預測性維護
預測性維護運用狀態數據與預測模型,在磨損或故障實際發生之前就先察覺,使維護能恰好在需要時進行,而不是依固定排程或等到故障發生後才進行。
預測性維護與兩種較舊的維護策略有所不同。反應式維護是指只有在機台已經故障之後才進行修理,因而造成非計畫性停機。預防性維護則是依固定排程(例如每運轉500小時)進行保養,而不論設備的實際狀況如何。預測性維護則不同,它仰賴持續蒐集的狀態數據與預測模型,來判斷介入的最佳時機。其結果是維護時機既不會太早、也不會太晚,而是恰好在零件真正開始磨損時進行。
其技術基礎是一組持續追蹤機台振動、溫度、聲音發射或油品狀況等讀數的感測器。這些數據透過物聯網連線傳輸至分析系統,由系統偵測與正常運轉狀態的偏差。許多系統運用統計模型,或以過往故障模式訓練而成的機器學習模型,來推算未來的趨勢。當某項讀數超過關鍵門檻,或趨勢顯示故障即將發生時,系統便會觸發維護建議,通常還會附上預估的剩餘可運轉時間,直到可能發生故障為止。
其效益主要在於減少非計畫性停機、延長設備壽命,以及更好地規劃備品與人力。與此同時,預測性維護需要前期投入:必須加裝感測器、蒐集數據,並隨時間校準模型。對於簡單或非關鍵的機台而言,這樣的投入往往並不划算,但對於昂貴且對生產至關重要的設備而言,通常能很快回本。任何預測的準確度,完全取決於底層數據的品質與數量。
實用範例
一家運行12台CNC銑床的金屬加工廠,在其三台最關鍵機台的主軸上加裝了振動感測器。經過六個月的數據蒐集後,分析系統偵測到其中一台機台的振動模式呈上升趨勢,顯示軸承即將出現早期故障,並預估剩餘可運轉時間約為18天。工廠因此將維修排定在產量較低的週末進行,並提前訂購了更換用的軸承。若沒有這項提前預警,主軸很可能會在輪班中途故障,以每日產值7,000歐元計算,估計將造成2天的非計畫性停機,損失約14,000歐元的生產。
Leanshift 如何提供協助
預測性維護與Kaizen思維相契合,因為它根據實際狀態、而非臆測來做出決策,這正是持續改善所要求的:在問題演變成損失之前,讓它變得可見。非計畫性停機是流程中代價最高昂的浪費形式之一,及早發現能釋放出時間投入真正的改善工作,而不是疲於奔命地救火。這呼應了「改善以培養更多改善者」的理念:穩定的設備讓團隊有空間專注於變得更好,而不必不斷修理剛壞掉的東西。
常見問題
企業需要達到多大規模,預測性維護才有意義？
沒有固定的規模門檻。真正重要的是該特定機台一旦發生非計畫性故障,所造成的成本有多高,而不是企業的規模大小。即使是只有一台對生產至關重要機台的小工廠,光是在這一台設備上加裝少數幾個感測器,也能從中受益。
進行預測性維護需要人工智慧嗎？
不一定需要。許多系統僅靠簡單的門檻值與統計趨勢分析,就能運作良好。機器學習能提升複雜磨損模式的預測準確度,但要開始導入並非必要條件。
預測性維護與狀態監控式維護有什麼不同？
狀態監控式維護是針對機台目前量測到的狀態做出反應。預測性維護則更進一步,運用這些狀態數據來預測未來的趨勢,以及可能發生故障的時間點。