預測性維護 是什麼？
Predictive Maintenance：預測性維護 的完整解釋
利用機器學習分析設備感測器數據，預測設備故障發生時間，在故障前安排維護以降低停機損失。
預測性維護（Predictive Maintenance）代表了工業維護策略從「故障後修復（Reactive Maintenance）」到「定期維護（Preventive Maintenance）」再到「按需維護（Condition-based / Predictive Maintenance）」的演進頂端，是工業 4.0 與智慧製造的核心能力之一。
維護策略演進
- 事後維護（Reactive / Corrective Maintenance）：設備壞了才修。成本集中在緊急維修與非計劃停機損失，適用於故障代價低、維修快速的設備。
- 定期維護（Preventive Maintenance）：按固定時間或使用小時數更換零件，不論設備實際狀況。常導致零件還堪用就被替換（浪費）或維護間隔太短太長。
- 狀態監測維護（Condition-Based Maintenance）：依據設備當前狀態指標（溫度、振動等）判斷是否需要維護，但仍以手動閾值規則為主。
- 預測性維護（Predictive Maintenance）：利用機器學習預測剩餘使用壽命（RUL, Remaining Useful Life）或故障機率，主動安排維護。
核心技術要素
- 數據採集
- 感測器類型：振動加速度計（Accelerometer）、溫度感測器、電流/電壓計、壓力感測器、聲發射感測器、轉速計（Tachometer）
- 數據頻率：依設備類型而異，高頻振動數據可達每秒數千點，低頻溫度數據可每分鐘一點
- 工業通信協定：OPC-UA、MQTT、Modbus、CANbus 等工業物聯網標準
- 特徵提取
- 時域特徵：均值、標準差、峰值因子（Crest Factor）、峰度（Kurtosis）、RMS（均方根值）
- 頻域特徵：透過快速傅里葉轉換（FFT）識別特定頻率成分，如齒輪咬合頻率、軸承特徵頻率
- 時頻域特徵：短時傅里葉轉換（STFT）、小波轉換（Wavelet Transform）捕捉隨時間變化的頻率特性
- 機器學習方法
- 異常偵測（Anomaly Detection）：Isolation Forest、Autoencoder、One-Class SVM，用於無標記故障數據的早期異常識別
- 剩餘使用壽命預測（RUL Prediction）：LSTM、GRU 等循環神經網路（RNN）建模時間序列退化趨勢，輸出設備距故障的剩餘時間
- 故障類型分類：若有標記的歷史故障記錄，可訓練多類別分類器識別故障原因
- 生存分析（Survival Analysis）：Cox 比例風險模型等統計方法，預測設備在未來特定時間內故障的機率
- 數字孿生（Digital Twin）：結合物理模型與機器學習的混合方法，提升對未曾觀測故障模式的預測能力
- 公開基準數據集
- C-MAPSS（NASA 渦輪風扇引擎退化數據集）：預測性維護研究最廣泛使用的基準，包含模擬的引擎退化時間序列
- CWRU 軸承數據集（Case Western Reserve University）：軸承故障診斷的標準基準
- IMS 軸承數據集：長時間連續運行至故障的軸承振動數據
導入挑戰
- 標記數據稀缺：歷史故障記錄往往不完整，且不同故障類型的樣本極度不平衡
- 設備個體差異：即使是同型號設備，使用環境不同也會導致退化模式不同
- 感測器安裝成本：在已有設備上加裝感測器需要停機與硬體投入
- 模型可解釋性：工廠工程師需要理解「為何預測即將故障」才能信任並採取行動
- 誤報（False Alarm）管理：過高的誤報率會讓維護人員對系統警報失去信任（Alarm Fatigue）
ROI（投資回報）評估
預測性維護的商業價值通常從以下維度衡量：
- 非計劃停機時間減少的生產損失
- 零件壽命充分利用後的採購成本降低
- 緊急維修人力成本降低
- 次生損害（Secondary Damage，一個零件故障導致其他部件損壞）的預防
典型應用：航空發動機、風力發電機葉片、工廠 CNC 機台、鐵路輪組、電梯、石化廠旋轉設備。
中英對照與常見說法
| 說法 | 出現場合 |
|---|---|
| 預測性維護、預知保養 | 台灣兩種說法都常見，製造業多用「預知保養」 |
| 预测性维护、预测维护 | 簡體寫法 |
| Predictive Maintenance | 英文原名 |
| PdM | 縮寫 |
四種維護策略
| 策略 | 什麼時候修 | 代價 |
|---|---|---|
| 事後維護（reactive） | 壞了才修 | 非計畫停機成本最高，可能連帶損壞 |
| 計畫性維護（preventive，计划性维护） | 依固定時間或使用量 | 好零件被提早換掉，仍可能在週期中間故障 |
| 預測性維護（predictive） | 依實際狀態預測何時會壞 | 需要感測器與資料基礎 |
| 主動式維護（prescriptive） | 進一步建議怎麼調整以延長壽命 | 需求最高，導入案例最少 |
從計畫性換到預測性的價值，在於同時減少兩種浪費：不必要的更換（零件還很健康就換掉）與非計畫停機（沒到週期卻壞了）。計畫性維護只能在兩者之間取一個折衷點。
需要哪些條件才做得起來
足夠的感測資料。 振動、溫度、電流、聲音、油品分析是最常見的訊號。取樣頻率要夠高，振動分析尤其需要高頻取樣才抓得到軸承的早期特徵。
故障標記。 這是最大的門檻。預測性維護本質上是監督式學習，需要知道過去哪些時候壞了、怎麼壞的。但維護紀錄常常是紙本、或只寫「更換零件」沒寫原因，導致有資料卻沒標籤。
足夠的故障樣本。關鍵設備通常很少壞，這是好事但對建模是壞事。少數幾次故障不足以訓練分類模型，這也是為什麼實務上大量採用異常偵測路線：只用正常資料訓練，偏離正常就告警，不需要故障標籤。
設備的失效有漸進過程。 軸承磨損、刀具鈍化這類有明顯劣化曲線的適合預測；電子元件的瞬間失效沒有前兆，預測不了。導入前先確認失效模式屬於哪一種。
評估要看什麼
不是準確率，而是三件事：提前多久告警（太晚沒有價值，太早又浪費壽命）、誤報率（誤報多了維護人員就不理它了，這是最常見的失敗結局）、以及漏報的代價。
剩餘使用壽命（RUL, Remaining Useful Life）預測 是這個領域的核心輸出，但它的誤差通常隨預測距離拉長而快速上升。實務上比起給一個精確的天數，給一個區間與信心水準更有用。