預知保養

用中文來看預知是形容詞主詞是保養!預知什麼?這是1941年一位科學家在英國皇家空軍當兵時所刻印的名詞，主要是還沒拆開設備時就用量測數據判定設備的狀態!預知保養後來被NASA與美國軍方廣泛研究與應用，在1980年代廣泛應用於商業生產。主要目的是改善保養，如果沒有保養的基礎，(Analytics)預知與保養的關連不大，也就是對保養沒太大的幫助。如果保養基礎雄厚，用手當傳感器也比先進的AI強!保養最重要的目的是改善設備的可靠度，首先是要防止設備狀態的惡化，再來就是能修復到出廠狀態的品質。

預知保養絕對不是數據驅動的工作、活動或是事件，任何保養永遠應該是保養驅動，數據輔助!

Artesis 技術以MCSA為主(馬達電流特徵分析)，有些人亂說這是電流頻譜，很不專業，這技術有國際的專有名詞，且有國際規範ISO20958。Artesis也量測電壓，因此也稱為(ESA)電力訊號特徵分析，我們稱之為MCSA 2.0。ESA主要是將馬達轉變成傳感器，因此也稱為無傳感器技術。機械的振動訊號由轉動軸傳導，振動造成轉子與定子的相對位移，由於低頻振動的傳遞距離很遠，且不受到環境振動的影響(轉子與定子同步位移)，因此可以很清楚的看到負載的所有系統內部與轉動相關的所有機械異常，甚至可以看到製程的紊流、孔蝕與過濾器阻塞等。Artesis技術採用PSD頻域分析，並且建立模型而將訊號正規化(Normalized)。因此不像FFT只能進行定性分析(沒解析波相(Phase))，Artesis技術可以定量分析，並且可以在頻域進行運算。

預知保養的目標設備主要是要避免停工造成的損失，再來就是降低設備維修保養費用，批次生產比較沒有停工的損失，連續生產在產能滿載時的影響巨大，反過來看，使用預知保養如果需要營運與行銷模式，使用預知保養可以很輕易的在紅海市場開創出藍海市場，僅僅需要使用低價衝量的方式運行，比生產線的可靠度，很容易的徹底消滅競爭對手，對手只要停工就會被消滅。如果生產是間斷的，頂多能降低設備維修保養費用。進行預知保養系統建構時，必須先行洞察設備造成停工損失的風險(風險一定要知道金額與發生率)，或是設備年度維修保養費用，因此可以衡量需要買到那些預知保養儀器。太便宜的性能可能很差，太貴的可能需要很長的時間損益平衡。通常合適範圍、靈敏度、與準確度的預知保養儀器可以帶來超過十倍的獲利。

要注意的是，磨耗品與消耗品通常都不是預知保養的範疇，因為廠商通常都有多年的經驗，並且作了很多的實驗，他們給的數據不但較為準確，且牽扯到責任歸屬問題。

首先要洞悉異常(轉動設備發展性異常 )，因為範圍太廣，因此建議使用帕雷托法則或(怕雷劈)。預知保養主要是偵測發展性異常(Incipient Fault)，畢竟突發性異常(Abrupt Fault) 偵測沒有保養的效益，且間隔性異常(intermitten Fault)大多是負載與操作的問題，不在預知保養的範疇(與設備狀態關係較小)。

預知保養性能的維度複雜，且交叉關聯。主要維度包括異常的範疇(溫度、電氣、電路、機械、環境、負載變化、操作變化等)，異常偵測的精準度(異常偵測的假陽率與漏檢率)，異常偵測的診斷視野(異常失效前多久可以偵測到異常，無限診斷視野就是可以偵測出新設備出廠的品質狀態。)，所以性能要很清楚地描述，如Artesis的設備在電路(三相感應馬達定子、轉子)與機械異常在無限診斷視野的精準度是超過80%，也就是異常偵測在這時候的異常偵測的假陽率與漏檢率總和小於20%)。數據的解析度也很重要，定期檢測的間隔太長，數據的解析度會不夠，對於負載與操作不穩定的設備，很容易造成錯誤示警的分析，當負載增加或式操作增加負載通常會造成很大的異常訊號增加，有時不代表異常的惡化。錯誤示警常常造成工時增加、有時甚至增加維修保養費用，如果使用性能低的預知保養儀器、高階主管不易看到，可以看看工時。診斷視野其實就是對異常訊號偵測的靈敏度，會被設備本身或環境的雜訊與噪訊影響，當然偵測設備的頻率響應也很重要，或是傳感器的品質，Artesis使用無傳感器技術MCSA，沒有相關的問題，MCSA有電力雜訊與噪訊的問題，Artesis模型式的MBFD技術有效的處理電力雜訊與噪訊問題。精準度往往被複雜的訊號所遮蔽，或是被負載與操作影響，但是Artesis AI輔助MBFD可以針對各別異常種類訊號進行分析(各別異常種類趨勢圖)因此可以很輕易的用發展性異常(Incipient Fault)的特性辨識是否為異常訊號。

