在工業領域，使用PHM在於故障預測與健康管理，並可歸納為三大重點，包括檢測設備故障的跡象並確定原因、建立設備老化模型並預測其使用壽命，以及了解設備的健康狀況並做出適當的決定。

近年來人工智慧技術取得了重大進展，可以做到預測何時可能出現問題，以及如何在問題出現之前進行處理，利用人工智慧來管理設備的健康狀況，並做出正確的決策，這被稱為「PHM（Prognostics and Health Management）」。

如果就PHM字面可以直譯為「預後與健康管理」，而工業上使用的PHM則被理解成故障預測與健康管理。包括：檢測設備故障的跡象並確定原因、建立設備老化模型並預測其使用壽命，以及了解設備的健康狀況並做出適當的決定等三大重點。

PHM已獲得顯著發展

這項技術已經在航空和航太等「絕對不能失敗」的領域，有著積極應用和顯著的發展。最近也已開始被導入到汽車、電氣和精密工業，甚至是機床和工具產業。

PHM在過去幾年中取得顯著的發展，並且由於兩個原因，而開始引起人們的注意。

首先是測量技術的改善

在管理設備，需要各種測量設備來正確監測健康狀況，包括從尺寸測量到各種感測器。而近年來感測器變得更容易處理，並且出現諸如超高性能影像感測器之類的新一代測量設備。

另一個是人工智慧的進化

在過去幾年，人工智慧技術不斷獲得突破性的發展，已經可以從感測器所獲得的大量資訊，判斷設備「是否處於健康狀態」，或者「是否開始出現故障或異常的跡象」。透過收集和學習大量的關於健康和異常資訊，已經可以比人類更準確地預測未來即將將發生的故障；亦即「測量技術」和「人工智能」這兩項技術，大幅度地促進了PHM的發展。

以下是PHM在工業中應用的一個例子。

一家工程機械業者的業務領域是以出口大型自卸卡車為主。而大多的卡車都是在在惡劣的環境中使用，例如礦井等。如果卡車發生了故障，並被困在道路中間，這將對整個生產造成重大影響，導致重大損失。為了防止這種故障，業者已經開始引入PHM技術。

工程師將感測器放置在卡車的關鍵位置上，即時地不斷獲得各項數據，並且快速分析所獲取的大量數據（工業大數據），以期提早發現故障的跡象，並確定即將故障的位置，這樣一來，就可以在故障出現前進行相關檢查，防止出現重大損失。

切割與射出成型也開始導入PHM的機能

對於提高模具設計和製造效率來說，防止出現不良品是非常重要的關鍵之一，而這種不良品大多都是由於在大規模生產過程中，切削工具的磨損和模具的劣化，而導致降低加工的精度。然而大多數從事模具製造，和大規模生產的人如何處理這類問題？

第一種方式是進行問題原因的調查，並在問題發生後進行處理；另一種方法是即使問題沒有發生，也要定期更換工具和零件（加工時間、射出次數等）。

切削設備應用的PHM

PHM最常被應用在切削加工設備中是對「刀具磨損」的預測。因為刀具出現磨損的情況，會導致加工件的精度下降，但如果在未到使用壽命前就更換刀具的話，雖然能夠確保加工件的精度，但卻又會造成刀具成本的增加，以及也會加重更換刀具的工作量。

因此，為了盡可能減少更換次數，如何準確預測刀具壽命，並在最佳時機更換就變成一件重要的事情。

為了實現這一目標，需要收集大量有關刀具磨損過程的數據。同時，在刀具磨損的過程中，機床會發出什麼樣的改變（例如聲音、震動等），也是一項非常重要的訊號，這可以從時間序列（Time Series）中獲取。假設可以的話，如圖1所示進行測量。

圖1 : 從機床設備獲取的訊號數據和切削刀具的磨損量，可以預測刀具的磨損量。（source：MISUMI；智動化整理）

從這個數據中可以觀察到，刀具的磨損量在超過一定的循環週期後趨於急劇增加。

讓AI以這種方式學習訊號數據和刀片磨損情形，就可以對刀具的未來狀態進行預測。例如，刀具在使用200次之後，磨損情況就會急速加大。如此一來，就可以透過預先已構建的系統，根據AI預測結果發出警報，讓現場工作人員可在工作受到影響之前，就能在最佳時機更換刀具。

在此例中，可以把機器設備上的力、振動等數據，透過訓練的模式來讓人工智慧系統獲得和學習，但並不只能這樣訓練人工智慧系統，還可以透過獲得更多的聲音、影像等時間序列的數據，藉以提高預測的準確性。

上述例子只是針對切削刀具的數據獲得後，進行相關的分析判斷。不僅如此，PHM也可以對機臺本身的老化進行預測，加以預防系統的突然故障，例如主軸和軸承老化、磨損、工作臺定位精度等，導致的性能下降等，這些不可逆的故障。

