IBM 和亞馬遜等大型公司長期以來一直依賴一種名為「預測性維護」的策略來確保其工業運作平穩運作。預測性維護技術結合硬體和軟體，用於監測工業機械的健康狀況，並在問題惡化之前發現問題，例如零件過熱或壓力洩漏。感測器收集設備的性能數據，然後軟體分析這些數據以找出問題所在。

預計該技術的需求將會上升：《財富商業洞察》預測全球預測性維護市場每年將成長 26.5%，到 2032 年將達到 707.3 億美元。

這正是人工智慧發揮作用的地方。包括生成式人工智慧和人工智慧機器人在內的人工智慧領域的進步，或許能促進這一成長。隨著人工智慧能力的不斷提升，製造商正在將先進的演算法整合到他們的維護系統中，他們堅信更聰明、更快速的預測將改善業務運營並節省成本。

也就是說，如果成長的煩惱不會阻礙的話。

人工智慧和機器人正在增強預測性維護

製造商用於識別潛在機械故障的舊系統經常會發出誤報，導致維修團隊不堪重負，導致不必要的零件更換和勞動力浪費。現在，一些像 Aquant 這樣的新創公司正依靠人工智慧來更快、更準確地發現問題。

Aquant 表示，其人工智慧演算法可以分析過去的維護數據，以確定是否需要採取維護措施。例如，交叉引用技術人員的筆記和行業基準可以幫助識別冗餘。

然後，其平台會分析機器的即時感測器資料（例如振動、聲音和溫度變化）以及來自客戶關係管理系統和其他資訊儲存庫的歷史記錄。

Aquant 總裁兼聯合創始人 Assaf Melochna 表示，專有演算法可以對資訊進行分類，從而“大海撈針”，診斷出需要解決的問題及其根源。 Melochna 解釋說，該平台還可以過濾誤報，然後建議採取特定措施，例如關閉機器，以防止故障。

Aquant 表示，透過專注於影響正常運作時間的工廠機械零件，其 AI 平台正在幫助可口可樂、惠普和 Hologic 等客戶減少停機時間並避免不必要的維修，每年可節省高達 23% 的服務成本。

人工智慧還可以使檢查更加安全。 Gecko Robotics 製造了配備超音波感測器、高解析度攝影機以及光探測和測距技術的爬牆機器人、無人機和機器狗。

這些機器人旨在檢查水壩、發電廠以及油氣設施等關鍵基礎設施，收集管道、儲槽、容器和其他工業設備的詳細資料。 Gecko 的 AI 平台 Cantilever 可以分析這些數據，在故障發生之前偵測出腐蝕、侵蝕和開裂情況。

Gecko Robotics 聯合創始人兼執行長 Jake Loosararian 表示，機器人獲取的數據與用於分析數據的人工智慧平台相結合，有助於為 Gecko 的客戶（包括西門子能源和美國空軍）提供資產健康狀況的即時預測視圖，並補充說，這使得在問題升級之前規劃維護變得更加容易。

生成式人工智慧即將應用於維護

一些公司正在將對話式人工智慧融入他們的維護工具中。

自 2006 年以來，預測性維護公司 Waites Sensor Technologies 已在特斯拉、DHL 和其他設施安裝了超過 50 萬個振動和溫度感測器。

聯合創始人兼執行長 Rob Ratterman 告訴 BI，Waites 最近將大型語言模型整合到其預測系統中，以便技術人員可以直接查詢他們的系統。 Waites 的 LLM 接受機器手冊、維修歷史記錄以及公司感測器收集的感測器資料的訓練。

維修人員可以使用現場電腦等設備，向韋特斯的系統詢問哪些機器最容易發生故障、過去需要進行哪些維修以及哪些維護任務應該優先執行。例如，技術人員可以向聊天機器人詢問“哪些設備最容易出現問題？”，以識別問題所在；或詢問“如何重新潤滑軸承？”，以在機器手冊中找到說明。

拉特曼解釋說，透過簡化對維護見解的訪問，LLM 可以幫助團隊做出更快、數據驅動的決策，而無需深入研究複雜的儀表板或報告。

資訊科技研究集團諮詢實務負責人 Kevin Tucker 告訴 BI，隨著人工智慧的進步，預測性維護現在正在演變為規範性維護。

預測性維護能夠識別問題，而規範性維護則會告訴您如何解決該特定問題。預測性維護系統捕獲和分析的數據越多，其預測就越準確，從而增強其做出明智決策的能力。

前期成本和對人工智慧的擔憂可能會阻礙其採用

雖然有優點，但人工智慧驅動的預測性維護並不容易實施。

一個主要障礙是成本。包裝和加工技術協會（PMMI）市場開發副總裁 Jorge Izquierdo 表示，安裝智慧感測器、整合 AI 平台以及升級傳統設備都需要大量的前期投資。

Izquierdo 稱預測系統是包裝行業智慧製造“最容易實現的目標”，但 Tucker 表示，將新技術融入傳統系統可能難以優先考慮。畢竟，投資回報並非立竿見影，而且係統複雜性（包括資料孤島和製造商在整個業務中使用的不同軟體）可能會使整合更加困難。

塔克說：“你很可能會在一年半到兩年內獲得投資回報。”

盧薩拉里安強調，對於公司來說，尤其是預算緊張的公司，很難分配資源來大規模實施新技術。 「創新預算很快就會用完，」他說。勞動技能差距是另一個障礙。預測性維護需要資料分析和人工智慧工具管理的新專業知識——這些技能是許多傳統維護團隊所不具備的，而且

勞動技能差距是另一個障礙。預測性維護需要資料分析和人工智慧工具管理的新專業知識——這些技能是許多傳統維護團隊所不具備的，而且可能難以學習。

這種阻力因人們擔心預測性維護系統（尤其是配備先進人工智慧功能的系統）可能會取代維護技術人員和檢查員的工作而加劇。但一些製造業領導者表示，這項技術可以支援維修人員，而不是取代他們。

Arix Technologies 是一家開發用於檢測工業管線腐蝕的機器人和人工智慧系統的公司，其執行長 Craig Malloy 表示，其人工智慧工具有助於節省維修人員的時間，使他們能夠專注於決策和長期規劃。 「我們的目標是更聰明、更安全、更有效的檢查，而不是減少人員數量，」Malloy 告訴 BI。

洛薩拉里安補充說，用人工智慧工具武裝勞動力可以成為解決美國製造業日益嚴重的勞動力短缺問題的一步。

接受BI訪談的預測性維護領導者們一致認為，人工智慧的進步在改變維護系統方面仍處於早期階段。但製造商是否願意投入並堅持克服成長的陣痛，可能決定企業是蓬勃發展還是落後。

正如馬洛伊所說：“人工智慧徹底改變了遊戲規則。”