維護方式簡介

預測性維護用一句話貫穿就是「把搶修變成維護」。

常見的維護種類有反應性維護（Reactive Maintenance, RM），預防性維護（ Preventive Maintenance, PM）與預測性維護（ Predictive Maintenance, PdM）。

第一種 RM 是損壞時才修復，這種根本稱不上是維護了，而且當損壞發生的時候成本最高，例如機器停止時的生產時間成本。第二種 PM 就是不管設備是不是有問題，都例行性保養維護，這種的成本主要就是維修成本，錢不能花在刀口上。而最後一種預測性維護則可以將維護與損壞成本的期望值最小化，只在有潛在損壞可能的時候進行維護。成本如下圖：

PdM 帶來的好處：

  • 減少設備維護時間
  • 最大限度地減少因維護而浪費的生產時間
  • 最大限度地減少備件和用品的成本

常見的 ML 預測方法與數據

做預測性維護有很多種方法，例如：

  • 預測剩餘使用壽命（Regression models to predict remaining useful lifetime）
  • 預測一定區間下的機器「狀態類別」 (Classification models to predict failure within a given time window)

第一種方法要求在生產端有一定的設備損壞數據，才能知道還能存活多久，這意味著企業要先「繳學費」才能有這樣的經驗學習，因此如果機台本身有多段的狀態數據，在不正常時就先去搶修，對於企業而言會是比較好的選擇。

而數據收集建議透過 IoT 即時且持續蒐集數據，分析的數據可以從例如振動分析（vibration analysis），油分析（oil analysi），熱成像（thermal imaging）和設備觀察（equipment observation）這些來源獲得。

案例的部分可見這一篇：http://ilms.ouk.edu.tw/d9534524/doc/43787

Reference

https://towardsdatascience.com/how-to-implement-machine-learning-for-predictive-maintenance-4633cdbe4860

https://ivctechnologies.com/2017/08/29/reactive-preventive-predictive-maintenance/

NASA 資料集

https://www.kaggle.com/c/prehackathonsup/data