MCSA技術不是只能診斷馬達異常!MCSA(1951年的技術)可以診斷馬達驅動設備整個設備的轉動異常，幾乎就是所有設備的發展性異常(因為轉動異常發生機率較高)。Artesis僅限用於三相感應馬達驅動設備!別聽不懂的人鬼扯只能用於馬達，異常訊號會由轉動軸傳遞。低頻遞減的有限，由於 MCSA低頻的雜訊與噪訊較少(電力雜訊與噪訊)，因此分析不需要在高頻。因為低頻傳遞很遠，因此使用加速規會被隔壁或是環境的雜訊與噪訊嚴重影響，準確的分析只能在高頻，除非沒有環境雜訊或噪訊。即使只能用於馬達，馬達的異常發生機率，在不是很複雜的轉動設備通常都是佔所有設備異常的70%。Artesis技術不但可以偵測整台設備，還可以很輕易的偵測到製程的紊流、孔蝕現象、過濾器阻塞與變頻器的電容異常。

對於高階的管理人主要要去看所有停工時間總和，通常廠商會把焦點轉移到計畫性停工，真正的計畫性停工精神是根據生產計劃，但是通常會因為失效前一個月偵測到異常而將其歸為計畫性停工，而如果只看非計畫性停工就看不到停工的損失，畢竟如果生產規劃每年進行大修，只有在這些規畫好的大修期間進行維修的才算是計畫性停工，如果我大修期間沒有進行維修，但是因為大修後第三個月檢測到設備在第五個月會失效，因此在第四個月停工進行維修，這就不能算是計畫性停工，而停工事件還是造成，可能可以降低進行修復的時間，但是效益很低。如果是批次生產，則需要看MTBR(Mean Time Between Repair)，MTBR不是越高越好，高很好但是要最佳化，有時候花太多錢沒有意義。除了MTBR，還要嚴格規定會計科目的歸屬，通常都會歸屬到別的科目避免高階主管發現維修經費增加。要注意的是要將預知保養設備歸列於資產支出而非保養費用。

熟悉保養的人通常都知道澡盆圖(Bathtub curve)，都知道設備早期異常發生機率與末期發生機率較高，但是幾乎都不知道早期異常發生機率有多高，根據IEEE調查，早期曲線下的面積是穩太曲線下的面積的300倍!通常早期曲線約三到五年。這代表著如果預知保養儀器如果無法立即發揮性能，則這儀器其實幾乎完全沒效益!很多 IOT或 AI的鬼扯說他們可以監控好設備好的狀態，且可以持續的改善性能。要注意到異常發生機率根據IEEE與EPRI調查馬達異常發生率<7%/台/年，超過500馬力的雖然是三倍，整台設備頂多10%/台/年，可能過了二十年IOT與AI的性能才會達到堪用的地步，這時候設備也差不多該換了，即使換了設備設計也改變又要重新學習。Artesis技術可以隨時具備超過80%的性能，頂多沒有趨勢圖的功能，或許會有一些錯誤示警，建立全性能的模型只需要7分鐘。其實原理很簡單，Artesis可以輸入馬達的設計資料，這些資料都標註在馬達名牌上。

