善用云端大数据　使设备恒常维持高稼动率

劳斯莱斯利用物联网与大数据等技术，全天候监控全球4,600具以上客机引擎，形成一项高值化服务，使该公司决定从卖引擎转为卖飞行时数及维护服务。来源：Rolls-Royce

经常参与工业4.0相关主题研讨会的人们，针对属于个中关键应用之一的预知维护，理应不陌生，甚至有不少研讨会活动，都以台湾某知名空压机厂商为例，阐述其如何做好预知维修，据此推动商业模式转型，背后不可或缺的力量，即是云端运算与大数据分析。

对于制造业者来说，举凡工业物联网、智动化、智能机器人、智能机械、虚实化系统(Cyber-Physical System；CPS)等等种种攸关工业4.0的辞汇，都是近几年不断被洗脑的素材，也因而意识到，实践工业4.0的重要目标之一，便是把传统的生产线加以变革，使之成为智能的生产线，继而汇聚成为整座智能工厂。

有了智能工厂以后，在工厂之内的每一台机器设备，不管是相对新颖的机器人、无人搬运车(LGV)，抑或相对传统的CNC加工中心机、SMT打件机、雷射雕刻机等等众多物件，都能够拜工业物联网技术所赐，让彼此对话交流，甚至还能串联更上游的原料供应数据，使得生产线管理者可以快速掌握原物料供应状况，以利于因应诸如急单、插单等各式各样的状态，从而有效杜绝无谓的浪费而降低库存，亦可加快定制化产品的交货时程。

前述种种情景，都是有意导入工业4.0的制造企业，梦寐以求的愿景，然而这些情节主要都偏重在智能制造范畴，算是偌大的工业4.0蓝图中，最令人瞩目、也最具吸引力的一个重要区块，但其实尚有另外一块，也开始受到制造企业投以愈来愈大的关注，此即是智能服务，而智能服务里头的精髓，就是预知维护。

预知维护保养  蔚为高价值智能服务

所谓预知维护，便是藉由工业物联网、云端运算、大数据分析、专家系统等的辅助，好让设备制造商可以随时掌握机台的运行状况，若察觉到一些异常症候，即可预知该机台设备即将发生问题，接着适时介入进行维修保养，避免日后机台突然停止运转，因而冲击到客户的生产力。

综上所述，颇有预防胜于治疗意味的预知维护，与传统的例行维护、事后修复模式相比，着实大不相同，可望有效避免设备在无论维修的时候却进行岁修，亦可有效避免设备在濒临摇摇欲坠之际，却依旧肩负重要的生产任务，一旦解决了这些问题，便能促使机台设备长时间维持高稼动率、高良率、高效能之最理想状态。

更有甚者，由于诉求为机台健康把关的预知维护服务，颇能切中客户实际需求，多数客户的接受度很高，脑筋动得快的设备制造商见机不可失，也顺势推动商业模式转型，逐渐将主要的收益来源，从过去一次性卖断设备产品的销售收入，转为犹如细水长流的预知维护服务收入，甚至开始从卖设备转变为租设备，反倒由预知维护服务担纲主角。

事实上，预知维护的概念，并非工业4.0名词出现后才开始应运而生，制造业界早就有透过振动检测，来判别机台设备暨内部零组件是否异常的做法，长期运作下来，虽然产生一定成效，但颇为有限，只因为这个运作模式的成功与否，取决于是否有蕴含深厚专业分析技能与经验的人才在背后支撑，然而这类型人才并不多见，若以一间拥有多处生产基地的中大型制造企业而论，想要在每一个厂区都配置这样的专业分析人才，可想而知，实现的难度极高。

振动检测的堪称学习门槛之所以高，是因为它主要透过数学运算模型，先把机台设备经由振动所产生的能量，从类比的频率信号转为数码的频谱信号，接着再由专业分析人员凭藉他深厚的经验，针对这些频谱数据执行判读，如果发现频率异常，再按照过往经验法则，从可能发生变异的点，例如轴承、齿轮、马达、变速箱等等，循着这些脉络挖掘异常状况的根源，有时也会陷入大海捞针的窘境，未必能很快找出症结点。在此情况下，也意谓过去的专业分析技术及经验，如同老师傅脑袋里头的瑰宝，并未转换为系统化的知识，自然难以被广泛运用。

然而现在随着工业物联网、云端运算、大数据分析等技术的兴起，使得过去在实现预知维护的过程中可能遭遇到的种种阻碍，通通不攻自破。

振动分析执行者  从老师傅变成大数据平台

今天想要做振动检测，企业需要针对不同厂区的所有生产设备，全都装设振动传感器，以便于蒐集每个机台设备零件的振动数据，再透过所谓的IoT闸道器，持续将这些数据输送到后端的云端平台，可以是企业自建的私有云，也可以是第三方的公有云服务，而这些平台都备妥相对应的大数据分析工具，以及在串联过程中必须使用到应用程序界面(API)，帮助负责预知维修保养的工程师，能在机台设备运作的同时，从线上同步监控设备的状态。

后续只要发现异常，工程师就会在第一时间知会客户，好让客户有充裕的时间可以准备移转生产线，以避免产生必须报废的不良品或是半成品；而在客户完成移线作业，并将疑似故障的设备加以停机后，预知维修保养工程师即可展开检修作业，根据以大数据分析为基础的专家系统来按图索骥，不需要在上百上千个机器零件的茫茫大海中费时捞针，便可迅速找到故障部位，随即执行修复使之尽速回到正常状态，连带也能将该机台设备的停机压缩到最短地步，快速重回工作岗位，接续执行生产任务。

而在落实智能服务的过程中，无庸置疑，举凡云端运算、大数据分析，都是不可或缺的必要元素。如果以属于第三方公有云服务平台之一的微软Azure为例，便已蕴藏有助于加速实现预知维修保养的多项机制，其中最重要的，即是时下相当热门的机器学习，设备制造商可善用机器学习服务，让系统不断藉由范例数据，自动调整分析参数，继而优化执行振动分析；包括机器学习、深度学习、人工智能，乃至概念更加新颖的认知运算，也都可归纳为广义的大数据分析范畴。

至于利用工业物联网、云端运算与大数据分析等技术推动预知维护服务，从而进行商业模式转型之例，其实已经发生，譬如动力系统制造商劳斯莱斯便是一例，该公司巧妙运用上述所有技术元素，针对全球逾4,600具客机引擎进行实时监控，藉以防患于未然，避免飞机引擎发生故障而影响飞安。

而在前述服务模式运作纯熟后，劳斯莱斯索性不再贩售飞机引擎，而是首开业界先例，改卖飞行时数与维护服务，成为各方探讨工业4.0议题时，不时会加以引用的经典案例之一。

如今劳斯莱斯的引擎健康管理单位，跃为维系公司营收来源的关键部门，该部门在全年365天的每一日、每一小时、每一分乃至每一秒，都有人负责紧盯着仪表板，持续观测转速、温度、振动、油压等各项数据的变化，藉以确认全球百余家航空公司客户所采用的劳斯莱斯引擎是否健康无虞，堪称是大数据、物联网的绝佳应用实践案例。