设备维护管理从预防性走向预测性

作者：DIGITIMES廖家宜

对于制造业者来说，当前最关注的智能制造应用中，当属针对机械设备进行预测性维护最是火热，也促使人工智能这项科技在制造领域中遍地开花。从物联网到人工智能，工业设备监控的水平一步步从传统利用手持式测试设备以周期式检测的方式，演变为实时性、甚至达到预测性的监控，让设备管理防患于未然。

其中，传感器更是达到预测性维护的不可或缺的关键元件，而不同传感器的用途与应用场景则不大相同，各有所长，有的针对生产设备本体，有的则可应用于工厂设施环境。意法半导体工业与功率转换部门总经理Domenico Arrigo举例，像是压力传感器可针对气体外泄进行监控，当压力变小则代表有外泄可能，或是透过温湿度传感器监控中央空调系统，此外，热感应侦测则可监控电子不当过载或是接触不良等的问题。

在生产机械方面，由于机器发生异常的情况往往伴随不正常的振动信号。工业传感器包括振动、压力、温湿度、声学等种类繁多，不同型态的传感器可侦测设备潜在故障的症状，但相关业者指出，通常以振动分析最能促成早期异常侦测，可在数月以前就能显露出异常变化。

对于制造业来说，机台维护是整体生产中极为重要的一环，对于提升整体设备效率(OEE)具有直接相对的关系，随着工业设备监控水平在智能制造发展中越趋先进，制造业者对于机台维护的管理方式相较过去有之大不相同。业者指出，目前制造业者对于预防性维护与预测性维护两者仍有所混淆，但事实上两者的管理方式并不一样。

Domenico Arrigo指出，所谓预防性维护较多着重在预先规划，这是目前业者常见的维护方式，也就是采取时间循环的定期检测，例如每三个月、或每半年一次，针对重点式或全面性的检测。而现在有赖透过传感器持续传感，则可以实时找出缺损，并结合边缘运算在具有零时间差需求的工厂端中达到实时控制，而接着未来透过先进技术例如AI分析传感资料，便是当前智能制造发展最理想的预测性维护，则是能针对机台现况及过去维修纪录做为评估，预测机器的可靠度，并预测未来机台损坏的可能性与时间点，预期性的进行零件更换或维修。

此外，Domenico Arrigo也引述Accenture针对预测性维护所作的分析时指出，总体来说，如果制造业者导入预测性维护预估可节省12%的预定维修成本以及30%因维护减少的成本，另外效益较显著的部分则是可减少50%的机器故障时间以及70%的故障机率。

达到预测性维护是许多设备制造商理想的发展蓝图，不过根据相关业者观察，对于多数的设备商或制造商来说，如何正确判读传感信号背后所代表的意义才是最具有挑战的部分。

以马达振动异常侦测举例来说，振动异常所呈现的波形的并非只有一种样态，何种波形代表轴承损坏、何种波型代表电压异常等都需要长期累积马达的振动数据，甚至是异常的数据，才能透过深度学习让系统达到自主判读侦测。通常在正常产线或设备的运作上，发生异常的比例相对低很多，因此如何累积数据训练AI，也成为目前制造业对于“异常”侦测多少会面临的难题之一。