預知保養、預防保養、被動式保養 ?設備維護保養方式分 5 級，你在哪一級 ?!
選擇適合的設備維護保養模式，不能不知道的小知識 !
維護保養的模式在實作上大抵分作 5 個等級，每一級都有其使用的時機與優缺點。你知道你現在使用的維護保養模式又是屬於哪一級嗎 ?
第一級 : 被動式維護保養 ( Reactive Maintenance )
簡單來說就是 「用到壞才修」。
這樣的維保方式時常被視為缺乏維護計畫的表現。如果所有的設備都採取這樣的模式維護，那必定會毀掉企業苦心經營的事業。因此就算是維保預算十分有限的小型企業，也需要慎選實施被動式保養的設備。
但並不是說被動式保養就不可行。例如燈泡、或是任何可以跑到壞了再修也不會影響到運行的設備，它們就十分適合。
被動式維護保養適合應用在 :
1. 無須維修的設備。
2. 便宜易維修或更換，且不那麼重要的設備。
3. 構造簡單、用到壞了再換也不要緊的設備。
第二級 : 預防性維護保養 ( Preventive Maintenance )
是最簡單的「主動式」保養模式，也是最多企業採用的維保模式。
通常分成兩種形式進行 :
1. 週期性 : 例如每隔三個月就換一次濾心。
2. 以使用程度為基準 : 每工作 XX 小時；或是每執行 XX 次生產循環，就更換零件。
這兩種方式皆能確保設備保有一定程度的健康，只是同時也有兩個問題產生。
第一個問題 : 過度保養的疑慮
有些被更換下來的零件，可能還十分健康、能多運作一段時間。雖是依照計畫更換，不過卻造成隱性的維護成本的增加。
所幸，目前有許多企業將設備維保紀錄電子化保存，並以系統分析設備的使用程度，將過度保養的風險控制在可接受的範圍。
第二個問題，是許多現場人員的夢魘。那就是 :
為何該換的零件都換了還是沒多久就故障 ? 或是為什麼好好地突然跳機 ?
讓我們先來看下面這項國際工業研調組織 ARC Advisory Group 的調查結果。
根據統計，只有 18 % 的故障是因為設備的生命週期所產生的，能用預防性保養或被動式保養來解決。
但卻有高達 82 % 的故障，是無法光用這兩個方法避免的。原因在於許多故障模式是相當複雜的，並不是單一因素造成，而是許多變數同時交錯才產生的隨機故障。而這也只能用待會我們將介紹到的「預知保養」才有辦法解決。
因此，預防性維護保養適合應用在 :
1. 任何若是故障，便會造成營運問題的設備。
2. 任何低、中度重要性，且維修或更換成本昂貴的設備。
第三級 : 條件式維護保養 (Condition-based Maintenance；簡稱 : CBM)
條件式維護保養廣義上可視為預知保養的一種。
它即是利用一個或數個裝在設備上的感測器所蒐集的數據，訂定設備運作數值的上下限 (未達觸發 SCADA 警報的條件)或 KPI，作為判斷是否要進行維護保養的依據。
當運行數據觸發某個設定的警戒數值或 KPI ，系統便發出通知與工單，告知維保人員有維護的必要。
CBM 廣泛應用在解決與磨損累積有關的問題。 根據輸入材料、環境條件和操作人員的行為等因素，相同類型的設備將以不同的速度惡化。
維保經理可以根據即時狀態監控的數據和與 P-F 曲線，視設備當前狀況安排工作，而不是依照固定的排修時間表。
條件式維護保養適合使用在 :
任何中至高度重要性的設備，並且該設備的故障模式是能被監控裝置、系統所追蹤的。
第四級 : 預知保養 / 預測性維護 (Predictive Maintenance；簡稱 : PdM)
如同前面所提到的，設備故障有時是多種變數交集下產生的。