針對射出成型的PHM

接下來，再來討論一下射出成型設備所需要的PHM。

量產成型中模具變質導致的「故障」有哪些？我們先觀察一下，在大量生產的射出成型過程中，有哪些「故障」會因為模具老化而發生？例如，假設由於母模仁（CAVITY）、公模仁（CORE）接合部分劣化，導致射出材料外漏，導致出現毛邊的射出成型不良品。一般來說，都會先停止射出作業，緊接著調查問題原因並採取對策，但突然長時間停止成型作業，會影響整個生產計劃。因此，也可以透過PHM來預防這樣的問題。

要預防射出成型出現毛邊的不良現象，可以透過幾個方向來獲得預測缺陷的資訊，包括：安裝在合模區的壓力感測器來進行壓力的測量；使用相機型3D掃描器，逐次拍攝模具表面，並透過點雲（Point Cloud）處理來進行平坦度的測量；利用高解析度相機，不斷地對表面缺陷和顏色變化進行成像和量化。

人工智慧再從這些資訊中不斷地學習，並且經過分析，再作出辨別。例如在分析報表中，如果出現某種特定的波形時，就可以判斷出模具已經開始出現磨損。

然而仍有許多技術問題需要解決，例如預測哪種類型的成型失敗，有哪種類型的感測器最適合哪種預測，在哪裡測量，以及如何重現失敗的狀況，讓人工智慧能夠從中不斷的學習。相信在不久的將來，PHM技術將會普及在大規模生產的模具領域。

導入PHM可以採用的方式

那麼對於PHM的應用又該採取哪些步驟？大致上可以分為兩種方式。

PHM設計/模擬

這是透過對設備和系統的連接進行建模，並解決導致故障的因果關係來確定觀察（感測器）的位置。

大數據分析PHM

這是一個利用過去收集的大數據，來分析故障特徵、檢測健康狀況的惡化情況，並進行預測故障。

一般聽到PHM時，大多可能會聯想到「大數據分析 PHM」，這可能是因為經常被認為是超越傳統的先進技術，如機器學習和AI。然而，只是安裝大量感測器和收集大量「大數據」，這樣只會徒增成本，因為透過感測器所收集到的數據，雖然已經進行有效的分析，但是卻無法獲得即時警示，或將資料轉化成為高效率的資訊。或許這些與數據的可視化呈現，以及當下PHM的系統設計有關。

圖2 : PHM設計的流程和輸出的概念（source：MISUMI；智動化整理）

PHM與CBM的差異

對於故障預測領域來說，相信有很多人會對CBM和PHM感到混淆。

CBM和PHM與之前描述的維護策略類型不同，這是採用數據驅動技術來幫助技術人員有效地設置維護活動的時間。這些方法的目標是在找出維護頻率，與其相對成本之間的平衡點。

CBM和PHM之間的區別，完全在於它們在檢測到有缺陷的系統條件時的不同響應。在這種情況下，CBM在檢測時間過後立即啟動干預機制，這種方法可能會導致更換或修理設備的某個組件，即使它還可以繼續其正常運轉更長的時間，而不影響機器的其他部件。此外，從生產效率的角度來看，在檢測到故障後立即進行干預，可能會導致設備的工作週期在不適切的階段停止。

相反，PHM是在某個時間步預測組件的使用壽命，以指示將來必須執行維護的時間點。與CBM相比，PHM更可降低維護成本，因為可以在不犧牲安全性和效率的情況下充分利用每個組件（圖3）。

圖3 : 典型PHM過程的主要步驟，可以分為CBM（左）和PHM（右）。

（source：Frontiers Media）

PHM尚處於起步階段

在大約十年前深度學習爆炸之前，一些數據驅動的PHM都是由一組感測器提供的原始測量值，而無法直接與設備的健康狀態或其RUL獲得關聯性。這意味著，通常會受到大量噪聲的影響，這些噪聲可能是由外部因素（例如溫度突然升高）或訊號傳輸不完善引起的。

此外，這些數據通常由複雜的時間序列或影像所表示，往往隱藏相對有限的判別特徵。由於上述原因，一旦這些步驟完成，最終提取的一組特徵可以用來訓練演算法，以執行所需的診斷或預後任務。

今日儘管透過軟硬體系統的技術提升，PHM已經取得一些成功案例，但深度學習仍存在一些缺點，限制其在工業應用中的大規模部署。不過由於人工數據生成技術可用於解決深度學習算法缺乏代表性和數據密集型的問題，這在一些研究領域中，已經顯現不錯的結果，雖然非常有前途，但相信目前還是處於起步階段，需要相關領域投入更多的研究和驗證。

**刊頭圖（source：BBVA）