近年來，名為工業 4.0 的現象持續在製造業帶動轉變：工廠變得越來越「聰明」。因此，工廠在獲得技術工具的情況下，努力提高生產率、營運效率與安全性。許多工廠都將新舊機器結合在一起，而使工廠更聰明的第一步，就是啟用「預測性維護（PdM）」。
「預測性維護」著重識別傳感器和產量資料中的固定模式，這些模式代表設備狀態的變化，通常是特定設備的磨損。借助預測性維護功能，公司可以確定資產的剩餘價值，並準確確定製造工廠、機器、元件或零件何時可能發生故障、需要更換。
本系列文章共 3 篇，在第一篇文章中，我們將解釋「預測性維護」如何藉由識別潛在故障，來減少停機時間，降低維護成本並提高運營效率和安全性。
商業價值：預測性維護能幫助你⋯⋯
所有類型的設備（機器、電池以及其他機器和電氣元件）都會隨著時間和使用而耗損。從長遠來看，每台製造設備都將達到其使用壽命。
過去公司使用計畫性維護（schedule-based maintenance，也稱為計劃維護或基於時間的維護）。在許多情況下，該方法著重於減少故障並最終替換本來可以使用更長時間的機器，因為該維護計劃會假定最壞的情況下，關鍵零件的使用壽命。
在某些情況下，公司試圖使用條件性的維護方法 (condition-based maintenance) 來維護或更換設備並且剛好在正確的時間進行（即在發生故障之前）。 但是這種條件的方法需要使用者定期觀察設備。
現在，有了機器學習，您可以挖掘多個參數並準確預測設備何時可能發生故障，而這正是「預測性維護」具體在做的事。預測性維護可以帶來以下好處：
- 減少停機時間
- 提高生產力和營運效率
- 提高安全性
- 了解失敗的根本原因
- 衍生資產價值，即使對年限或條件不同的機器也是如此
技術觀點：什麼是預測性維護？
預測性維護可偵測機器或設備的狀況，並判斷機器是否即將發生錯誤或故障。這種新的思維，是由連接的機器產生的，這些機器會產生大量的數據，而您能夠透過機器學習 (ML) 解析這些數據的意涵。
而許多最新技術，都在為「預測性維護」賦能，並加速工業革命進程：
- 大數據（資料倉儲）
- 雲端運算
- 機器學習 (ML)
- 邊緣運算
- 物聯網 (IoT)
有了這些新科技，機器、工廠和製造過程變得更智能化、整合性高且由資料驅動。預測性維護技術使用傳感器從機器收集資料，例如溫度、振動和聲音。收集並標準化資料後，您可以通過應用機器學習技術來進行預測分析。
當您從高度儀器化的設備收集多個參數時，使用機器學習技術來識別故障模式就變得很重要。透過機器學習，您可以識別即將發生故障的模式。使用深度學習的技術，您還可以在模式內部識別出代表錯誤的模式。
設計預測性維護解決方案的框架
要建構預測性性維護解決方案，您可以先定義您希望預測的內容、其商業收益、可用的資訊訊號以及您的假設來詳細定義使用情境。您收集的訊號和故障範例需要符合您的使用情境。
想了解「智慧製造」？歡迎閱讀這篇《工廠製程革新：AutoML Vision 如何優化製造業的視覺檢測，改善品管？》
預測性維護的常見使用情境
在本文中，我們描述了構建預測性維護方案的常見用例。預測性維護相關的一些常見用例包括：
1. 此設備會發生故障嗎？
在這種情況下，您的目標是希望預測「設備在給定時間內是否會發生故障」。用機器學習術語，這是一個分類問題 (classification)。
您應該為失敗定義「期限」：是否這台機器會在接下來的「1天」或「1週」或「1個月」內發生故障？
要解決此問題，您需要為資料貼上標籤：
- 正常範例
- 失敗範例
您可以透過驗證是否看到正常實例與失敗實例之間存在分離模式來檢查的可行性。例如如果您的目標是預測「此機器在接下來的 7 天內是否會發生故障」，則應檢查最近 7 天的資料與以前的資料是否存在任何差異。
在許多情況下，人類可能無法識別這種差異，但是深度學習模型可能可以發現其中細微的差異。
2. 設備的剩餘壽命是多少？
在此例子中，您的目標是確定資產的剩餘壽命或價值。在機器學習術語中，這是一個回歸問題 (regression)。
要解決此問題，您需要在各個階段對機器貼上標籤資料。例如，機器是新機器、機器剩 90％ 的剩餘壽命、80％ 的剩餘壽命，以此類推至 1％ 的剩餘壽命。
3. 設備行為是否異常？
在此例子中，您應將重點放在識別不正常、不尋常或不規則模式，因為它們與您期望設備以典型方式工作的方式形成對比。預測性維護技術可發現資料異常，並在機器產生異常範圍內的資料時，儘快發出警報。
4. 優化設備設置
在上述情況下，人員可以設計預測性維護模型。一旦系統可以預測設備是否會發生故障，人們就可以查看資料做出決定。而工作人員也可以使用機器學習來優化製造流程。在這些例子中，系統會自動確定特定內容中的理想行為（設定）以最大化性能。
大多數現代化的製造工廠都包含各種機器和電子設備的複雜交互作用。現代資料中心也面臨類似的挑戰。
本案例研究描述了一座資料中心的機器學習優化。該白皮書詳細介紹了 Google 的基礎架構團隊如何使用 Google 資料中心內的傳感器資料來建立效能模型。他們能成功節省 40％ 的冷卻能源。
