從工業4.0一詞在德國漢諾威工業博覽會提出以來，工廠管理者無不爭先恐後地尋求實踐智慧製造的方法。從製造現場的即時掌握，到趨勢分析、預測都是業界的熱門議題。其中，提升生產設備的維護方法，也是智慧製造不可或缺的一環。對於赴海外設廠的企業來說，這個環節更是格外重要。
其實，過去幾十年來，設備維護多以「計畫性維護」的方式進行，也就是按排定的週期、使用的次數等等作為維護依據。但是這種做法多數仰賴人為的經驗評估，評估的標準容易因人、因經驗而有極大的差距。維護排定的過於頻繁，可能造成的人力及物料成本浪費；維護頻率過低，又可能造成設備計畫外的停機，造成更嚴重的產能損失。而在海外新廠的狀況下，往往又因當地人員經驗落差，更加難以掌控。
條件性＋預測性維護模式，將成為未來主流
近年來，隨著企業認知到上述做法的短處，而開始施行「條件性維護」：將設備實際使用狀態納入考量。再加上工業物聯網、人工智慧等技術精進，推動「預測性維護」真正落實於生產現場。透過設備本身的資訊，結合感測器數據，企業得以遠端監控海外工廠，了解設備真實運作狀態，再輔以日漸成熟的 AI/ML 演算法，有邏輯、有根據地根據設備健康狀態，安排維護作業。除了減少可能的成本浪費，更避免人為誤判所帶來的損失。
不過，根據 SAP 調查顯示*，即便有 76% 的企業認同此趨勢，目前仍只有 13% 的企業具備實際運用數據分析來優化設備維護作業的能力。認知與實踐之間的巨大差異，有很大一部分可歸因於企業的設備資訊量龐大，且往往與維護紀錄分散於各廠不同檔案、不同系統之間，著手分析不易，再加上資料科學專業人才有限，讓預測性維護成了知易行難的挑戰。
解決知易行難：整合資訊、AI
SAP 認為，企業要為海外工廠建構預測性維護的能力，最重要的工作就在於設備相關數據的梳理，與機器學習演算法的覆用。在設備數據方面，企業需要考慮到設備本身的資訊 （如型號、安裝位置）、感測讀數 （如溫度、震動）、維護結果紀錄等。這些數據，必須集中管控，才有可能統整進行有意義的分析。在機器學習演算法上，則不用追求從零開始建構，可以考慮利用業界既有演算法為基礎，再進行調整，降低對於內部人才需求的壓力。
而 SAP 為了協助企業完成以上工作，推出了 SAP 智慧資產管理套件中的「預測性資產洞察（Predictive Asset Insight, PAI）」解決方案。SAP PAI 具備設備 IoT 感測資訊遠端監控能力，且與 SAP S/4HANA 無縫整合，將其與設備主檔、維護歷程等資訊統一管理、分析。延伸閱讀： MPI 研究報告《工業 4.0：資產設備管理再升級》
SAP PAI 更內建九種監督式與非監督式機器學習演算法，讓企業在新廠人力資源有限的情況下也能輕易上手，進行異常偵測與故障預測。同時，也能彈性支援外部演算法，讓企業日後可以根據使用需求擴充。
綜合以上 IoT 遠端監控與 AI/ML 預測分析能力，SAP 期望透過 PAI 協助企業，落實預測性維護，提高設備的使用壽命、減少計畫外停機、並且降低設備維護相關人力物力成本，管理海外新廠的設備營運，並且實踐設備維護的轉型升級。
*資料來源：SAP 2017 客戶營運績效衡量指標