人工智慧/預測性維護

智慧城市的基礎設施，包括道路、橋樑、隧道、鐵路、地鐵、機場、海港、

通訊、水、電力及智慧設備的感測器等，皆需要定期維護檢測[34]。透過感測

器即時監控整體環境，優化資源，並訂定預測性維護計畫，監控各方面之設備，

減少故障檢測時間，幫助確定故障之位置，以保持智慧城市中的生活品質[35]。

隨著工業人工智慧和物聯網的興起，人工智慧的技術已經可以偵測機器何 時需要維修，而為了減少因機器故障造成的計劃外停機之次數和成本，預測性 維護是必不可少的一環[36]。預測性維護可透過各種來源的數據（例如歷史維 護記錄、機器中的感測器數據和天氣數據）來確定何時需要對機器進行維護，

利用實時資產數據和歷史數據，操作員可以就何時需要維修機器做出更明智的 決策。預測性維護有益於改善應用於各領域之智慧系統[37]，且其機制有助於 大幅降低維護成本[38]。預測性維護可通過物聯網即時監控所有生產設施、設 備和產品的狀況，通過訊號處理、機器學習和數據分析預測剩餘使用壽命

（RUL），以及確定最佳維護週期和範圍[36, 39, 40]。在製造程序中，可利用人 工智慧演算法，研究機床系統中之刀具和主軸，建立預測性維護系統，系統可 減少機床停機時間，並提高零件的加工效率，且在保證機器安全的同時，利用 維護任務的優化和供應變更的管理來節省成本[41]。

預測性維護的經典概念是主張基於時間所建立之預測性維護模型無法即時 處理維護程序，意即在機器出現故障之前，僅有少數問題會偵測到，因此若利 用感測器系統和簡單的預測演算法，可在線上即時偵測故障警訊[42]，並加入 基於歷史資料所建立之性能指標來平衡維護程序[43]。而智慧工廠通常會將預 測性維護是為重要框架，伴隨著需求的快速變化，基於大數據的模型來建立一 個智慧工廠，此類型的工廠由模組化和靈活的製程所組成，利於重新配置並使 用即時流程。透過這些模型，工廠可依靠大量的經驗，並在決策過程中結合專 家的觀點來預測故障，從而提高對故障和修復程式和時間的認識[44]。

透過利用大數據分析，智慧傳感器，人工智慧以及物聯網之平台構建，可 以將預測性維護應用於各個行業[45]。而目前已有許多企業將預測性維護視為

運營管理策略之一，利用此概念維持生產品質和降低生產成本。舉例來說，勞 斯萊斯（Rolls-Royce）使用 nanobots 進行預測性維護和檢測，提供更好的傳遞 引擎服務，並在對人體有害或難以接近的地方增加機器人的使用量[46]，也利 用預測性維護來管理何時需要對飛機引擎進行維護來積極預防任何延誤[47]。

迅達電梯公司 Schindler 也利用預測性維護，在電梯中安裝了許多感應器，能夠 瞭解何時必須進行維修，並強化電梯的整體安全。博世（BOSCH）利用 Nexeed Production Performance Manager 來執行預測性維護，其軟體從生產環境中的各種 來源收集數據，透過標準化和組合，以對其進行可視化和分析，讓操作員在任 何情況下都可以零失誤的支援組裝工作[48]。現代汽車（Hyundai Motors）公司 開發出一種 AI 汽車診斷系統，該系統可利用 AI 透過噪音來診斷車輛故障，且 有爆震感知器檢測系統（Knock Sensor Detection System, KSDS）以分析震動並 確定引擎是否異常，該公司的營運策略是利用預測性維護，在問題發生之前進 行診斷和預防，利用AI 技術，整合聲音、震動、溫度和其他因素來提高準確性，

使該系統可應用在不僅僅是汽車中，而是所有的機械中[49]。強鹿（John Deere）

公司和國內的東捷資訊服務公司都正在實施 SAP 的預測性維護和服務（PDMS）

技術，在故障發生之前預測設施缺陷，降低維護成本和提升效率[50] [51]。高聖 精密機電公司（Cosen）發明了鋸床鋸帶製程健康預測分析，在控制機箱內安裝 設備監控系統，整合資料擷取模組與訊號處理轉換模組，連接電流感測器與電 阻式溫度感測器，並且導入機器學習與人工智慧技術，而客戶可透過設備監控 系統採集帶鋸機切割時所產生的訊號，並以此資料為機台建模，歸納出相關零 組件需要維護或更換的特徵值，再根據鋸子的受力狀況，以及切削時摩擦所引 起的溫度測量，將其記錄與分析後，便可以掌握設備的健康狀態與產品的使用 周期，將原先不可預測的情況變成可視性[52]。

由上述可知，在各個領域的應用中，預測性維護之重要性，而本研究所建 立之共享商業模型涉及許多智慧設備的租借，因此期望能利用預測性維護的技

術，提供使用者更良好的設備品質，延長共享設備之壽命，達到降低成本之功 效。