預知保養懶人包:

執行摘要:

預知保養重點摘要:

一、預知保養可針對發展性異常進行估算故障時間，發展性異常惡化速度為指數模型。異常大多數為發展性異常。

二、預知保養系統必須可以清楚量化設備出廠的品質，可以追蹤早期的異常，可以避免異常造成其他異常發生(連鎖效應)，並且可以做為維修品質或是採購品質的依據。

三、要做到清楚量化設備出廠品質並且精準的量化設備目前的狀態，系統必須要處理雜訊、傳感器精度、異常訊號重疊、操作與負載變化並且於可同時定性與定量的平台進行分析。

四、批次生產需要避免設備進入連鎖效應區，如進入連鎖效應區，會造成維修間隔(MTBR)降低、設備壽命降低、並且造成1~6%的額外能耗。如可避免設備進入連鎖效應區才可以做到美國能源局所描述的降低保養花費25~30%。其次是利用看得到出廠狀態的診斷視野最佳化維修品質，並且用於增進維修能力。

五、連續性生產最少需要一年以上的精準診斷視野，如果有備載，最少需要六個月的診斷視野，才可以做到降低停工時間35~45%，並且增加生產力20~25%。其次是利用看得到出廠狀態的診斷視野最佳化維修品質，並且用於增進維修能力。

六、精準的預診需要處理系統的不確定性、系統模型的定義基礎的不確定性、惡化模型的不確定性、預測的不準確性與失效閾值的不確定性。

Artesis技術已解決上述問題，為業界最先進的預知保養系統。

預知保養手法與生產模式

預知保養的成功率不高，主要原因其實是預知保養手法的合適度，預知保養是高階的工廠管理，牽扯的範圍很廣，不同的背景環境需要特定的預知保養手法。

預知保養主要是根據設備狀態作為保養工作的依據。預知的部分就是根據狀態的定量分析(監)數據進行投射(控)，並且做出保養工作的決定，早期的預知指的是還沒拆設備進行維修前靠量測資料預測是否需要維修。最重要的是保持設備妥善狀態或是避免停工。妥善性與停工對於不同的生產模式有截然不同的意義，妥善不代表不會停工，停工不代表不妥善。

預知保養更進一步的思維就是為了改善妥善率與停工率，範疇就更廣泛，從設計、運行、維修進行改善。首先討論關係最密切的運行。

1941年預知保養起源於改善戰鬥機妥善率，這如果用戰鬥機的停工率來描述就不合適。80年代用於生產，生產有許多模式，主要可以分類為批次生產，批次連續生產與連續生產。妥善率對於批次生產意義遠大於停工率，生產時段短，閒置時段長。停工的機率低，生產時停工影響有限，妥善率影響也有限，如果有備載就可以完全防止生產停工。批次連續性生產就完全不同，在稼動率高於80%時，停工會造很大的損失，當稼動率低於80%，閒置時段漸漸的高於運行時段，這時的停工的損失就越來越小。

妥善是主觀形容設備狀態的形容詞，而停工是描述發生事件的名詞，停工很難會有主觀的問題，但是妥善率就會有很多主觀的問題，相信每個設備負責人都會盡力準確地描述，當然也有例外，如果不清楚量測的問題，很有可能描述設備妥善會造成停工，而停工的時候負責人會認為設備是妥善的，只是倒楣而已，其實這就是負責人有很多盲點，我們會透過幾篇文章來解釋這些盲點，每種生產的型態的盲點不一樣。

預知保養與生產模式

台灣市場認為預知保養就是安裝振動與溫度傳感器，這是沒錯的，只是落後超過半世紀。加上IOT與大數據或是AI不會使得保養更進步，還是落後半世紀。預知保養的起源於戰鬥機的妥善率，但是後來因為停工會造成重大傷亡，因此航太業從預知保養改善到可靠性保養，這比預知保養更謹慎周密，成本最高風險最低的保養手法，備載1+1不夠，經常會有1+N加上成本最高的可靠性保養，在這種高預算的環境下， 當然有許多的傳感器，有許多有用的資料，這時候IOT與AI就會有相當大的幫助。

