為什麼預測性維護很重要？
預測性維護非常重要，因為實體機械可能會損壞。元件可能故障或劣化，且效能也可能降低或變成意外的業務限制變數。實體設備故障和劣化是肇因於多種原因：
- 外部情況和條件
- 經常使用造成耗損
- 用於預期功能範圍以外而導致過度耗損
整體設備工程設計和新技術也會縮短設備的使用壽命。同時也影響了維護和更換排程。
當您將越加複雜且類型多元的設備整合到工業機械系統中，任一元件的故障或劣化都會對其他元件產生負面影響。這會導致意外結果。貴組織可以使用預測性維護解決方案來減少設備故障的機率，並避免合理範圍之外的劣化情況。
預測性維護的運作方式為何？
預測性維護會根據收集到的深入見解進行監控、分析和動作。
監控
您必須使用合適的各種 IoT 感測器，監控設備在整個使用過程中的狀態。感測器可以測量溫度、振動、濕度和其他參數，進而深入瞭解機器運作狀況。
例如，溫度感測器會顯示機器在長時間使用後是否過熱。或來自相機的圖像可能會顯示閥門是否沒開啟至正確的寬度。設備會持續或頻繁地受到監控，以確保即時擷取資料並盡可能偵測所有異常。
分析
您可以分析從感測器收集到的資料，以判定設備劣化速度或故障可能性。IoT 裝置會將資料傳輸到集中式系統。在此系統中，機器學習 (ML) 和其他進階 AI 演算法會分析資料，以偵測與預設基準或模式的偏差值。ML 和這些演算法透過分析歷史資料，並將資料與已知故障建立關聯，進而建置預測模型。要將原始感測器讀數轉換為可用資訊需要強大的運算能力。
動作
預測模型會根據目前和過去的資料模式，預測設備可能發生故障的時機。系統則會根據未來的分析內容，建立主動式維護排程。除此之外也透過電子郵件、訊息、儀表板或其他機制來提醒維護團隊即將發生的潛在故障或緊急異常狀況。隨著貴組織漸漸執行維護並收集更多資料，預測模型會變得更加準確可靠。
預測性維護技術
預測性維護工作是由許多面向構成的複雜領域。它需要能支援大量資料儲存、傳輸和分析的系統。且這些資料通常是即時的串流資料，結合來自數百甚至數千、上百萬不同的 IoT 來源。資料傳輸需要專用網路、資料湖的儲存區，並使用專用高效能伺服器叢集進行處理。
支援預測性維護計畫所需的確切基礎設施取決於您所使用的系統和架構。也取決於您的感測器、資料類型和您所執行的分析類型。若要自訂預測性維護解決方案，則需工程師、基礎設施架構師和資料科學家共同建立起合適的組態。
預測性維護有哪些優勢？
預測性維護計畫可以從多個面向使貴組織受益。
縮短停機時間
等到設備故障才進行維修是反應式維護。意外的停機時間會影響整個營運計畫。相較之下，預測性維護可以降低意外的設備故障風險。您可以提前規劃修正式維護，並將停機時間轉移到非關鍵時間。如有需要，您也可以準備好備份設備以供維修期間使用，提升業務連貫性。
減少不必要的維護成本
預防性維護通常能讓設備保持良好運作狀態。但從設備劣化角度來看，其實並非總要進行維護。執行預測性維護計畫時，當用量或時間超過常規排程所預期即會觸發維護作業。這可能是由於設備使用頻率較低或其他因素造成。此程序可以降低新零件的維護成本，並為維護團隊提供資源。
增加整合式系統理解
透過預測性維護計畫，您可以針對複雜系統的整體運作狀況開發詳細且即時的檢視報告。過去，這是不可能的任務。只有時間戳記的瑕疵檢測報告可用於建立系統概述。現在，您可以將資料整合到所有 IoT 裝置，以詳細分析整個企業營運狀況。
預測性維護有哪些使用案例？
預測性維護通常用於大型複雜的實體系統。以下是一些範例：
- 製造工廠
- 樓宇及工業設施
- 運輸與物流
- 能源與公用事業
- 礦採作業
- 複雜機器人
- 實驗室服務
擁有或管理這些系統、業務或設施的企業可以從預測性維護中獲益良多。這也讓他們有更多競爭優勢。