對於設備末期的異常，如果維修能力夠，每次大修時都可以將設備還原到新設備出廠狀態，澡盆圖(Bathtub Curve)的末期異常不會發生!為何不會發生?因為 Artesis技術有無限診斷視野，如果配合好的維修能力，可以管控與用於輔助增進維修品質。通常設備老化與異常造成二次傷害有絕對的關係，二次傷害是造成設備老化的主因，通常發生在診斷視野六個月的時候(診斷視野)。當預知保養儀器的靈敏度或是診斷視野只有三個月時，即使有完美的維修品質也很難避免設備老化，造成MTBR降低，造成升高的維修保養費用。

通常只用於發展性異常:因為突發性異常沒有監控的效益，間隔性異常通常都是負載與操作或外在因素的變化造成。

假設設備基本設計沒有問題:因為設計時如果會產生振動都會最小化，如果有設計的問題通常會產生複合性的異常包含突發性異常，相是結構性的問題。

假設非轉動結構沒有問題:結構的問題如果要監控費用很高，效益有限。

不適用於耗材或是磨損材的監控:通常屬於設計問題，且如果挑選好的廠商，則廠商都已經做過很多的測試，用他們的專有數據會比通用性的預知保養準確，且牽扯到責任歸屬問題，即使能監控也不建議，除非對廠商失去信任。

要去測什麼設備?炸雞排的抽風扇需要測嗎?要測之前需要評估設備的風險，也就是要進行財務風險評估，是否需要花錢去避免停工?設備平均年度保養費的一半使否可以買到一台完整的預知保養儀器?

完整的預知保養範疇:包含機械與電力，無限視野，無異常偵測的假陽率與假陰率，必須在設備操作範圍內與負載變化範圍內有效精準的監控。能偵測到單獨環境與製程的異常訊號。目前Artesis 的eMCM配合便宜的手持式加速規(辨別異常的位置與環境振動偵測)，再加上溫度顯像儀，是目前最完整的組合。

如果使用加速規或是Proximity傳感器，需要再整合溫度與電力的監測。費用會較高。因為安裝較為困能，還要做到數據同步。需要分類異常訊號，並且建立各別訊號的趨勢圖。

如果使用MCSA，需要處理電力訊號的雜訊，且需要額外的整合電力系統。也需要手持式加速規與溫度顯像儀。需要分類異常訊號，並且建立各別訊號的趨勢圖。

如果使用ESA，需要處理電力訊號的雜訊，可能需要額外的整合電力系統。也需要手持式加速規與溫度顯像儀。需要分類異常訊號，並且建立各別訊號的趨勢圖。

AI為演算法(硬體不外乎矩正Matrix的專門運算IC更先進的可能有類比訊號IC(Analogue signal IC))，IOT主要為程式與通訊硬體的整合。這些都是輔助預知保養的工具而已。在台灣幾乎所有預知保養案子都是以AI，IOT為主，而不重視基礎的預知保養甚至保養。原因很簡單，廠商不懂預知保養，依賴廠商就只能重視預知保養的輔助工具。AI可以用於擴大分析的範圍，IOT可以用於整合資料擴大分析範圍。市面上的預知保養系統通常都是通用的，因此如果要客製化分析，這時候很適合用AI或是IOT，但是要記住訊號分析的準則:垃圾進去就會垃圾出去。AI在有限的傳感器資料下無法擴大分析範圍，這些傳感器很多是專門應付某些分析與應用，這些傳感器有很大的限制，如果用於應付其他的應用常常都會有精準度、靈敏度與解析度的問題，如果不考慮這些問題，那還不如擲筊，更便宜與更方便呢!Artesis技術已經做到目前技術的極限，如果後端的資料用於AI與IOT，可以很精準的應用於預知保養，並且凸顯出IOT與AI系統的價值!