航太業以外，海軍因為在海上運行維修較為困難且成本高，因此也使用預知保養，但是預算遠低於航太業。(這裡打個廣告，如果有設備處於不易維修且不易安裝傳感器的地方，Artesis 的AMTPRO會是很好的解決方案。如果是連續性營運的可使用eMCM)

預知保養系統初期主要使用商用的傳感器，通常都是加速規與溫度傳感器，即使可能沒有經濟價值，但是對於災害的防治有一定的功效。因此基本的加速規與溫度計加上業界準則或規範成為很好的災害保護系統，通常都有單一的閾值，設定在危害發生前安全的範圍。保險業為了合約的可行性通常都會要求符合某些業界的準則或是規範，像是石化業的API、或是海事的Lloyd’s Register等(Lloyd's Register 與ISO都推薦Artesis技術)，後來被區分為保護系統。當然也是預知保養系統，只是很多狀況下落後了超過半個世紀。

1980年代生產業開始預知保養思維，但是到至今成功率極低，在歐美成功率不到25%。這數據是根據很多的業界調查。結果沒有具體的結論，最常見的結論是沒有高層的管理層直接帶領專案的團隊。其實最基礎的答案在業界都買什麼傳感器，還有業界的傳言與實際的經驗。台灣生產界的預知保養主要是使用加速規與溫度感測器，目前成功案例有限!可能不到1%。如果是連續性生產，在工廠還沒定期大修前兩個月量測到異常，結果一個月前就故障，這時候預知保養只做到將非計畫性停工的名稱改為計畫性停工，沒有避免停工造成的損失。如果是批次性生產，在工廠產能固定時，只量測到MTBR(維修時間間隔)縮短，無法增加MTBR，這樣的操作無法降低保養花費。根據美國能源局與商業局做的報告，連續生產的部分:可以增加生產力20~25%(生產力=輸出/輸入)，減少35~45%的停工時間。批次生產的部分可以降低維修保養費25~30%。如果使用古早的預知保養系統，或是保護系統只告訴你設備是不是該修了，這種沒意義的資訊能夠達到報告所述的好處嗎?

部署預知保養牽扯到很多問題。對於一個要開始部署預知保養的公司來說，首先是拿不到業界成功的預知保養經驗，這些成功的經驗通常都是公司機密，只能看一些退休的高層為了賺外快寫的書，也有很多廠商甚至是知名公司的員工亂寫一堆出來騙錢、甚至學術界也寫了一堆沒用會誤導的論文。如果沒有經驗通常都會看一些知名公司的員工或是學術界寫的垃圾。其實預知保養比較著重實際經驗，最好要先調查作者的背景，通常會描述他的預知保養經歷，不然很容易被誤導。

預知保養的相關文章很少描述了成功案例的背景，更不會描述失敗的案例(論文會比較多)。但是成功的關鍵就在於預知保養成功案例的”背景”。

如果是一個沒預知保養經驗的初階者，通常都搞不清楚要量測什麼?如果知道是要量測設備異常，也不清楚異常種類，更不用說特性。通常都會認為故障是隨機的，只要有保護系統的功能就夠了。對於感測器的了解也有限，看不懂規格，即使看得懂規格也不知道到需要那些規格，廠商一定沒有預知保養經驗，一定會跟你推薦他們想要賣的，這是為何台灣預知保養主要使用的傳感器為加速規與溫度感測器，即使用了也不清楚為何沒效益?最後會認為預知保養是詐騙，導致很多公司都拒絕推動預知保養。傳感器的行業本來就像是賣藥的，這是最狡詐的行業，因為機會少，利潤不高，加上台灣市場小，請不起素質高的業務。既然搞不清楚傳感器，預知保養系統就更麻煩了，牽扯到訊號處理與訊號分析，最奇特的是居然看到國營企業用FFT做定量分析。FFT只能做定性分析。最近又流行AI與IOT，IOT沒啥意義，但是AI又帶來一波業界奇特的現象，後端的大部分狀況通常都沒有效益，因為局限於資料取得的手法，頂多會有一個智慧警報器，提醒你漏掉沒看到的訊號。

