想像一座偏遠油砂礦場裡，一台大型馬達正照常運轉，感測器卻已捕捉到異常振動的徵兆。若等到故障才處理，麻煩不只是修理費。這類大型馬達接近客製化產品，關鍵零件從備料、製造到運抵現場，可能得花上數月。等待的每一天，生產可能跟著停擺，造成巨大損失。
如果能從振動訊號裡提早判斷哪個零件出了問題、設備還能運轉多久，供應商就能先行備料，在排定的時間把零件送到現場，縮短客戶停機時間。這是預測性維護在生產現場可提供的真實價值。
有「馬達王國」之稱的東元電機，已做了70年馬達生意。2025年從工研院轉任東元技術長的饒達仁描述：過去公司賣馬達，等到客戶通知設備壞了，再派人前往維修。隨著技術進展，馬達的角色正在改變。
饒達仁回憶，他到任第一天便強調「data is power」。馬達不再只是把電能轉成機械動能的底層元件。它的振動、溫度、電流與負載變化，都能成為判讀健康狀態的線索。
工廠維護機器，最直接的方法是「壞了再修」，代價是一段無法避免的停機時間。後來，業界發展出依固定時間或運轉量保養，就像汽車每行駛1萬公里回廠檢查。這套做法容易執行，但未必反映每台設備實際承受的負載與耗損。
維護是製造最後一哩，卻因風險「看不見」未普及
在航太、國防等不容出錯的領域，人們發展出預測設備剩餘壽命的預後與健康管理（PHM）框架。長期研究智慧維護的美國馬里蘭大學克拉克傑出講座教授、工業人工智慧中心主任李傑回憶，2000年前後他成立美國國家科學基金會（NSF）智能維護系統中心時，曾有人勸他不要研究維護，覺得題目不夠「高大上」。
「但維護是任何製造的last mile（最後一哩路）。」李傑說，維護做不好，生產與效率都會受到影響，「所以這裡其實是決戰性的戰場。」
馬達是預測性維護中最常見、工程知識累積也最深的設備之一，在生產現場幾乎無所不在。旋轉設備的故障通常會留下可辨識的物理特徵。即使沒有今天的先進AI，工程師也能從振動頻率、溫度與扭力變化，判斷軸承磨損、轉軸偏移等問題。
東元自己設計、製造馬達，熟悉內部機械結構，光從振動訊號就能區分多種異常。這些長年累積的設備知識，成為它發展預測性維護服務的基礎。
既然能降低停機風險，為什麼預測性維護的導入比率並不高？
專精製造數據科學的台大資管系教授李家岩解釋，預測性維護原本就不是適用於所有機器的維護策略。工業場域的維護策略通常是混合的。會讓產線中斷的關鍵設備值得持續監測，一般設備可以定期保養。燈泡這類容易更換的裝置，壞了再換也沒有太大影響。
饒達仁回顧，10年前預測性維護多半停留在高價設備、關鍵產線或少數試點。當時的導入門檻主要在感測器成本、資料取得，與訓練及維護模型的能力。
西門子業務推動加速協理范栩則將預測性維護比喻為風險管理，「它在做的事就是預防風險。因為沒有發生風險，就很難被看見產值。」
是時候投餵工廠「維他命」：老師傅漸退場、感測器降價了
近來，台灣企業有更多理由擴大導入預測性維護。東訊總經理田瑛睿觀察，在AI需求與供應鏈重組帶動下，部分硬體業者訂單增加，設備運轉時間拉長，停機的代價也跟著升高。「眼前有很多訂單，我不能因為生產過程被延誤，而失去這些訂單。」他說。
有些設備本身未必最昂貴，卻牽動整段製程。研華物聯網自動化事業群副總經理林清波觀察，近年台灣半導體廠積極在乾式真空幫浦導入預測性維護。這類幫浦不直接加工晶圓，卻對維持製程所需的真空環境至關重要。業者怕的已不只是一台幫浦的維修費，而是停產與工安風險。
另一個壓力來自缺工。老師傅過去可以靠聲音、振動和手感，判斷設備出了什麼問題。但當熟練人員退出第一線，未被記錄的經驗也會跟著消失。
同時，感測器成本下降，IoT網關與AI演算法逐漸成熟，讓預測性維護有機會從少數昂貴設備，走向更大規模的維運應用，也開啟新商模。
東元的智慧機電健康管理平台，便結合自家硬體知識與客戶端負載數據，提供健康診斷、故障預測等服務，還可配合既定歲修日期建議調整馬達功率、降低耗損，讓馬達能撐到排定的時間再進行維修。
另一方面，預測性維護也有助於減少過度保養與不必要的備品庫存。田瑛睿說，「要精實生產，那應該也要有精實的維保。」
跨出一次性銷售設備，智慧維護服務為東元開闢平台訂閱的收入來源，也在產品全生命週期經營更緊密的客戶關係。饒達仁指出，東元在冰水主機與馬達加變頻器這2大區塊都以整合方案銷售。根據場域即時需求，還可協助客戶調整多台冰機運轉組合，「永遠讓你（客戶）在最佳使用狀況，真的要壞掉時才建議更換。」
饒達仁認為，現在導入預測性維護的瓶頸是資料品質好壞、模型跨設備與工況的適用度，以及預測結果能不能真正進入工廠流程。
鼎新數智製造事業群專家蘇景峯描述一種願景：工廠突然接到急單時，不同AI代理可以分別計算產能，查詢刀具壽命、維修紀錄與庫存；備品若不足，再接到採購流程，判斷急單能否準時完成。
真正的關卡，已不只是單一AI模型能否做出準確預測，而是企業內的獨立系統大多沒有打通。這需要相應地串接排程調整、維修派工或備品採購等環節，預測性維護才能從單機診斷工具成為真正改變工廠運作方式的驅力之一。
從一台馬達該不該維修，到整座工廠如何安排生產、備料與能源，設備數據正在進入更上層的決策。饒達仁相信，東元累積多年的單機設備知識，在AI時代反而會更有價值，因為「AI不會停留在報表，而要回到現場設備。誰掌握設備，誰就掌握資料入口；誰掌握資料入口，誰就有機會提供更高階的智慧服務。」
饒達仁｜東元電機技術長、清華大學動力機械系教授。擁有UCLA機械與航太工程博士學位，曾任工研院機械所所長。
田瑛睿｜東訊總經理。曾任職兆勤科技、思科及HPE Aruba，在大中華與東南亞累積逾20年資通訊及網通產業經驗。
責任編輯：謝宗穎