公司是不是需要預知保養不在我們的服務範疇，你們說不需要就不需要唄。很多時候確實不需要，但是如果是連續性製程且動力來自三相感應馬達，這很難令人相信。掌權的人最討厭任何改變，歷史記載羅馬時有個科學家發明了很輕的盔甲材料，至少當時的武器都無法破壞，他將技術展現給當時皇帝，結果皇帝不但沒興趣，怕他把材料賣給對手就立馬把他殺了，那時是羅馬的末期。現代商場上也有很多案例，像是柯達、諾基亞等，特斯拉偉大的發明家最後死的時候沒有分文。美國商業局與能源局都分別對預知保養有深入的調查，結果一致，預知保養會是未來競爭勝出的關鍵，歐洲推動的工業4.0是基於他們對市場的深入分析，預知保養是其中的重要環節。當然或許美國與歐洲都是傻逼，沒有參考價值，台灣才是世界第一。我們碰過土木建造公司，他們挖掘宜蘭的隧道，閒聊時問他們怎麼這麼閒?他們說抽氣風扇壞了，幾個禮拜沒事做，等個工程團隊正在閒置，我們介紹我們產品他們才認為有用。跟煤礦老闆閒聊，他馬上意識到這可以替他省很多錢。半導體公司直到備載與正載水泵同時壞掉才急著找預知保養儀器，這些公司在事件發生前從來沒聽過預知保養。當我們知道你們認為預知保養沒用，我們會去跟貴司的競爭對手推銷，當你們問我們你們競爭對手為何使用預知保養，我們會請你們直接去問你們的競爭對手，這是商業機密。國外對於預知保養市場的調查顯示，只有25% 公司成功的推動預知保養，因此有很多大型國際顧問公司提供預知保養顧問的收費服務，我們也不例外。當你們怪罪我們推銷不力時，我們會告訴你，你們沒有合法授權我們你們公司的大小章做採購預知保養儀器或是顧問服務的決定。畢竟你們公司的營運我們無權主動干涉!

看到很多文章嘲笑買乖乖做預知保養的思維，但是當瞭解了預知保養卻發現很多設備的功效其實不如乖乖。乖乖的好處是很便宜，不會造成直接的損失，有效的降低員工的壓力與恐懼感。壞處是對預知保養沒有實質的功效。很多公司買了很貴的設備，每天都活在錯誤示警的壓力與恐懼，後來受不了壓力就關掉示警。錯誤示警會造成額外的工時與財損，甚至因為環境雜訊而造成漏檢。很多狀況下事不但沒有實質的功效，還花了很多錢買設備。因此乖乖在目前的市場上屬於中上等功效的預知保養產品。有錯誤示警的工作需要洞悉先洞悉工作，包含COVID19的檢測。如果沒有洞悉工作就急著進行，很多狀況下會做的比豬還差。豬不會做事，不會把工作弄得更糟，但是如果沒有洞悉工作就胡亂作為，功效做得比豬還差的機會很大。進行預知保養務必要先洞悉工作，不然很容易就丟了工作!在預知保養行業說人做事比豬還不如很可能是事實，被罵豬去告人家還敗訴就會是被認證過的比豬還不如。

這數據是來自一些私人的市場調查報告，詳細的數據並不清楚。如果把預知保養想做為一場賭局，要賭的是每年設備失效還是設備安然無恙?下的賭注就是投資預知保養的預算。根據IEEE，馬達失效率每年7%/年/馬達，我們假設設備失效率為10%/年/設備，通常很多人很直覺的要賭成功率高的設備安然無恙，這賭注低且勝算為90%。乍看起來似乎很合邏輯，但是如果以營利的角度來看，即使勝算為100%結果是沒有贏得任何財務。雖然賭注低或根本沒賭注，但是基本上就是沒作為，如果輸的話是賠了夫人又折兵，不但少賺了錢，丟了客戶又丟了名聲。

如果針對設備失效率下賭注，雖然失敗率高達90%，成功率僅10%，但是如果賭技很高多賭幾次的報酬率可以保證超過十倍的報酬率，目前很多成功者已經把這些賭技寫出了SOP，至少有25%的成功者，最重要的是要清楚賭注、賭技與報酬率。賭注就是預知保養儀器的投資預算，賭技就是預知保養儀器，了解應用與精準度，再來就是停工損失或是保養預算，這就是報酬率。中階主管通常都不清楚賭注、賭技與報酬率，因此成功率極低，高階主管有權限了解賭注與報酬率，勝算很高，賭技其實都是現成免費的，至少Artesis的技術是。我們把賭技很清楚的解釋且公布。很多高階主管的如意算盤是對設備安然無恙下賭注，懶得去學賭技，用最便宜的賭注，這基本上是擺爛，成功率太低了。我們盡可能地解釋清楚我們的賭技，公布大部分的武林密技，懶得去學賭技就沒有其他的藉口。