如果是預知保養初階者，掉到上述的陷阱都情有可原，但是如果不清楚自己的預知保養”背景”就比較離譜了。目前碰過唯一清楚的是長春化工，而且只碰過兩位不同單位的，這兩位都很清楚，他們不是我們的客戶，他們都是批次生產、有很強的自行修復能力、有很強的保養能力、很清楚他們要什麼，目前也沒什麼大問題沒辦法解決，他們是主動參加我們辦的發表會，了解我們產品的功能。其實大部分客戶都不清楚他們要什麼、不清楚也不在乎業界產有那些技術。

批次生產

長春化工為何不是我們的客戶群?因為他們大部分是生產特殊化學品，小量高單價的批次生產，也不是連續批次生產。根據圖中解釋，停工的時間可以靠排程補救，保養費有限，大部分都是自行處理，設備每個廠也不多因此移動式的AMTPRO也用不上，除非很多工廠共同使用一台，使用上也不方便。他們需要範圍廣的監控系統、不需要整合這些監控系統。

我們的系統會造成他們使用的不便，因為診斷視野過高，他們只需要小於一個月的視野、視野太高不但會造成維修次數增加、增加成本、拿警報嚇自己、也會造成主管詢問一些沒必要的問題、反而成為決策的雜訊。或許他們需要定性分析、但是不是必要的，可以用很便宜的傳感器尋找故障的位置、根據位置判定，他們的環境雜訊可以控制、可以選在非生產時量測。批次生產不需要固定式的持續監控的預知保養系統，使用保護系統巡檢就足夠了。

批次生產也不是都不需要高診斷視野，如果生產高單價產品且原料也很貴，生產過程有一定的時間，且有發生過停工的事件造成財損，這時候也需要使用診斷視野較高的預知保養系統。其他狀況也有可能，像是海事的設備如果出海很長時間、維修不方便，或是交貨期很長的設備且沒有備品。其他狀況像是設備非常昂貴，使用高診斷視野的可以有效延長設備的壽命，但是先決條件是具備很強的維修與保養能力。主要的方法是避免異常惡化到造成異常連鎖效應(Knock on effect)，通常在設備故障發生前六個月(異常診斷視野六個月)會進入連鎖效應惡化狀態，也就是異常狀態惡化到會觸發其他異常的發生，降低MTBF，一直降低達到動態平衡，這時不但會造成維修費的增加，還會增加到買一個新的設備比較划得來。其實保養的好設備沒有壽命的期限。

其實批次生產大部分都可以使用先進的預知保養(這裡指的是先進的預知保養系統，可以很清楚地從設備出廠就能持續監控狀態，診斷視野最少十二個月，不是古早的預知保養系統，只能在故障前幾個月看到異常，古早的系統應該稱作:保護系統)，但是如果沒有使用過業界最先進的預知保養系統五年以上的經驗，很難看到中間的貓匿，這會比連續性生產模式複雜很多，這也是近期才發現的，如果能體會中間的精神，你就成為預知保養專家中的專家，因為這是給連續製程的懶人包，我們就說到這裡，如果有興趣的可以參閱:批式生產預知保養指南

連續性生產包含批次連續性:

連續性生產的目的跟批次生產的不一樣，批次生產停工可以輕易的重新排程救濟，不會造成損失，但是連續性的就無法重新排程補救，損失通常很嚴重。高層的管理層因為不清楚成功的預知保養手法、也不清楚預知保養業界的技術，往往認為異常是隨機的，發生就只能自認倒楣，基層的很多也是這樣認為，因此常常擺設了乖乖在機台上，乞求神明的保佑，乞求神明通常是認為走投無路。其實很多時候異常不是隨機的。早在1970年代NASA就開始研究Incipient Fault 或是developing fault，目的是診斷早期的異常，因為每次太空旅程都無法維修，跟海事差不多，因此出發前要確保可以偵測與量化任何問題。Artesis的發明人在NASA專門研究異常，且他妻子是噴射系統專家，因此很清楚Incipient Fault發展性異常。NASA將異常歸類為Abrupt Fault、Incipient Fault與Intermittent Fault。發展性異常通常幾乎都是機械異常，機械異常超過90%都是發展性異常(馬達超過65%為發展性異常，轉動設備最少60%為機械發展性異常，發展性異常高達75%)，包括但是不限於:零件鬆動、基座不穩或稱作軟腳、不平衡、不對心、軸承、傳動系統(耦合器、皮帶系統、齒輪系統等)、轉子與定子等，大部分機械設備為轉動機械或包含轉動機械，轉動機械通常都是馬達所驅動，因此可以參考IEEE的馬達調查報告，轉動機械的異常大多數是馬達，整台設備馬達除外的異常發生率通常小於馬達異常發生率，簡單設備大約是馬達異常的1.3倍，IEEE 有做過馬達故障詳細的調查，包含引發異常的原因(兇手)，與惡化的因素(幫兇)，以下為IEEE馬達報告內一些重要資訊總結: (詳細的內容請觀看文章最後的連結):

順便提供監控儀器的CP地圖，成本vs異常覆蓋率，其實以下這張圖對於如何部屬預知保養非常重要，根據美國能源局的資料，真正對於預知保養有效益的儀器不便宜，甚至給了個大約價格，如果換算通膨約是三百萬台幣，十萬塊美金，也吻合了我們對於超過一年診斷視野的推測，應該指的是加速規或是Proximity 傳感器，而很多三個月的診斷視野的MCSA也是這個價格，而針對模型式ESA (MCSA 3.0)，ISO 標準提到(MCSA 3.0)的價格便宜很多，根據煉研所調查，在台灣Artesis的價格(裝到好的價格，設備本身只占一半，有些客戶較重視美觀)大約是等同性能的五分之一不到，ISO提到(MCSA 3.0)價格時，Artesis是唯一有商業化MCSA 3.0技術的廠商，不是每個設備都適用高端的儀器，我們通常用每單位時間停工損失、停工損失與單位時間設備維修費評估適用性，嚴格的來說，我們指的先進預知保養已經跨界到PHM(狀態預診管理或設備健康預診管理、Reliability maintenance可靠度管理)但是因為管理的範疇並且目標為協助維修品質與能力，因此還是稱作為預知保養。當評估的停工損失與維修費很低時，使用先進的預知保養儀器無法有顯著的效益、但是可以選用其他的保養手法，像是溫度顯像儀、溼度計、基本的潤滑油自動添加與監控、基本的電表、便宜的振動規，這些還是可以達到很快的投資回本。  

異常分類後，異常的惡化的狀態與異常惡化的速度成正比，分離後的異常訊號可以用指數建立數位模型。 

當預知保養系統廠商跟你說異常是隨機發生的，他們的系統一定沒能力估算失效時間、也沒能力分離各別異常種類的異常訊號、更沒能力在頻譜上同時進行定量與定性的分析。如果異常是隨機發生的那就需要套用AI分析，使用機率去斷定異常發生時間，如果沒有足夠的以往資料分析的準確性就會有疑慮，根據我們的經驗，即使有足夠的資料，分析的準確性也會有很大的疑慮，加上異常發生率很低，因此學習一台設備的特有異常其實一點用都沒有。轉動設備發展性異常文章會更詳細介紹。