CBM雖能起到部分預知的效果提前進行維修，但卻無法幫助維保人員在第一時間，診斷出設備到底哪裡出現問題，有效率地解決異常的根因。
隨著電腦算力的提升，以大數據為基礎並使用機器學習 ( Machine Learning；簡稱 : ML ) 為核心技術的「預知保養」，便能有效解決 CBM 的痛點。
預知保養系統可同時結合多維度的資料 : 歷史數據、即時數據、維修紀錄、人員經驗等產生演算法，打造專屬設備的故障預測模型。數據越是豐富，預測模型越是準確。
上圖以 AVEVA 預知保養系統 Predictive Analytics 為例，可利用系統內建的 3 種演算法 : LSH、ICA、OPTICS ，或是自訂演算法訓練預測模型，線上監控設備即時運作狀態。
紅框 : 樹狀結構，分類監控的設備與參數。
橘框 : 當前設備與參數的狀態。
水藍框 : 設備即時數據偏離預測模型，系統產生預警。
綠框 : 設備產生異常，哪些因素是罪魁禍首，系統會自動產生占比分析。
深藍框 : 最後依據導致異常的因素，提供維保人員檢修的方向，可大幅節省判斷時間。
若是設備的運作數值開始偏離、超出警戒值 ( 這邊還是要強調一下，並未觸發 SCADA 的警報值 )，便即時發出預警通知 IT 與現場維保人員，並同時提供異常的根源分析，大幅節省人員判斷異常原因的時間、提升維修準確度。
從 AVEVA 預知保養系統的 Web 畫面即可監看每一個重要設備的狀態是否異常。並可為異常狀態設定燈號，例如 : 紅燈漏斗為嚴重預警待指示、黃燈勾勾為輕症觀察中、藍燈板手為輕症需檢修…等等，內建多種燈號讓人員可快速設定、方便判斷。
最後還能將檢修後的結果、經驗，以及歷史故障數據輸入系統中。如此可讓診斷分析更加精準，衍生出屬於自家專屬的維保診斷資料中心。讓系統成為專屬的設備專家、設備醫生。幫助人員縮短查修、待料、修復的時間。
判斷何種設備需要用到預知保養 / 預測性維護，最簡單的依據就是 :
1. 任何極為重要、一跳機就會損失慘重的設備。
2. 非常重要且若是故障，維修成本高昂、待料時間長的設備。
第五種 : 規範式維保策略 ( Prescriptive maintenance strategy ；又稱 : RxM )
規範性維護策略為最先進的設備維保方法。
RxM 並不會僅止於預測潛在的故障。它能依靠機器學習和人工智慧來建構規範性演算法。這些演算法不僅可以預測設備故障，還可以發現的潛在問題，並提供可行的解決方案。
LNS 研究機構的 Dan Miklovic 提供一個很好的描述 ( 原文連結 ) :
「假設一台設備顯示軸承溫度開始升高。那麼預測分析會觀察曲線溫度，並告訴你它可能會在 X 小時內故障。
另一方面，規範性分析會進一步告訴你，如果設備減速了 Y %，那故障發生的時間會加快兩倍。同時還會主動安排維保作業，並告訴你是否仍能滿足計畫好的生產要求。」
若要達成這階段，企業必須滿足高度自動化並且擁有大量的設備狀態、績效等資料，並且擁有全面性的維護保養模式與架構。
規範式維保策略適合使用在 :
極重要設備；同時滿足高度自動化、擁有大量設備狀態、績效等數據的情況。
以上是五個階段的維護保養模式。
根據國外公司 LIMBLE CMMS 針對全球 154 家企業調查，當前有 91 % 的企業使用預防式的維護保養策略、55 % 為被動式、49 % 為條件式、18 % 為預知保養，最後有 16 % 達到了規範性維護策略。
近年 ESG 的意識崛起，許多大型企業更針對其供應鏈是否有達到 ESG 要求進行審核。台灣就有家大型化工企業將「預知保養」當作是自身 ESG 的目標中的一環，目的是要達成精準決策與執行的永續目標。