首先，先解釋這個名詞"監控"，有時候會用來作為監視控制的縮寫，但是如果是名詞，監為Monitoring、控為投擲或是Project，監控的意思就是監測(Monitoring)並且預測(Projecting)。制才是Control，如果只是名詞而不是縮寫，則是監測與預測的意思。請不要亂用縮寫。要描述Control就必須用制來描述!不然就很沒文化。

設備監控主要是描述監測與預測，通常都使用傳感器，或是分析數據。預知保養也是通常使用傳感器進行監測與預測，但是預知保養的專屬的目的就是保養，保養為主詞，預知為形容詞。設備監控包含了以保養為目的的範疇，但是設備監控也包含了以保護為目的的範疇，美國業界稱之為保護系統。保護系統主要是量測單一物力量，如振動加速、位移、速度、溫度等，通常都有固定單一的閾值，超過就必須檢查。通常不允許漏檢，對於錯誤示警的要求寬鬆，不適用於預知保養。因此設備監控(Condition Monitoring)的儀器不見得能用於當代預知保養的目的。保護系統沒有診斷視野精準度的要求，但是可以用於批次生產的設備，但是無法延長MTBR。預知保養的儀器需要足夠的診斷視野，最少六個月的診斷視野，避免二次傷害的發生，同時必須去除錯誤示警，也就是不但要靈敏，而且要精準，並且分析平台要能進行定量的分析。

預知保養不像是其他技術，也不像是其他的生意模式。市場普遍認為預知保養已經是開發了將近一個世紀的技術，應該是很成熟的產業，很少人知道成功率不到25%，因此找市面上最便宜標榜著預知保養的產品就可以搞定，沒仔細去思考為何工業4.0會專門列舉這樣的挑戰項目。

預知保養可以想做一個賭局，勝算不高，輸錢本來就是應該的，也就是賭設備不會出問題，勝算約90%/年/設備。如果想要反過來賭，需要知道報酬率多高?哪種賭法?賭注要下多少?如果在不回答上述問題的前提，且上司要你花錢去賭一下，最簡單的方法就是下很少的賭注碰碰運氣，輸了的損失不會影響情緒，反正賭輸了是正常的。給國小生一百塊就會去做的事情。如果有個情境賭注很高，但是報酬率超過十倍，有已經驗證過超過90%勝算的賭技，這時候賭場就是提款機。重點在於報酬率，了解報酬率是預知保養的動機。

報酬率:正常搞技術的員工通常都不清楚報酬率，這需要一些財務與會計的知識，需要去計算停工損失或是保養費。

賭法與賭注:當報酬率夠吸引人時，需要考慮怎樣去下注勝算才高，需要了解怎樣去賭?用哪種賭法，下怎樣的賭注?賭法就賭哪種會造成失效的異常，最低賭注是多少?用預知保養的語言就是要量測什麼?預算要多少?通常這是經理級才有足夠的經驗。

賭技:

預知保養設備需要具備的主要功能如下:

一、新設備安裝時需要具備立即發揮功效的性能，這是根據澡盆圖(Bathtub Curve)的故障率分布，主要分布在新設備安裝好之後與設備大修送回重新安裝好之後的幾年，根據IEEE的調查，這時故障與異常發生機率頻繁，機率曲線下的面積是異常發生率穩定後的300倍，因此發生故障的機率高於穩態後的十倍以上，如果上線後還需要學習與優化，基本上可以說沒有任何預知保養的功效，且將要面對無數的異常偵測的錯誤示警與漏檢。如果使用純AI的儀器，需要持續的學習與進步，根據IEEE的馬達故障調查，估算設備故障率是10~15%/設備/年，且故障通常都是單一異常所造成，在完成模型優化的半途上，設備應該可以換一台新的，又要重新學習，基本上是買的個花瓶。Artesis只需要七分鐘即可有精準的無限診斷視野。