了解了發展性異常的特性，但是發展性異常模型要怎樣應用?我們就需要討論到診斷視野，這也是源自NASA。

假設你有個水晶球可以得到一次神明一年內預知保養相關的解答，且你負責的設備是連續性生產的設備，你會問水晶球說我只要知道這三個月會不會停工?還是你會問水晶球到下次大修之前，什麼時候會停工?業界通常大修時間為一年，如果沒有備載，基礎常識是最好有大於每次大修間隔的診斷視野，以業界習慣間隔差不多是一年。如果連續性生產所採用的預知保養系統只有小於三個月的診斷視野，診斷出異常還是會造成停工的機率是80%，最少75%，如果異常診斷覆蓋率不到100%，也就是說有異常診斷假陰率(沒去測試也算假陰率)，機率會更高，如果異常診斷假陽率高，機率是無限上升。這時，預知保養系統只會將非計畫性停工的名稱轉為計畫性停工，沒辦法避免實質的停工損失。診斷視野理論上是越長越好，極限就是設備出廠狀態品質檢測，如果能檢測到出廠品質，有助於改善採購品質與維修品質，也可以協助增長維修能力，如果診斷視野只有三個月，維修品質通常都會限於停工前三個月的品質，造成維修間格嚴重縮短，設備長期處於異常連鎖反應區，造成設備壽命嚴重縮短，影響產品品質，並且增加可觀的能耗(2~6%)。這對於批次生產的保養費影響嚴重。要注意的是，業界沒有一定標準，通常都會將診斷視野三個月稱作早期診斷，也就是使用加速規在5K~10KHz量測異常，真正的早期通常應該指的是十二個月，或是使用加速規在20KHz或以上量測異常，高頻量測是因為避免雜訊。MCSA則需要有效處理電力的雜訊，MCSA本身不會被環境振動雜訊影響。 

或許你會想，我有備載，怕什麼?我們碰過很多有備載還停廠的案例。其實根據澡盆圖，1+1備載的停工發生率不是0.49%，而是3.5~5%，如果是高於500馬力的，故障率會高於三倍。N+1備載的停工發生率會高於1+1。因此在航太業常常會看到1+N而不是N+1備載。 

因此通常會需要十二個月的診斷視野，最少也是六個月的診斷視野，如果設備設計正常，部件也沒有嚴重瑕疵，設備也沒刻意過載，Artesis可以很輕易的達到十二個月的診斷視野，如果有些微的過載或是一些設計與製造瑕疵，Artesis也可以最少滿足六個月的診斷視野。診斷視野與維修能力文章會詳細介紹，並且會介紹PHM(Prognostic Health Management)預測與狀態管理的系統模型準確性的條件。

Artesis技術為何可以達到較為業界精準的十二個月的診斷視野?主要是解決了以下問題:

•  傳感器精準度

•  雜訊干擾

•  異常訊號重疊

•  操作與負載的不穩定

•  頻域定性兼定量分析

•  精準的預診 (這會在診斷視野與預知保養介紹)

傳感器如加速規會被環境溫度等參數影響，並且響應靈敏度會衰退，約略為每年<0.5%，Artesis採用無傳感器技術(比流器與比壓器)因此完全沒有環境溫度等參數或是衰退的問題。雜訊干擾的部分，Artesis採用MCSA，MCSA不會受到環境振動雜訊干擾。

但是MCSA 會受到電力訊號干擾，Artesis 使用數位模型的建立去除電力雜訊。 

雜訊可分類為:

•  非持續性的突發雜訊(對於巡檢影響很大)

•  持續性的穩定雜訊，如微機電MEMS加速規本身的雜訊。(如果波幅不大影響有限，但是很可能遮蔽異常訊號)

•  設備本身的正常振動。

•  持續性的不穩定雜訊。(影響較大，很多時候是其他機台的異常訊號)

•  白色噪訊。發生在特定大範圍的頻段。(有些是發展性異常訊號，波幅不大的影響有限)

雜訊造成的影響可大可小，對於估算停工時間的影響有限，雖然小於傳感器的精準度，但是往往會遮蔽異常的訊號，造成漏檢與錯誤示警。(我沒寫錯，邏輯也沒問題，要注意到異常惡化是指數函數，且業界的時域解析度也不夠，這是根據我們的經驗，每的地點的雜訊種類都不一樣，通常都會有超過兩三種雜訊，所有雜訊都有的機會很高)

如果使用加速規可分析高頻諧波，雜訊較小因為高頻傳遞的距離有限。 

比較難處理的是系統正常振動訊號，這需要手動分析，最好的方法是看分類後的異常訊號趨勢圖，如果沒有惡化的趨勢就是系統正常振動訊號，要注意發展性異常的特性，一個是產生異常訊號，另一個同樣重要的特質是會惡化，在縱坐標是Log的PSD上會是上升的直線。Artesis很多狀況下可以處理，目前還不清楚他們怎麼處理的，理論上是使用超過千萬筆的數據進行AI分析。我們看過往返式壓縮機本身的正常振動訊號完全被Artesis消除。目前齒輪箱的還無法處理，但是很可能是真的異常達到動態平衡。 