模型應用程式包括模擬資料中心，以評估新的工廠設定、效能表現以及偵測優化機會。
我們建議企業在初期，可藉由導入分類 (classification) 和回歸 (regression) 模型，進行預測性維護來開始其 AI 之旅。一旦擁有穩健的流程並在機器學習中取得成功，企業就可以考慮構建更進階的優化模型。
通用資料集 (datasets) 和欄位 (schema)
建構預測性維護解決方案的最重要要求，是擁有正確的資料集。理想上，您應該擁有一個可識別設備性能下降的資料集。
下圖顯示了 4 個樣本設備的資料集，每個樣本都用不同的顏色表示。每台設備都有不同的使用壽命。
對於每台設備，我們從設備一開始使用時就開始收集資料，直到設備出現故障為止。
接下來，您將學習應該收集哪些建議訊號以建立預測性機器學習模型。
1. 物聯網資料
為了確定機器目前的狀態，特別是異常或增加的故障可能性，最重要的就是 IoT 訊號。機器產生的熱量、振動和聲音可以代表到目前為止已經發生多大程度的退化。機器視覺和視覺檢查也可以指示機器狀況。對於電池、電池容量電壓可提供有關電池損耗狀態的一些訊息。在大多數情況下，您可以使用物聯網或視覺訊號（例如溫度、振動、聲音、電壓、圖像等）來建立預測性維護模型。
2. 有關設備的中繼資料（例如品牌、型號或修改版本）
許多設備具有不同的版本、型號和設定。例如，與 2010 年製造的發動機相比，2018 年製造的汽車引擎可能產生的熱量和噪音更少。用於建立預測性維護模型的第二重要資料值通常是以下之一：製造、模型、構造或操作設定。
設備的製造商和型號是靜態資料，不會被更改。它通常作為資產中繼資料存儲在您的系統中。 加入這個小的資料庫，將使您的分析系統更加強大。
3.使用歷程
資料屬性的第三類是使用歷程。例如：
- 行駛 10 萬英里的汽車可能比行駛 2 萬英里的汽車產生更多的耗損
- 與執行 5000 小時的引擎相比，執行 2 萬小時的引擎可能會產生更多的磨損
- 與每天載送 30 名兒童的校車相比，每天超載 100 名乘客的公共汽車可能會產生更多的磨損
- 與每天只使用 2 次的汽車電池相比，每天啟動和停止引擎 100 次的披薩送貨車電池可能會更頻繁地發生故障
使用歷程資料是設備狀況的重要指標。行駛 10 萬英里的汽車可能比行駛 2 萬英里的汽車產生更多的熱量。我們可以認為，熱量訊號（隨時間變化）應足以指示故障。如果新車開始出現症狀，應表現出多年的退化，這不僅代表故障，而且還指示了導致更快退化的潛在故障。
您可以考慮定期（例如每週或每月）更新使用情況資料，並將其作為 input data，納入您的預測性維護解決方案中。
4. 維修數據
第四種能加強您預測效果的資料類型，就是關於維護和服務的歷史記錄。舉理來說：
- 如果最近檢查、維修過設備電池，則與其他長時間未檢查過的設備相比，電池不太可能因電池故障而損壞。
- 如果最近維修了一件設備或更換了某些零件，則在系統記錄的訊號中應該很明顯。
小結
對於製造工廠和飛機發動機等複雜系統，使用工業物聯網系統的最大優勢是能執行預測性維護。預測性維護將提高大多數設備的使用壽命。這將減少製造工廠中裝配線的未預期的停機時間，從而使生產更加可靠。
預測性維護不僅可以節省成本，還可以啟用新的商業模型。能收集使用資料、發布健康狀況並預測故障的設備，將可以為這些內建的預測性維護功能收費。這種設備的製造可以實現新的租賃、出租和維護即服務模式，而製造商則可根據設備的使用量收費。
要開始實踐預測性維護，請首先定義使用情境。然後確保您已經擁有或可以產生與使用情境匹配的數資料庫。為了驗證資料庫是否具有用於建構模型的匹配模式，應使用簡單的資料探索技術來確定資料是否包含損耗或故障模式。一旦掌握了該模式的證據，就可以建構機器學習模型了。
Google Cloud Platform 也提供以下服務，讓您輕鬆建構預測性維護解決方案。
- Cloud IoT 以及 Pub/Sub 服務，以實現 data ingestion
- Cloud Dataflow 實現資料處理
- BigQuery 為您提供企業規模的資料倉儲
- Data Studio 搭配 Google 雲端硬碟使您和您的團隊可以分享視覺化成效
- 於 TensorFlow 上建構雲端機器學習模型
是否想動手開始 Google Cloud 的 IoT Core 服務並將其與 Cloud Storage、Dataprep、Stackdriver 等服務整合？ 註冊 IoT in the Google Cloud quest，即可免費獲得 1 個月的通行證、完全免費。這系列影片將描述如何在 Google Cloud上建構自己的預測性維護解決方案。
請繼續關注 iKala Cloud 技術部落格，我們即將刊登「預測性維護系列」的第 2 部分，介紹資料探索、呈現機器學習類別的比較，並討論作為示範預測性維護系統基礎的一些公式和指標。
（本文翻譯改編自 Google Cloud。）
延伸閱讀：
