預測性維護讓製造業降低營運成本

機器故障讓製造業付出鉅額成本，所幸現在的感應器與機器學習等新技術，可以做到提前預測，進而減少停機時間。據Bureau of Analysis數據，美國平均工業設備使用年限，從1970年代以後就持續拉長，現在平均的使用時間都已達到10年。隨著資產老化，故障與維修的機會就變得越來越多。

預測性維修業者Presenso共同創辦人暨執行長Eitan Vesely表示，目前許多製造業者仍採用到故障為止(Run-to-failure)的方式，這種被動式的維修，但這其實要付出昂貴的成本，除了維修故障的機器之外，這還會損害整個生產線。

由於製造機器的年限持續拉長，製造業者復出的成本與風險也跟著上升。許多公司並未精確量化他們的停機成本，但據估計，就算是小型工廠，其每小時產生的成本也可能高達數萬美元。

工業4.0提供新的技術，可以量化停機時間，並監測、預測故障。機器中的感應器，可以透過先進的演算法，快速顯示出異常的趨勢與問題。

一般人工方式需要拿著清單，並設定許多變數，並根據歷史數據進行評估；機器有複雜的演法，可以考慮成千上萬個變數，而且即時偵測出細微的改變，這是傳統方法作不到的。

Infosys全球調查指出，儘管81%製造商明白機器學習有助於機器維修，但只有17%真正採用了相關技術。許多中小型業者還在使用1980年代的系統，甚至使用人工的數據分析。

還沒導入預測性分析的製造業者可能會問，究竟這麼做的投資報酬率有多高？使用預測性分析，需要投資感應器和SaaS解決方案等。製造業者應該瞭解相關分析工具的精準度，同時考量停機所造成的衝擊，然後做出綜合評估。

Vesley認為，一開始應該從概念驗證開始，如果能夠提前偵測出資產故障，這時候管理階層就比較容易接受這樣的提議。跨部門的合作，包括IT部門與營運部門的整合，也是非常重要。