制造业迈向工业4.0 预测性维护日显重要

  制造业在进行数字转型(digital transformation)、迈向工业4.0(Industry 4.0)时须善用数据分析(data analytics)、人工智能(AI)、机器学习(machine learning)等新兴技术并整合长期制造策略，以扩大生产现场、客户体验、服务模式的商业利益，而预测性(predictive)维护将日益重要。      根据Global Manufacturing报导，在其近期出版的「制造2020」(Manufacturing 2020)报告中，制造业指出运用工业物联网(Industrial IoT，IIoT)改善工厂连网的长期效益包括生产成本降低、弹性增加、产量提升，而资产维护的转型对于达成这些目标至为关键。ERP与咨询服务供货商Columbus UK认为预测性维护正改变制造与企业维持竞争力所需专注的技术。   

  

  欲达成工业4.0目标，维护作业也须善用数字技术转型预测性模式。Domino Printing Sciences

     IIoT有效运用生产现场设备内建的传感器所收集并储存于云端系统的巨量实时(real-time)湿度、温度、震动等数据进行分析，可据以提供关于制程与次制程前所未有的全新深刻见解，包括辨识设备状态、监测效率、侦测零件故障等，将大幅转变制造业维护作业的排程与预测方式。      制造业欲领先竞争者还必须洞烛机先，数据分析结合机器学习有助于改善资产的可用性、寿命等，包括预测下一个生产瓶颈可能发生的位置，以及如何以成本效益最高的方式为无法掌握的故障安排维护等，让企业得以降低成本、改善作业效率、进行数据驱动的决策。      采取反应性(reactive)维护，则当设备因故障而意外脱机，对生产力的影响已不可逆，且会引发整个生产链的连锁效应。数据是数字转型的命脉，随着采用IIoT的制造业日益增多，运用AI与机器学习辅助资料分析，可从生产现场收集的大数据中过滤出异常信息，寻找潜藏的模式以提升设备可靠度预测的准确性，进一步驱动维护作业转型为全面的预测性模式。      制造业依据精确的预测信息可在设备故障前调整维护时程，预先辨识与解决潜在问题，避免处理紧急状况或过度维护(over-maintenance)所衍生的额外费用，并可提升设备正常运作时间与生产质量。先进数据分析也可辨识与管理新部署的全数字化解决方案的效益及对现行业务程序的影响，协助前瞻企业对抗未来的数字破坏与冲击。      从Domino Printing Sciences更新企业系统以提供更多由数据驱动的商业智能的案例可看出，强化数据分析能力对跨多业务程序的益处显而易见。Domino Printing Sciences运用先进数据分析处理制程中收集的实际数据，并透过自动测试设备排除人类主观评估缺陷与驱动产量提升，还在制程中的各个阶段为产品建立防呆机制，避免到最后阶段补救令损失加剧。