勤業眾信的研究顯示預測性維護可協
助您緩解意外停機及防止災難性的資
產故障。
預測性維護可提供價值
增加
降低
減少
的生產力
的故障
的維護成本
將維護從回應性轉移
至預測性
過去，大多數的機器維護本質上都是回應性或預
防性。在回應性的方法中，維護是在機器故障之
後執行。這會導致高昂的成本和漫長的停機時間。
預防性方法雖然比回應性更好，但仍然依賴定期維護
排程，而這可能會在維護週期間導致錯誤、不必要的
成本，或是故障。
預測性維護是一種快速興起的替代方案，可取代其
他維護策略。預測性維護會評估設備狀況，讓您在
適當的時間執行更新以在故障發生前進行預防，
而非依照定期排程執行。
例如，Deloitte Analytics Institute 的研究發現，預測
性維護平均可增加 25%的生產力，減少 70%的
故障，並降低 25% 的維護成本。
遺憾的是，到目前為止，工業公司面臨著兩大挑戰，
而無法廣泛地推展預測性維護。首先，維護團隊缺乏
財務或技術資源來建置易於使用的系統。其次，目前
分析感應器資料的方法受限於以趨勢為基礎的方法，
這種方法會遺漏關鍵資訊，並且難以定義多部機器之
間的關係。
最近興起的機器學習技術可提供資料驅動的模型，
並從歷史資料學習，實現真正的預測性維護。但是
建置、部署和管理這類模型相當耗費時間及成本，
且經常需要機器學習專家或資料科學家資源。
在下列各節中，我們將會探索兩個採用機器學習的解決
方案，可協助您了解預測性維護的商業價值：Amazon
Monitron 和 Amazon Lookout for Equipment。
3
https://www2.deloitte.com/content/dam/Deloitte/de/Documents/deloitte-analytics/Deloitte_Predictive-Maintenance_PositionPaper.pdf
25%
25%
3
70%
3