預測性維護和其他維護類型有哪些差異？
貴組織也可以採用預防性維護和以檢查為基礎的維護實務。
預測性維護與預防性維護
透過預測性維護，您可以事先預測設備故障或劣化情況，然後在問題發生之前及早進行維護。
另一方面，預防性維護則是按照預定排程執行維護。此維護排程可能以時間週期或可測量的用量單位為單位 (例如風扇的轉數)。基本上，這些維護排程是由設備製造商指定的。
您可以同時採用預測性和預防性維護，也可以只採用其中一種方法。從本質上來講，預測性維護比預防性維護更加先進。因為預測性維護更能有效建構、設定、部署和正確進行維護。
預測性維護與瑕疵檢查
瑕疵檢查是一項程序，您可以檢查設備目前的狀態，決定是否啟動新的維護作業。這項程序也可以驗證建議的維護需求。此過程通常需要現場分析，例如在機器上實際拍攝銹蝕情形。除此之外也可能涉及遠端分析技術，例如振動分析或 IoT 輔助擷取。
您可以搭配使用瑕疵檢查和預測性或預防性維護。檢查也可用於維護排程以外的用途。例如，若企業想轉售其工業設備，則瑕疵檢查就能有所幫助。買方可能想知道機械的損壞或耗損程度，因為這會進一步影響價格。
實作預測性維護時會遇到哪些挑戰？
預測性維護仰賴於規劃、IoT 購置、營運、維護、分析活動和持續改善和管理方面的大量投資。有效的預測性維護所需的時間、人力和金錢有時超出小型企業的能力範圍。
在貴組織部署預測性維護解決方案前，請先考量下列挑戰：
- 使用正確的感測器擷取正確的資料
- 擷取適當的資料敏感度層級
- 確保感測器正常運作
- 設定正確的防護機制以進行維護提醒
- 針對預測性維護執行正確的分析
- 決定何時以及是否進行預防性維護和瑕疵檢查
- 將新設備元件整合至預測性維護系統
- 根據分析資料設定自動化電腦化維護管理系統
此外，您的組織還必須留意定期維護相關的任何法律、合規或保險義務。若您打算遵循低於供應商建議維護排程頻率的預測性維護排程，這些就是與您最切身相關的議題。
AWS 如何協助您達成預測性維護需求？
Amazon Web Services (AWS) 提供多元服務，協助貴組織開發和部署預測性維護解決方案。這些服務可以大規模運作，且不會面臨到投資自有基礎設施和維護所帶來的困難。
AWS IoT 服務和解決方案可以協助您收集和儲存感測器資料，以進行預測性維護。以下是一些範例：
- AWS IoT Core 可讓您連接數十億個 IoT 裝置，並將數萬億則訊息路由至 AWS 服務，而無需管理基礎架構
- AWS IoT Device Management 可協助您大規模註冊、組織、監控和從遠端管理 IoT 裝置
- AWS IoT Events 監控您的設備或裝置機群是否出現故障或操作變化，並開始必要的動作
AWS 上的機器學習列出了許多用於分析感測器資料的全受管服務。以下是一些範例：
- Amazon Monitron 是一種端對端系統，其使用機器學習技術來偵測工業設備的異常狀況，且可執行預測性維護
- Amazon Rekognition 提供預先訓練和可自訂的電腦視覺 (CV) 功能，可從您的影像和影片中擷取資訊和洞察。
透過 Amazon SageMaker，您可以使用全受管基礎設施、工具和工作流程，為預測性維護軟體建置、訓練和部署自訂 ML 模型。您可以在 AWS 解決方案程式庫上探索使用機器學習進行預測性維護的範例，以立即踏出第一步。搭配使用 GitHub 上的程式碼和渦輪風扇退化的範例資料集，您便能探索實際執行中的 AWS 預測性維護解決方案。以您自己的資料進行自訂，以深入瞭解我們為您獨特使用案例所提供的功能。
立即建立帳戶，開始使用 AWS 上的預測性維護。
