:::

產業技術評析

預測性維護技術發展概況
發表日期:2022-03-16
作者:陳仲宜(金屬中心)
摘要:
在高度自動化的製造系統裡,設備維護已成為生產管理中最重要的環節之一,產品生產過程高度依賴設備,對於未考慮設備維護問題所制定的生產計畫,在實際生產作業中無法正常執行。設備的維護需要佔用生產時間,不合理的設備維護計畫會使得調度性能惡化,維護是否確實合理亦直接影響企業的生產進度與產品的加工品質。

全文:

一、機械使用壽命分析是制定設備維護計畫的重要依據
 

在高度自動化的製造系統裡,設備維護已成為生產管理中最重要的環節之一,產品生產過程高度依賴設備,對於未考慮設備維護問題所制定的生產計畫,在實際生產作業中無法正常執行。設備的維護需要佔用生產時間,不合理的設備維護計畫會使得調度性能惡化,維護是否確實合理亦直接影響企業的生產進度與產品的加工品質。一個高效的生產調度執行系統與設備維護系統可以説明企業節省產品的生產成本,降低交貨期,從而提升客戶滿意度,增強企業的市場競爭力。為使設備維護計畫充分發揮其應有的效能,必須對其使用壽命進行有效的分析,依此方能保證生產過程中的連續性與合理性的水準,從而發揮出機械設備的使用價值。
 

二、預測性維護技術已成為設備維護市場尖兵
 

由前文可知,基於機械壽命預測分析所發展出的預測性維護計畫,係有別於事後故障維修與定期預防保養的全新維修模式,其關鍵在於:在制定維修計畫時,考慮到設備運行的實際狀態及設備個體之間由於製造過程、工作環境、備品來源、維修保養品質等原因所造成的差異,盡可能地使每個設備在故障發生之前進行維修,這樣既保證設備安全、可靠地運行,避免或減少故障發生次數,又可以充分利用設備零部件的有效壽命,解決維修不足及維修過剩兩大問題,減少停機損失,降低運營成本。

【圖1】所示為預測性維護系統之的工作流程,進一步說明如下。
 

圖1 預測性維護工作流程示意圖

資料來源:德州儀器/金屬中心MII-ITIS研究團隊整理
圖1 預測性維護工作流程示意圖
 

1.進行資料採集工作

根據不同的診斷目的與對象,選擇能表徵設備狀態的有關信號,如振動、聲音、溫度等,使用感測器、資料擷取器、超聲波檢測儀、熱成像儀等各種資訊採集設備,加以監測與採集,使用設備執行資訊系統存儲資料。

2.對特徵訊號的提取與選擇

對測量到的原始訊號進行處理,如快速傅立葉變換(Fast fourier transform,FFT),去掉雜訊及干擾,以提取與選擇故障徵兆資訊,揭示被監測設備的真實狀態。

3.狀態的識別

此項流程十分重要,直接決定故障或異常辨識是否正確,避免做無用功。運用模式識別理論、頻譜分析、波形分析、油品分析等手段與方法,識別設備的狀態,判別設備是否出現異常。

4.故障原因分析及狀態預知

當發現情況異常時,利用故障診斷等相關的方法對故障的位置、類型、性質及原因等進行深入分析,力求徹底消除產生異常的因素,避免類似的故障重複發生。

預測性維護之所以吸引產業的注意力,主要是由於其具有優化資產使用與管理的能力,因此已在工業4.0時代受到關注。根據 IoT Analytics所發表的預測性維護(Predictive Maintenance /PdM)報告中指出,透過物聯網技術的應用,在預測性維護市場有六個主要發展趨勢,依序為:

1.成本節省

依據用戶與使用者調查回饋,導入預測性維護的投資回報率很高,通常能使維護成本降低 10〜50%。由於新的預測性維護的導入,2018 年全球各生產組織節省170 億美元的支出,預計到 2024 年可進一步達 1,880 億美元。

2.大量的供應商出現

預測性維護解決方案供應商的數量在 2 年內倍增,時至統計調查的時間點已有182家知名供應商。

3.應用需求持續擴大

預測性維護解決方案正持續擴展應用,許多專案已進入場域實證階段,甚至不乏有些廠商已針對百萬美元級資產與設備導入預測性維護。

4.數據分析的角色增強

由於人工智慧領域的快速進步及數據蒐集與累積的速度增加,複雜的分析變得越來越重要,佔整個預測性維護預算很大的比重。

5.市場成長快速

2018年預測性維護解決方案市場規模為33 億美元,預計到 2024年將成長39%,達23.5億美元,而透過預測性維護的採用,除可進一步節省成本至1,880億美元外,在法規遵從性及安全性增強方面的表現亦將有長足的進步。

6.迎接下一個挑戰

從過去少數採用預測性維護,到使用者眾;挑戰已從執行與採用解決方以利數據蒐集,轉向數據質量及分析人員的產業知識深度與分析能力。

除此之外,許多工業公司已經擁有大量的數據,但往往很難從中獲取價值,因其缺乏訓練有素的員工,如可以提出數據看法並加以解析的數據科學家。這些公司轉向結合物聯網與人工智慧技術,採用自動化人工智慧/軟體解決方案。新創企業如:Senseye、Presenso、Uptake、SparkCognition 提供工業設備自動診斷系統、分析軟體或平台,以預測設備運行壽命,幫助企業及早因應設備問題,對機台設備的維修保養排程進行妥善安排,以減少因意外停機所產生的損失,降低生產風險。這是愈來愈多用戶採用預測性維護主要原因之一。
 

三、未來展望
 

隨著第4次工業革命的興起,對製造系統的資訊整合化、即時化、動態化以及資訊有效共用有著更高的要求。機器設備與系統正迅速變得更加智慧、更具互聯性,互聯加上生成資料的感測器的擴增,不僅帶來以往未曾有過的海量資訊,且為這些互聯設備及系統帶來提高工作效率與可靠性的金鑰。降低成本的一個具體方法,即是透過最大限度減少停機時間來最大限度地利用其資產。根據Accenture針對預測性維護所作的分析指出,總體來說,若製造業者導入預測性維護,預估可節省12%預定維修的成本及30%因故障而付出的維修成本,另外效益較顯著的部分則是可減少50%的機器故障時間及70%的故障機率。各大公司不僅正在使用高級資料分析,且將感測器資料財富結合其它與資產有關的生命週期參數,現已開始告別預防性維護,把重點轉向預測性維護。使用此種方法,企業可在設備不停機的狀態下,使其更高效、更可靠的運行更長時間,從而可避免因定期調度維護所造成成本高昂的停工。
 

(本文作者為金屬中心執行產業技術基磐研究與知識服務計畫產業分析師)


* 點閱數233
更新日期:2020-04-08

回上一頁 回首頁