對於製造業者來說，生產線發生設備故障甚至導致停機的情況將帶來巨額損失。為了避免此類情況發生，在故障發生前及早偵測到異常情況並採取應用措施，至關重要。
從「預防性」轉為「預測性」的關鍵四技術
(承前文)預防性維護是目前最常見的維護方式，根據設備內零件的可使用年數與可使用次數，定期點檢維護設備。另一方面，設備上通常會安裝許多測量振動、溫度、電流和電壓的感測器，每個感測器會設定臨界值，在超過上限值或下限值時及時進行維護，採取這種半預測性維護的情況正不斷增加。事實上，針對致力於將工廠智慧化的企業所進行的調查中，超過96%的企業將「利用感測器和AI進行設備維護」作為工廠持續智慧化的方向(圖5)。
圖5 想繼續進行智慧工廠化的原因(調查主體：日本株式會社村田製作所；調查對象：(篩選調查)日本國內製造業從業人員11,084名，(正式調查)參與該公司工廠智慧化的製造業從業人員500名；調查方式：網路調查；調查期間：2023年1月25日至2023年1月27日共3天。由於採用四捨五入，合計值可能不一致)
如前文所述，現今設備維護正從預防性維護轉向預測性維護。下文將說明從「預防性維護」轉為「預測性維護」的四項關鍵技術。
一、在設備維護中導入感測器
預測性維護從持續監控設備狀況開始。透過人眼或觸覺進行監測時，所做出的判斷會存在個體差異，無法準確應對設備狀況。藉由導入感測器，可以量化設備狀況，進行視覺化並分析從感測器收集到的資料，使應對更準確。為此，大型工廠需要大量設置多種類型的感測器，而感測器的布線和生產設備更換都需要大量工時。因此，業界需要傳輸距離長、抗雜訊能力強，還能進行無線通訊的感測器。
近年來，市面上還開發出可以記錄生產線作業人員行動履歷的設備，記錄作業人員在發生問題時的應對狀況。透過運用上述裝置，記錄並量化保存生產線上發生的設備劣化，以及作業人員針對劣化所採取的行動等資料，不僅可以協助判斷設備的維護需求，還可以幫助改善工序。
二、感測器融合將複雜設備狀態視覺化
感測器融合技術利用工程學實現單一感測器無法達成的認知功能。具體而言，感測器融合已經被導入先進駕駛輔助系統(Advanced Driving Assistant System, ADAS)中。例如，透過圖像感測器和溫度感測器可以辨識人和障礙物的形狀；使用毫米波或微波的雷達感測器，則可用於測量距離並掌握行進方向狀況。此外，還可以在車內顯示器上顯示警告資訊並自動煞車。上述應用即運用感測器融合技術，根據圖像與雷達感測器等多個感測器收集的資料自動判斷狀況，並將判斷結果提供給駕駛參考。
將感測器融合技術應用於設備維護時，可以綜合分析振動感測器、溫度感測器、電流感測器和電壓感測器的測量資料。比方說，如果電機的振動和溫度正常，但電流和電壓值異常，可以判斷電機運行的負載出現問題；如果僅在振動感測器中觀察到異常值，背後原因則可能是軸承磨損、軸變形、水準異常等(圖6)。
圖6 在設備維護中導入感測器融合
過去此類異常的掌握和判斷需要由作業人員讀取每台感測器的值，將其與過去經驗比較以得出結論，而感測器融合技術可整合眾多感測器所收集的資料，將設備狀態結果顯示在監控螢幕上，即便是經驗不多的作業員也能準確掌握設備狀況。
三、將AI導入設備維護
感測器融合是傑出的技術，但隨著感測器數量的增加和測量的高精度化，資料量將大幅增加，計算也變得愈加複雜，難以顯示準確結果。因此，將AI導入設備維護的方式逐漸受到矚目。
藉由將深度學習等AI技術導入設備維護，AI可以整合和分析從多個感測器收集到的資料。如果輸出結果中存在錯誤，則可憑藉機器學習進行改進，輸出更準確的結果。
若將AI應用於設備維護，將不再是單純地透過設置臨界值來檢測異常，而是可以比較正常資料與感測器收集到的資料，提取差異並自我學習，更準確地應對不斷變化的設備狀態(圖7)。
圖7 將AI導入設備維護
如上所述，藉由將AI導入設備維護，不僅可以減少因作業員熟練程度差異而導致的判斷落差，還能解決過去設備維護中倚賴人力資源的問題，不再需要花費大量人才和時間進行監控和點檢作業。
四、導入邊緣AI設備
邊緣AI是一種將邊緣運算應用於AI的技術。邊緣AI是指在網路末端進行AI處理，這些末端設備包括多種感測器、攝影機、移動終端(圖8)。另一方面，與邊緣AI相反，還有一種稱為雲端AI的技術。雲端AI是一種將雲端運算應用於AI的技術，透過網路連接雲端伺服器進行AI處理，再將結果送回邊緣設備。
圖8 導入邊緣AI設備
比較邊緣AI和雲端AI，邊緣AI在邊緣設備上進行AI處理，不經過網路，因此在回應速度和資訊保密性方面具有優勢，還有不受網路品質影響等優點。尤其對需要處理大量工廠資料的設備維護來說，高資料保密性是絕對條件。另一方面，測量振動和加速度需要以高取樣頻率收集資料，因此也需要較快的回應速度。基於以上考量，邊緣AI對於處理大量資料的預測性維護來說，是具有強大吸引力的技術。
不過，由於配備邊緣AI的邊緣設備大多體積較小，所以也存在記憶體大小和運算能力不如雲端AI的缺點，工廠需要根據目的來選擇雲端AI、邊緣AI或結合兩者的組合。
設備維護攸關企業營運
人們早已認知到設備維護對於生產線穩定運行的重要性，卻也因為過於注重生產，導致日常維護遭到輕忽。現今，製造業全球化深化，生產線不斷地向供應鏈提供產品。特別是在智慧化程度較高的工廠，大多已經建立以正常稼動生產量為基礎的供應鏈管理。在這種情況下，生產線上突發的設備故障必然會對供應鏈造成重大打擊，並導致企業形象受損。
除此之外，將感測器融合、AI等技術導入設備維護中，不僅可以優化設備管理、解決勞動力高成本與人力資源短缺等問題，還能持續保持高生產率、改善能源使用率並有效利用人力資源。
可以毫不誇張地說，在供應鏈擴散等複雜經濟環境下，將感測器融合、AI等技術導入設備維護，實現預測性維護，將是今後製造業企業營運的關鍵。
(本文由村田製作所提供)
感測器融合/AI技術加持 預測性維護確保生產線穩定運行(1)
感測器融合/AI技術加持 預測性維護確保生產線穩定運行(2)