預測性維護(Predictive Maintenance，簡稱 PM)是“工業 4.0”提出的關鍵 創新點之一。基於連續的測量和分析，預測性維護能夠預測諸如機器零件剩餘使用
7
Agrawal and Srikant（1994）提出 Apriori 演算法，用以處理類別型資料
（categorical data），例如：消費者購買的商品。然而，在交易資料庫中的每一 筆交易資料除了包含所購買的物品之外，也同時包含物品被購買的數量，並且計算 購買的物品與物品賣出的數量這一層關係，對於行銷策略的決定也有重要的影響。
處理數值型資料的方法可以區分成兩類：離散化分割（crisp partitions）以 及模糊分割（fuzzy partitions）。
關於離散化分割（crisp partitions），Srikantetal.（1996）運用離散化分 割（crisp partitions）的方式將連續的數值型資料進行離散化成數個區間
（interval），每一個區間即是特定的類別型資料。因此，傳統處理類別型資料的 演算法便可以繼續沿用。而模糊分割（fuzzy partitions）乃是利用模糊理論（fuzzy theory ）（ Zadeh,1971 ） 將 連 續 的 數 值 型 資 料 進 行 離 散 化 成 各 種 語 意 變 數
（linguistic variables），此項技術已經被廣泛應用，例 如：Hongetal.（1999）
利用模糊分割（fuzzy partitions）的方法從數值型資料庫中挖掘模糊關聯規則。
Huetal.（2003）則利用模糊分割的方法分別將類別型資料及數值型資料轉換成各 種語意變數，進而挖掘有意義的模糊關聯規則。
8
另外除了類別型資料以及數值型資料之外，另一種經常出現在交易資料庫的 資料型態為序數型資料。序數型資料則是一種特殊的資料結構。不同於類別型資料，
序數型資料間，數據與數據彼此之間具有順序的排列關係。例如：彩虹的顏色(紅 橙黃綠藍)。其中顏色的相似程度，紅與橙色的相似度明顯大於紅與藍色之間的相 似度。因此，若能考量序數型資料屬性之間的相似度，將能計算出更多有意義的關 聯規則。Chen and Weng（2008）從不精確的序數資料挖掘關聯規則，其研究顯示：
若是能考量序數資料的相似程度，將可以找出更多有意義的規則。然而，考慮項目 之間的相似度固然可能產生更多有意義的高頻項目集，卻也同時產生相似度太低 的項目集。[6]
9 環境趨勢下，SCADA(supervisory control and data acquisition)導入國內企業 生產，從最基本的機台整合到最高層的控制即時策略，反映經營階層對現場資訊的 即時需求，對於現場狀況能有最即時處理，降低不必要損失。
只要是具有資料蒐集與監控系統的軟體都可稱之為 SCADA，此類型的軟體應用 範圍廣，不論是科技產業或傳統產業皆有。
SCADA 的架構主要可分成三部分，首先是中央的監控系統，控制的主要核心，
包括監控軟體或資料蒐集的程序。其次是可程式控制器(programmeable logic controller；PLC)，此控制器用於作現場設備。最後則是遠程終端軟體(Remote Terminal Unit；RTU)，將產線中各式各樣的感測器所蒐集的資料，回傳至中央的 監控系統。
PLC 除了控制現場機構與 RTU 如何工作外，還扮演中央監控和遠端終端控制的 橋梁，中央的監控系統可根據產線狀況設計某些條件，再透過網路傳遞給 PLC，PLC 便根據命令進行工作安排。在產線上，由 PLC 或 RTU 來控制產線的生產環境，並藉 由 SCADA 系統的 UI 介面讓管理者了解生產情形，並設定需記錄或注意的警告條件，
如溫度過低，因此 PLC 或 RTU 會利用溫度、壓力等感測器來控制溫度或壓力，SCADA 則是扮演監控系統的角色。[7]
近年來，許多整合商以開發出許多可編程邏輯控制器(PLC)，監控和數據採集 (SCADA)系統和人機界面(HMI)以及 IT 系統的控制系統連接資料庫，為了物聯網及 大數據技術做了事前的準備。
10