二、診斷視野要夠長，最少六個月的精準診斷視野!很多預知保養儀器在設計時與實驗室測試時診斷視野都很長，但是實際安裝在工廠內時，無法應付環境的振動雜訊，雜訊的來源眾多，可能是隔壁機台傳過來的(這個很常碰到)、可能是支撐結構傳導過來的、可能是設備本身的、可能是不同異常訊號重疊、可能是負載紊流或是其他因素造成的、可能是電力造成的、可能是過載設備造成的、可能是附近施工造成的、可能是自然頻率的共振、可能是傳感器本身的雜訊，基本上來源很多，低頻的傳的越遠，量測高頻的諧波也是一種辦法，基本上精準的偵測到早期異常(診斷視野六個月)比中樂透還難，還不如買樂透中了就辭職。當然，批次生產的生產線不但環境振動較少，且可以將設備移動到沒有環境振動的環境。這些環境振動雜訊會遮蔽早期甚至末期的異常訊號，如果硬要偵測，會有許多錯誤示警、每天就忙著分析、別的事不用做了，漏檢率也增加。剛好ESA選擇性量測的是傳動軸傳遞的異常訊號，因此量測不到環境振動，因此使用MCSA或ESA可以幾乎完全排除環境振動的影響。但是MCSA會受到電力品質影響，雜訊的程度不亞於加速規，且沒有低頻傳遞的遠的問題，只要有雜訊都照單全收，只要廠區或整個電網內有很多非線性負載，或是突然開關的設備，都會產生雜訊，因此才有ESA，根據電壓的圖表試圖分析出電流內隱藏的異常訊號，後來有了模型式的ESA，可自動去除電壓的雜訊。如果不處理雜訊並且分離出個別異常訊號，診斷視野不可能長，更不可能精準，即使精準，如果不使用PSD功率頻譜而使用FFT也無法進行定量分析。Artesis為業界第一開發出模型式ESA，並且使用RSD(Residue PSD)進行精準的定量分析，至少是業界最準確的，因此Artesis是業界診斷視野最長且最精準的，Artesis的儀器最初是用於設備出廠檢測，後來被當時的設備診斷龍頭GE發現，將其用於預知保養。

三、在有效的診斷視野內精準度要高，除了要處理雜訊以外，還要具備其他的功能。假設已經有了個沒雜訊的預知保養設備，這時候會碰到其他的問題，像是本身的機台正常訊號、其他異常訊號重疊、需要進行定量分析、需要依據設備運行狀態進行評估，從問題的描述不難發現需要分類異常並且分離各別異常訊號然後建立各別異常訊號的各別趨勢圖，異常可以依據IEEE的分類方式，當然，最好能重疊各別異常訊號並且與實功率、電流與電壓了解各種設備運行狀態下的異常發展趨勢。

四、必須能偵測並且辨識訊號是否為發展性異常的訊號。有許多方法能做到，以Artesis的案例來說，發展性異常有三個特性:通常會產生訊號、異常會惡化、惡化的速度為指數函數，Artesis使用AI辨識出個別異常發生的頻段，經過計算產生各別異常的指數，當異常在log的平台上成為直線上升的曲線，即可確定為發展性異常，這種方式可以排除幾乎所有的錯誤示警，但是需要持續觀察幾個月，蒐集足夠資料。造成故障或停工的不只發展性異常，還有突發異常與間接性異常。突發性異常可以使用AI透過Markov chain的模型進行，但是準確性不高，有不屑廠商散布不實資訊，宣稱故障是隨機突發的，發展性異常不算是突發的，在時間軸上與之前的狀態是有關連性的，這種狀況使用純AI反而不準確，他們企圖使用Markov chain模型於發展性異常上。偵測突發性異常很困難且需要大量資源、間斷性的異常通常都是操作與外在因素，因此要完全避免故障發生是不太可能的，能做到的只有盡量掌控風險，這些風險其他部門不理解，也需要明確的溝通。像是生產部往往都硬要過載而不考慮風險，應該是不清楚風險。

五、能定性量測異常訊號:業界很多預知保養產品只能做到定性分析，也就是只能告訴你有沒有異常，通常診斷視野也有限通常不超過三個月的診斷視野，這種產品不能防止異常二次傷害造成的機台老化、並且無法推估額外產生的能耗，避免200HP的馬達異常造成的額外能耗可以輕易地省下買Artesis的預算，無法降低MTBR(維修時間間隔)，也很難完全避免掉異常造成的停工事件的損失。

六、依據設備操作或負載的變化提供有意義的資訊:設備操作與負載變化很容易造成錯誤示警或異常偵測漏檢。如果有各別異常訊號的趨勢圖與馬達頻率與功率變化，可以完全避免這些問題。

