資產維護類型(上）介紹了反應式維護 (Reactive Maintenance)與預防性維護 (PM, Preventive Maintenance)，本篇將繼續說明「基於狀態的維護 (CBM, Condition-Based Maintenance)」、「預測性維護 (PdM, Predictive Maintenance)」與「規範性維護 (RxM, Prescriptive Maintenance)」

基於狀態的維護

（CBM, Condition-Based Maintenance）

CBM的檢修時機則介於反應式維護和預防性維護之間，是在設備「快壞了」的時候進行維修。檢修的標準並不是固定依照時間或里程，而是針對每項設備的特性訂定基準值，並進行監控、巡查。只要此特性到達一定的臨界值，就進行更換。例如：手機或筆電的電池的儲能率到80%，就會提醒你要回原廠換電池。

設備的狀況大多會透過感測器，或密集的人工監控，以決定維護的時機。

檢測的手法可能透過：

• 振動分析
  壓縮機、泵浦、馬達之類的旋轉型設備都會表現出一定程度的振動。這設備衰退會導致振動量會增加，此時振動傳感器即可檢測出過度振動。

• 熱成像
  紅外攝像機可用於檢測通電設備中的高溫狀態

• 超音波
  檢測深層地下缺陷，例如船體腐蝕，空洞化

• 聲學
  用於檢測氣體，液體或其它洩漏。

• 機油分析
  測量樣品中顆粒的數量和大小，以確定資產磨損

• 電氣性
  使用電流表上的箝位來讀取電機電流

• 操作性能
  整個系統中的傳感器可測量壓力，溫度，流量⋯⋯等

除了感測值，還可能透過統計製程管理（SPC, Statistical Process Control )，或老經驗員工的直覺來判斷。

CBM的先決要素，是如何決定「狀態」。狀態包含兩個部份：

1. 哪些參數可作為判斷的依據？
2. 這些參數的基準值為何？

但對企業來說，要發展CBM，也可能產生以下顧慮：

・舊設備可能需要更新或升級，才能安裝感測器，取得感測數值
・需要大量的數據儲存紀錄
・需要負擔訓練員工分析數據並執行決策的成本
・某些環境可能無法建立狀態感測
・維謢週期的不可預期

因此，企業決定是否進行維修時，除了考慮設備分析據的是否已經達到臨界值，也會參考設備的折舊、生命週期⋯⋯等條件，再決定是否進行維修。

預測性維護

（PdM, Predictive Maintenance）

顧名思義，是預測設備什麼時候會壞掉，在預期壞損，或部件不堪使用之前替換設備。那怎麼預測呢？ 當然不是看黃曆，預測性維護首先要做定期(離線)、或連續(在線)的設備狀態監測，以確定在設備發生故障前，最符合成本效益的維護時機。

聽起來跟CBM很像嗎？簡單來說，CBM是監控特定數值，當數值到標，就觸發維護工作；PdM同樣監控數值，但再多了「分析」的觀念，透過AI、Iot等技術判斷是否要進行維護。其中包含AI資料訓練、檢討回饋，以及IoT的sensor分析，例如：振動、紅外線、超音波、電路、光譜⋯⋯等。

既然是「預測」，就必定有預測不準確的可能，造成過度保養，或是保養不足的情況。保養不足的後果我想不用多說，而過度保養或許能避免設備停機，保證設備發揮最大效率，但卻造成了浪費。CBM的目的就是為了找到可以平衡兩者的方法。而PdM就是透過更多的數據分析，加入AI、ML等技術，分析現行CBM的精確程度。

當然，更精確的方法，就意味著更高的前期成本。雖然近年來因IoT的技術與成本大幅降低，讓預測性維護變得更加可行，但分析與執行依然需要一定的成本，所以通常會將PdM用在更高單價，或更關鍵的設備上。

所以，在考慮預測性維護前，應該先考慮以下個問題：

1. 設備的價值為何？
2. 設備停機的損失為何？
3. 是否有技術能力／人力進行？

如果企業真的能實行PdM，毫無疑問地可以大幅減少停機時間，但相對也必須付出高成本投資所需的技術，不可不慎。

規範性維護

（RxM, Prescriptive Maintenance）

RxM也同樣強調收集數據，透過AI的數據分析，讓資產管理系統不只要能預測設備何時會壞、何時要維護，更希望能達到「提供建議」的效果。例如：建議先將設備速度降低一半，就可以延長一個月的壽命。

除此之外，RxM更希望能直指設備問題的核心，不止預測損壞時間，更清楚指出損壞的部位。這部分目前仍是很新穎的概念，付諸行動需要投入很高的成本，但分析結果是否可以全然採信仍是未知數。目前業界也尚未出現RxM產品，但可以確定的是，這是未來的發展趨勢。