處理完雜訊接下來就是異常訊號重疊的問題，所謂的異常訊號重疊通常指的是同個機台的不同異常的訊號重疊，如果不是使用MCSA也有可能是隔壁機台的訊號。異常訊號重疊也可能是不同部件但是同個異常種類，通常是因為異常惡化到剩餘八個月壽命會造成其他部件的二次傷害，這不是理論推導，是我們的經驗，每個設備不一樣，剩餘六個月一定會看到二次傷害。有些甚至更早，超過剩餘十個月壽命或是十個月的視野。訊號重疊會造成嚴重的誤差，造成提早警報的錯誤示警，因為振動訊號波幅會加總。

舉例來說，使用加速規看到這樣的訊號，造成許多的停工示警。

可能會認為是一種異常造成的。當 MTBF惡化時這代表問題沒解決，有根因沒找到。 

如果可以分離異常的訊號，或是進行定性分析，就會知道波幅的組成不是單一異常所造成。 

其實是兩種不同的振動訊號的組成。如果不但能分離不同來源的異常訊號，並且可以建立趨勢圖，這時會很明顯的是指數趨勢。不但不會被單一振動訊號所誤導，並且可以準確估算停工的時間。 

其實如果用心使用Artesis超過五年且用於對的應用，這些好處才會慢慢的顯現出來，能看到這些要感謝NASA超過半世紀的研究，與GE曾經是設備監控龍頭超過半世紀的經驗。

異常重疊有兩種狀況，一種是兩種完全獨立的發展性異常，另一種就是連鎖效應所造成的，或是二次傷害，獨立的發展性異常重疊較好處理，可以根據發現的時間，同時發生的且惡化速度一樣的機率很低。連鎖效應(Knock on effect)重疊較難處理，初期(診斷視野十到七個月)的還好處理，超過七個月的就比較難處理，原因是兩種異常會相互加乘導致於偏離模型，此外很有可能觸發超過兩種以上的異常。設備如果很昂貴或更換零件很昂貴且會導致一定程度的停工，最好將異常控制在診斷視野六個月以上，不然設備狀況就很難修復。

如何處理異常重疊呢?最好使用在診斷視野12個月與6的月之間，這時間間段的趨勢圖進行停工時間的估算，這時候雜訊如果控制的好的話，診斷視野十二個月這裡沒有雜訊，如果設備異常惡化會產生連鎖效應，通常新的設備或是某些特定異常不易產生連鎖效應，如果會產生，通常發生在診斷視野六個月後。

Artesis 根據GE傳承的經驗使用可定性與定量的平台上進行分析，也就是使用功率普密度分析。功率普密度分析與FFT快速傅立葉轉換平台不一樣。FFT只能進行定性分析，不可進行定量分析，更不能在頻台上進行運算，主要的原因在於傅立葉轉換後的數據包含時域波的相(Phase)，因此會有波重疊時相造成的建設性與破壞性干涉。PSD因為轉換為功率，將反向的波幅轉為正向，不會有任何問題，甚至可以進行運算。下圖顯示FFT解析度改變後訊號的變化，左邊是FFT，右邊是PSD，解析度由上1000點增加到最下方100,000點，注意到FFT幅度與形狀的改變，PSD則沒有變化，如果解析度改變都會變化很顯然的不能進行定量分析。 

最後，影響比較大的是設備運行的變化。設備運行的變化會產生什麼效應?設備運行的變化會改變異常運號的強度、頻率。運行變化如果是操作的變化、很可能包含轉速的變化，因此會造成異常頻率的變化。異常訊號通常都是作用力與反作用力的撞擊所產生，因此任何操作變化與負載變化會嚴重影響訊號的強度，也就是波幅。對於偵測的準確度影響相當嚴重，很容易造成錯誤示警與漏檢，尤其是時域資料解析度不夠，像是巡檢，解析度就很低，但是也不需要過高，過高會產生沒必要的成本，頻域的解析度也是一樣。如果沒有像是Artesis這樣處理雜訊，系統很自然的會產生很多錯誤示警，這時解析度反而越低越好。下圖解釋如何造成錯誤示警與漏檢。