七、可以定量分析設備出廠品質、安裝品質、維修品質:這是預知保養很重要的環節，但是因為能做到的產品不多，大概也只有Artesis能做到，因為早期Artesis技術本來就是為了新設備出廠品管所設計的，需要整合操作與負載變化的量測、機械異常偵測、電路與電力異常偵測、精準的無限診斷視野等。在預知保養領域，好的開始超過成功的一半。這不難從澡盆圖bathtub curve推導出。準確來說，好的開始才是任何保養的重點。能夠掌握品質可大幅降低異常發生的風險，且可以追蹤異常的趨勢，可以蒐集很多寶貴的資料。不是買了Artesis就不用做事了，有些客戶會不提供任何資料就要求我們去標記出好設備的異常訊號頻域波峰，如果能提供軸承型號我們可以跟軸承廠商索取資料，使用Artesis軟體輕易地標出，但是這是故意浪費時間，設備維修後的品質良好，且異常訊號不是只有一個波峰、還有諧波的波峰需要一起計算，在訊號能量偏離理想模型不到一個標準差的時候去進行有意義嗎?應該有很多更重要的事要去做吧?

八、完整的做到預知保養的全部範疇:以Artesis 做為案例，業界很少有整合所有訊號的產品，Artesis是少數已經整合機械、電力、操作負載偵測的產品，但是無法偵測到環境振動、運輸造成的振動與環境溫度，因此購買Artesis產品還不夠，最好配合手持式的溫度顯像儀與加速規。振動本身就是破壞能量，環境與運輸振動很容易造成軸承損壞(False brinelling) ，環境溫度也會造成高分子(絕緣)變質等不良影響。

FFT 1Khz 800條對於設備狀態監測(Condition monitoring)的保護系統是夠的，因為只需要定性分析，也不法做到定量分析，也不需要辨識異常。但是如果用於預知保養就很不夠了，所以 Artesis在幾年前擴充了高解析度的功能，1KHz 800條增加到10,000條，也將頻率範圍增加到10KHz，對於振動來說可能還是不夠的，無法做早期異常或是高診斷視野的分析，通常是超過六個月的診斷視野，但是對於不被外在振動干擾的卻很足夠了，甚至可以看到高壓10KV的局部放電。Artesis不是使用FFT，而是計算過的PSD，也就是RSD(Residue Power Spectral Density)，可進行定量分析。1KHz 800條可以應付簡單的異常，約75%的異常，但是如果碰到轉子、齒輪箱還有皮帶的傳動軸，不同異常種類重疊時，或是設備本身的頻率與異常重疊時，就不夠用了。1KHz的範圍可以應付75%的異常，因此也是不夠的，這些不夠的儀器對我們來說只算是玩具。 

無限診斷視野主要是在描述視野，跟異常在何時可以看到無關，就像是賞鳥用視野超過一百公里的望遠鏡，如果視野內剛好沒有鳥出現，就不能說這視野沒到一百公里，每種異常的特性不同，且操作條件也不同，惡化的速度也不同，像是某些轉子的惡化速度較快，某些電路與絕緣的異常也惡化速度很快，這些診斷的視野很難達到六個月，但是高診斷視野一定可以發現的比低診斷視野較早，大致上來說幾乎75%的發展性異常可以用無限診斷視野在六個月前看到，可能會需要一個月的時間辨識是否為發展性異常，這約為60%的異常(包含突發性與間接性異常)，如果使用變頻器低負載運行，因該所有發展性異常都可以在六個月前，甚至幾年前用無限診斷視野診斷到異常。經歷過很多二次傷害的資產、或是電力系統有眾多的諧波或是本身系統就有很多"正常"訊號、或是設備長期的過載，這些都會影響診斷視野，新設備的診斷視野是很乾淨的、如果好好照顧這些新設備，即使二十年的舊設備還是可以保持無限診斷視野。

好的設備不需要進行異常分析，檢測設備本身的製造品質、安裝品質與大修品質時，如果沒有突出的異常訊號，基本上只需要看訊號的分布，通常都不會超過理論模型的一個標準差。不需要在假設異常可能發生的頻段進行觀察，除非真的閒到沒事做，即使真的閒到沒事做，也還是需要先蒐集設備的相關資料，如軸承的型號(取得BPFO, BPFI, BSF, FTF 等)、齒輪相關資料、皮帶相關資料等，才可以進行分析。目前無法憑藉電流電壓的量測推斷上述資料。

