制造業(yè)在進行數(shù)字轉(zhuǎn)型(digital transformation)、邁向工業(yè)4.0(Industry 4.0)時須善用數(shù)據(jù)分析(data analytics)、人工智能(AI)、機器學習(machine learning)等新興技術并整合長期制造策略，以擴大生產(chǎn)現(xiàn)場、客戶體驗、服務模式的商業(yè)利益，而預測性(predictive)維護將日益重要。
根據(jù)Global Manufacturing報導，在其近期出版的「制造2020」(Manufacturing 2020)報告中，制造業(yè)指出運用工業(yè)物聯(lián)網(wǎng)(Industrial IoT，IIoT)改善工廠連網(wǎng)的長期效益包括生產(chǎn)成本降低、彈性增加、產(chǎn)量提升，而資產(chǎn)維護的轉(zhuǎn)型對于達成這些目標至為關鍵。ERP與咨詢服務供貨商Columbus UK認為預測性維護正改變制造與企業(yè)維持競爭力所需專注的技術。
欲達成工業(yè)4.0目標，維護作業(yè)也須善用數(shù)字技術轉(zhuǎn)型預測性模式。Domino Printing Sciences
IIoT有效運用生產(chǎn)現(xiàn)場設備內(nèi)建的
傳感器所收集并儲存于云端系統(tǒng)的巨量實時(real-time)濕度、溫度、震動等數(shù)據(jù)進行分析，可據(jù)以提供關于制程與次制程前所未有的全新深刻見解，包括辨識設備狀態(tài)、監(jiān)測效率、偵測零件故障等，將大幅轉(zhuǎn)變制造業(yè)維護作業(yè)的排程與預測方式。
制造業(yè)欲領先競爭者還必須洞燭機先，數(shù)據(jù)分析結(jié)合機器學習有助于改善資產(chǎn)的可用性、壽命等，包括預測下一個生產(chǎn)瓶頸可能發(fā)生的位置，以及如何以成本效益最高的方式為無法掌握的故障安排維護等，讓企業(yè)得以降低成本、改善作業(yè)效率、進行數(shù)據(jù)驅(qū)動的決策。
采取反應性(reactive)維護，則當設備因故障而意外脫機，對生產(chǎn)力的影響已不可逆，且會引發(fā)整個生產(chǎn)鏈的連鎖效應。數(shù)據(jù)是數(shù)字轉(zhuǎn)型的命脈，隨著采用IIoT的制造業(yè)日益增多，運用AI與機器學習輔助資料分析，可從生產(chǎn)現(xiàn)場收集的大數(shù)據(jù)中過濾出異常信息，尋找潛藏的模式以提升設備可靠度預測的準確性，進一步驅(qū)動維護作業(yè)轉(zhuǎn)型為全面的預測性模式。
制造業(yè)依據(jù)精確的預測信息可在設備故障前調(diào)整維護時程，預先辨識與解決潛在問題，避免處理緊急狀況或過度維護(over-maintenance)所衍生的額外費用，并可提升設備正常運作時間與生產(chǎn)質(zhì)量。先進數(shù)據(jù)分析也可辨識與管理新部署的全數(shù)字化解決方案的效益及對現(xiàn)行業(yè)務程序的影響，協(xié)助前瞻企業(yè)對抗未來的數(shù)字破壞與沖擊。
從Domino Printing Sciences更新企業(yè)系統(tǒng)以提供更多由數(shù)據(jù)驅(qū)動的商業(yè)智能的案例可看出，強化數(shù)據(jù)分析能力對跨多業(yè)務程序的益處顯而易見。Domino Printing Sciences運用先進數(shù)據(jù)分析處理制程中收集的實際數(shù)據(jù)，并透過自動測試設備排除人類主觀評估缺陷與驅(qū)動產(chǎn)量提升，還在制程中的各個階段為產(chǎn)品建立防呆機制，避免到最后階段補救令損失加劇。