Artesis的解決辦法很神性，如果神存在，有必要去質疑你的創造者祂的對錯嗎?有必要去批判嗎?異常也是一樣，操作與負載是異常的創造者，預知保養的功能只在於傳遞設備的哀號，傳遞設備的禱告，扮演聖靈的腳色，因此Artesis提供54種的參數趨勢圖可以拿來比較，負載運行很容易判別，可以拿實功率、電流、頻率或是其他異常來跟被觀察的異常做比較。沒有必要再去進行處理，因為如果進行處理就會失去呈現真實狀況的惡化程度，反而變成撒旦，只是這樣去估算設備失效時間會比較吃力，但是因為往往操作與負載的浮動，準確性已經沒有很大的意義。但是用於避免停工撮撮有餘。

管理高層的盲點為預知保養失敗的主因:

魔鬼藏在細節，幾乎所有的管理高層對於保養都有很多的盲點，預知保養屬於高階的工廠管理，在AI與工業4.0對於工廠管理的重點都在預知保養，可見預知保養對於未來工廠獲利的重要性，所有對於工廠管理的改善都侷限於高階管理層的盲點，以下大致做個整理:

• 盲點一:

管理高層認為設備終究會壞，沒什麼大不了的。老舊磨損了就壞很正常。這是錯誤的觀念，保養好的東西是沒有使用年限的，除非設計被淘汰，有使用年限的是耗材或是磨耗材，這些不在預知保養的範疇內。

• 盲點二:

管理高層認為安裝振動傳感器與溫度傳感器就是部署預知保養，然後將傳感器連上網就是先進IOT預知保養，將資料蒐集就是大數據，用AI就完成先進預知保養。這是錯得很離譜的思維，就像是將1964年的技術與思維做IOT與AI。頂多是個IOT智慧警報器。還有許多AI廠商認為可以從正常的數據去看到異常的警訊，基本上這是找到製程的anomaly(不規則)，這不是Fault(異常)，不規則可以看到異常，但是通常都是晚期的異常，剩下最多三個月，對於連續性製程的意義不大，只能降低修復設備的停工時間(20~30%)，無法避免停工造成的損失，無法避免設備進入連鎖效應區，並且無法確認維修品質，更不能改善維修能力與品質，對於批次製程也沒有很大的幫助，很容易被便宜的(幾千塊台幣)的手持式振動規所取代。

• 盲點三:

隨便指定個員工去執行就好了，沒事別來煩我，不要每次都來報告壞消息。預知保養的執行人員通常都是報告壞消息，因為是預知未來可能發生的壞消息因此就像是詛咒一樣，因此做得很好的員工就像是巫婆一樣被討厭，如果他有權限看到其他功能的部門，可以將壞消息包裝成好消息。通常這不是某種單一功能的部門人員可以做到的，即使能做到，需要花很多的時間，且資源也不夠，因此必須成立專案團隊，由高層領導直接帶領。因為是高階的工廠管理，因此最好是能力最強的高階管理主管，這主管必須有改善(Kaizen)的文化意識。

• 盲點四:

預知保養就是裝幾個傳感器能有多難?事實是自從1941年開始有預知保養的觀念，1980年代很多企業嘗試部署預知保養，但是只有25%成功，且成功的程度也不同，75%是失敗的，主要的原因歸咎於沒有高層領導直接帶領，而預知保養是個跨部門的任務，最重要的就是如何將壞消息包裝成好消息，並且計算預知保養帶來的效益。

• 盲點五:

預知保養不是示警後處理完就結束。公司文化或團隊文化主宰著預知保養的成敗，需要有"改善"(Kaizen)的文化

如果想進一步了解連續性生產的預知保養，可以參考本人著作的其他文章，或是觀看相關視頻，如下列連結:

如果想進一步了解連續性生產的預知保養，可以參考本人著作的其他文章，或是觀看相關視頻，如下列連結:

Webinar連結