小孩六歲的時候我訓練他使用Google查詢預知保養設備，並且詢問規格與價格，他已經可以買預知保養設備了。但是他買的設備不一定能用。要談到診斷視野必須先談異常的定量分析，如果定性的分析異常，說診斷視野都是沒有依據的瞎說，但是不排除可使用算命、博筊或是靈媒作為輔助。但是有沒有用呢?假設一個情境，一個有年度大修的工廠，在大修後測到A異常，且操作變異與負載變化都很大，這時候是否能下決策延長大修進行改善或是等到下次大修的時候再修理?當你有整年的A異常趨勢圖，你可以很清楚那些操作與負載對於異常的影響，並且推斷出是否可以等到隔年的大修去修理。這時診斷視野就發揮了最大功效。並且可以改變操作模式或是負載降低停工的風險。另一個假設針對維修保養的，假設設備有異常，超過了模型的八個標準差，這時可以繼續運行，但是會造成二次傷害，增加設備停工的風險，降低了維修間隔(MTBR)，即將增加運行能耗，且降低了設備使用年限，如果無法量化分析異常，就無法判定何時會造成二次傷害，因此很容易過度維修或是維修不夠，這兩種狀況都會造成額外的運行費用。如果只是定性的分析，其實跟保養沒啥關係，量測完了即使量測的完美也無法對於保養提出有效的貢獻，說與保養沒啥關係也不為過，只是測試一下設備狀態罷了。因此要對保養有實質貢獻的分析最好還是定量分析，並且要將惡化程度與診斷視野產生關聯，這樣才對保養有實質的貢獻，配稱為預知保養儀器。不然找個六歲娃免費幫你做就結束了，幼稚園很多閒著沒事的小朋友都可以幫忙。

很多AI廠商標榜著測試設備好的狀態，可能可以進行定量分析，但是與異常惡化程度的關聯需要時間與驗證後才能有效，基本上比定性分析還慘，不但拿數據嚇自己，廠商還逼著你幫他將異常惡化程度與他的定量分析進行關聯好餵數據給AI學習，很多狀況不見得有關聯，即使找到關聯性，找到的時候已經是幾十年後的事，設備都要報廢換新了，期間還要被迫去處理這些趨勢變異，只是將錯誤示警改個名稱，白忙一場，也無法累積到預知保養的經驗。很多賣AI預知保養的都很有才，只可惜做錯行，如果投身於網路詐騙，估計早就在大溪地逍遙的退休享受人生了，預知保養在台灣的市場太小了。

假設你賞析搖滾樂，你會把訊號接到噪音計然後把噪音計的單一物理量放大接過去喇叭去賞析搖滾樂嗎?你有這個癖好我也不驚訝，能聽嗎?能評斷歌曲的好壞嗎?當然不能排除現代音樂是這樣賞析的。當所異常訊號、雜訊、噪訊都用單一物理相去讀取(讀取不是分析，比對標準也不是分析，如果算是分析，分析可就是萬用動詞了，這還要分析什麼?如果弄到FFT也不能定量啊!

以商務的角度來看，其實比較重要的是金錢豹花魁的三圍資料。拿得到錢誰管你分析出什麼?在很複雜的環境如連續性生產又長年過載，如果要做到定量分析，沒有這些資料就很難確定根因，尤其是設備轉速，這是設備設計資料，難道當初工廠設計時靠AI設計就好了?按一個鈕就可以生成一個完美的煉油廠或是半導體廠?到那時候人類應該已經滅絕了。Artesis的模型式假設這些設計資料可以取得，大幅降低運算成本，大幅增加診斷的準確性與診斷視野，並且在7分鐘後即可準確診斷當下狀況，這是AI一百年內都做不到的(假設什麼資料都不輸入)，原因是因為異常發生率約為10%/年/設備。Artesis最少需要知道準確的轉速資料，即可不需要其他資料診斷出發展性異常，如果要知道這訊號的源頭，還是需要相關的軸承型號、齒輪、皮帶等的設計資料。