。
3. 零件和維護成本佔營運成本的一大部分。
4. 設備維護的停機時間或故障，對公司的業務目標有重大負面影響。
5. 組織擁有一個維護團隊，或願意成立一個維護團隊。
6. 管理階層致力於投資相關的人力、流程、系統和設備，以便收集即時資料並根據所提供的資訊採取行動。

任何具有這些特徵的企業都可望享有預測性維護帶來的以下好處：

• 節省維護活動的成本：維護作業的工作量減少是正確採行預測性維護工具所帶來的最直接影響。在預防性維護中，團隊可能會在實際並不需要的情況下仍執行維護作業。資料導向的排程方式，讓團隊只需要在必要時採取行動。此外，團隊還可以掌握特定維護任務的急迫性，並根據優先性和效率性安排任務。
• 更少的維修和更換次數：預測性維護可在潛在故障發生前先將問題找出，可大幅降低公司維修和更換損壞零件的成本。
• 更長的系統正常運作時間：生產中斷不僅代價高昂，還可能引致整個組織的問題。團隊可根據預測性維護工具的輸出資料，將維護作業的停機時間安排在影響程度最小的時段，並有效縮短設備故障造成的停機時間。
• 縮短維護規劃時間：預測性維護解決方案提供的詳細資訊，可協助維護團隊付諸行動，簡化維護作業的整個排程和管理流程。企業若能整合預測性維護軟體與電腦化維護管理系統 (CMMS) 和資產管理工具，將資訊集中儲存於一處，便能大幅縮短規劃時間。
• 更具成本效益的備用零件管理：擁有大量設備的設施可能需要儲備大量備用零件庫存，以備預防性維護或元件故障的不時之需。透過主動式預測性維護策略，該設施可以改為使用即時庫存系統，只需要在系統發出需求警示時再訂購零件。
• 資產效能最佳化：預測性維護的最終優勢是讓企業所維護的設備得到效能上的提升。工程師也可以使用產生的資料來識別效能下降，但尚不需要維護的情況。並且也可以發出相關的效能提升工單，以改善資產狀況。

企業在導入預測性維護系統時將面臨許多挑戰，但事先瞭解這些挑戰將有助於他們進行規劃，並制定應對這些挑戰的策略。最重大的挑戰為：

• 系統基礎架構：預測性維護系統會使用來自各設備感應器的資料。隨著時間的推移，需要的資訊技術 (IT) 基礎架構可能相當可觀。雲端或地端部署的資料儲存設備需要能容納大量資料，因此網路工程師必須將 IIoT 感測器和設備控制系統與資料儲存基礎架構整合起來，而且還需要為工作團隊提供足以執行資料分析和模擬的電腦效能。
• 提升安全性：設備故障可能是危險的。許多機器需要在高溫和龐大壓力下運作，並且儲存了大量的勢能或動能。預測性維護讓團隊能夠在潛在安全問題發生之前就加以排除問題。
• 人力訓練：大多數組織都會為維護技術人員和工程師提供執行定期維護作業的訓練。預測性維護的訓練重點可以著重於如何根據監測、預測分析和模擬資訊得出的資料導向洞察採取行動，以及提高作業靈活性。
• 資料需求：預測性維護系統中使用的預測性分析和狀態監測工具，需要使用長期大量的資料。如果沒有一致的資料，工程師就無法訓練 ML 系統，或識別資料中的變化和趨勢。
• 複雜性：預測性維護系統非常複雜，因為它們將各種感應器技術、資料科學、AI、設備生命週期管理和維護排程全部整合在一個完整的系統中。在許多情況下，這套系統已能滿足各類型機器的需求。

預測性維護系統可讓許多產業受益，任何考慮在此領域增加或擴充解決方案的人，都可以從以下三種應用案例中獲益：

1.天然氣動力渦輪機

在 2023 年，全球 23％ 的電力是由使用天然氣燃料的動力渦輪機提供。這些動力渦輪機是渦輪機械的一種類別，可將天然氣燃燒的熱能轉換為驅動發電機的旋轉軸的機械能。動力渦輪機包含許多元件，這些元件可能會因熱、振動、潤滑不良，以及元件因持續運作導致的磨損和撕裂而失效。這些複雜且昂貴的系統若發生任何電力渦輪機停機事件，都會對公司造成金錢上的損失。此外，大型旋轉盤若是發生災難性故障，更可能造成整個系統和周圍設施的損壞。

維護團隊結合聲學、熱和振動監測資料，並追蹤運作參數，來找出任何可能發生故障的異狀。團隊可以利用由 AI 技術支援的預測分析資訊，並結合詳細的物理模擬資訊，根據這些特徵訊號做出問題發生位置的診斷。有了這些資訊，維護團隊就能在故障發生或效能開始下降之前將系統修復。

2.重型設備

另一個可藉由預測性維護產生強勁投資報酬的領域是建築用和採礦用重型設備。由於這些都是工地專用的機器，因此維修費用甚至更高，而且零件可能不容易取得。現代重型設備使用 IIoT 裝置來監測設備中大多數的子系統，並透過寬頻網路將資料上傳至專門用於收集大型車隊輸出資料的資料庫。

3.車隊管理

預測性維護的另一個優勢領域是車隊車輛資產管理。經營車隊的利潤可能是很微薄的，因此車輛的任何停機時間都可能直接影響利潤。大多數現代車輛都裝有可追蹤車隊資產的感測器。車隊管理團隊只需收集資料並利用預測性維護工具來開發模型，便能在潛在問題發生前找出問題並加以解決。

越來越多公司正在利用數位孿生技術，以及詳細的物理建模技術，將模擬功能整合到他們的預測性維護工具中。公司可以透過各種方式使用這些虛擬設備，藉此瞭解要尋找哪些感測器訊號，訊號變化的意義，以及執行維修的最佳工作流程。

利用模擬功能擴大實施預測性維護解決方案的第一步，是使用像是 Ansys Twin Builder 模擬式數位孿生平台這樣的工具來建立並部署數位孿生。這類系統級模型會根據經驗資料、方程式或物理模型，以數學表示法來模擬設備中的每個子系統。部署完成後，作業人員可以看到輸入資料的變化如何影響監測中的輸出資料。如此他們便能針對系統中的變化進行疑難排解，或嘗試用不同的解決方案來處理他們在現場看到的問題。

預測性維護的負責團隊也可以將物理式模擬模型與真實世界的資料整合在像是 Ansys TwinAI AI 支援數位孿生軟體這樣的平台中。此工具使用最新的 ML 演算法，透過混合方法從複雜的系統中擷取洞察，以建立虛擬設備模型。

有時，系統級建模需要借助更多功能，才能準確呈現機器行為，並從預測性維護中受益。在這種情況下，工程團隊會利用像是基於模型的系統工程軟體 Ansys ModelCenter 這樣的全方位模擬平台，來實施基於模型的系統工程 (MBSE)。在支援系統模型的產業標準之餘，還能在功能與彈性上獲得提升，以利快速且有效率地提供可付諸實行的洞察。

當需要取得準確的行為時，工程團隊會在元件或組裝層級部署以物理式模擬工具。他們可以部署如 Ansys Mechanical 的結構有限元素分析軟體，能夠執行結構、熱和振動分析的全方位工具，或專門用於流體建模的 Ansys Fluent 流體模擬軟體。這兩款工具都能有效診斷聲學特徵。使用者也可以將這兩款工具搭配使用，以呈現流體與固體的相互作用。

相關資源