制造业遭遇“使用到故障”瓶颈 预测性维护或成突破点

　　我们的生活被工业机器所左右，食衣住行相关所需都来自工厂。这些工厂有数百万个机器，为了维持正常运行，这些工业机器必须进行维修；稳定度工程师使用不同方法来进行维护，包括被动式维护以及预测性维护（PredicTIve Maintenance；PM）。

　　Petasense创办人Abhinav Khushraj指出，利用工业物联网（IIoT）科技，工厂正在改变资产维护的方式。过去的被动式维护，也就是「使用到故障」（Run-to-Failure），这是最简单的方式但却难以预测，长期而言往往需支付巨大代价。

　　非预期的停机，导致生产力损失与营运成本上升，也可能产生额外的维修与替换成本。制造商必须准备许多零件，并确保维修人员随时做好准备；机器故障也可能危害员工的安全。「使用到故障」的模式对于非关键的机器是可行的，但如果是重要的设备，势必需要更周全的方法。

　　预测性维护，是一种按照时间表的维修模式。根据预先界定的时间，而不考量机器的实际状况，也就是每月、或每季定期进行维护。预测性维护可以延长设备受命，并提供更好的效率，但也可能产生额外成本。比如预测性维护会定期停机，导致生产力下降；另外也会有连续性的劳工成本。

　　此外，许多零件与设备可能还能使用；而定期维修之间的故障，也可能产生风险。预测性维护持续监测机器状况，在问题发生以前预先警告。多数应用都会用到感应器来监测各种参数，包括震动、温度与超音波。

　　预测性维护，还可以再细分为有线的预测性维护，将感应器以实体线路连结到控制室，然后透过管理系统观察数据。然而大型工厂会需要昂贵的联机成本，如果只是用于小部分的关键资产，是比较合理的方式。

　　无线的预测性维护，在工业机器上装设无线感应器，可以持续稳定地搜集数据，并传输到本地服务器或云端，然后透过人工智能提供自动化分析，实时监测工业机器的健康状况，并找出故障问题。事实上，最有效的维护计画往往结合上述各种方法；多数机器设备透过无线方式监测，少部分透过有线连结，而非关键的资产则采用被动式维护。