人工智能到底会给未来工厂带来什么变化

近几年工业部门已逐渐意识到数码化的价值，并投入了更多的发展资金。随之而来的，便是反应式(reactive)维护至预测性(proactive)维护的模式转移。在引进机器学习技术后，预测性维修的效率还可获得进一步提升。

报导指出，工业物联网(IIoT)最大的卖点，便在于资料分析所产生的洞见，有助于提升设备的性能与生产效率，增加企业收益。预测性维护除了能将设备意外停机的时间最小化，也能大幅缩短预定的停机时间，在不增加额外资金支出的情况下，提升整体生产力。

工厂在引进工业物联网后，设备维修的依据不再是机器的预期使用年限，工程师也不是只有在设备发生状况后才能做出反应，而是能根据机器的现况，事先判断维修的时机。

庞大的资料量以及后续的分析工作，是达成预测性维护所会遇到的最大挑战。由于要考虑的层面除了感测资料、机器健康讯号外，还有过往维修纪录、机器作业历史、外在条件等，因此光凭一般人力不可能有效率的完成这项复杂的工作。

经过训练的机器学习算法，能够辨识资料内的相关因素，并藉此标示出问题与造成问题的根本原因，便可在此时派上用场。例如，GE Digital的Predix平台与资产绩效管理(APM)套件，能透过机器学习算法对设备状态进行分析，让工厂人员清楚何时适合进行维修，以及之所以要维修的原因。

机器学习算法还能参考历史资料，归纳某一问题发生的频率，辨识出问题发生前的各种征兆。如果能将算法与管理系统集成，便能在机器需要维修时，通知工程人员。

机器学习使得维修资料分析过程更加自动化。事实上，已有一些工业应用可让算法直接对机器进行重新配置。随著算法学到越多，效率提升也将越明显。

英国数学家Clive Humby曾在2006年时宣称，资料是新一代的石油。不论是食品加工厂或是汽车制造厂，生产流程的各项资料将成为提升效率与效益的关键。