---
title: "預測性維護（Predictive Maintenance）"
slug: predictive-maintenance
language: zh-TW
source: https://aiterms.tw/terms/predictive-maintenance
updated_at: 2026-07-29
tags: [AI應用, 工業AI, 物聯網, 時間序列, 製造業]
ipas_term: false
---

# 預測性維護（Predictive Maintenance）

利用機器學習分析設備感測器數據，預測設備故障發生時間，在故障前安排維護以降低停機損失。

## 完整說明

預測性維護（Predictive Maintenance，PdM）是工業 AI 的核心應用之一，透過持續監控設備（機械、生產線、工廠設施）的感測器數據，結合機器學習模型分析振動、溫度、電流、聲音等指標的異常趨勢，預測設備何時可能發生故障，從而在最佳時機安排預防性維護，相較於定期維護節省成本，相較於事後維護則降低非計劃停機的損失。

## 常見問題

### 預測性維護和定期維護哪個更適合我的工廠？

選擇取決於設備的特性與維護成本結構。若設備單次故障的停機損失高（如半導體晶圓廠的關鍵設備）、感測器安裝可行且數據採集成本低，且設備退化有可觀測的前驅信號（如振動、溫度漸增），則預測性維護的投資回報通常顯著。若設備故障無前驅信號（如突發性電氣短路）、感測器安裝成本遠高於維護成本、或設備生命週期短且退化模式穩定，則定期維護更簡單可靠。實務上，多數工廠採用混合策略：關鍵設備做預測性維護，輔助設備維持定期維護。

### 沒有歷史故障數據，可以做預測性維護嗎？

可以，但方法需要調整。在缺乏歷史故障標記數據的情況下，可以從無監督學習的異常偵測出發：先建立設備在「正常健康狀態」下的基準行為模型（如使用 Autoencoder），當感測器數據偏離基準超過閾值時發出異常警報。雖然無法直接預測故障時間，但可以識別設備異常並觸發人工檢查。隨著時間積累，若工程師記錄下異常事件的後續故障結果，就可以逐步建立標記數據集，進而訓練更精準的故障預測模型。遷移學習也是選項，使用相似設備類型的公開數據集預訓練後再遷移至目標設備。

### 預測性維護系統發出警報後，要多快安排維護？

這取決於模型預測的剩餘使用壽命（RUL）與業務安排的彈性。若模型預測某設備還有 7 天才會達到故障閾值，維護團隊可以在這個窗口內選擇最方便（最低生產損失）的停機時段進行檢修，而非立即緊急停機。系統設計時通常會設置不同嚴重等級的警報：早期預警（RUL 長）觸發排程維護，緊急警報（RUL 短或異常急劇惡化）觸發立即停機檢查。預留合理的行動時間視窗是預測性維護系統設計中的關鍵參數，過短的視窗讓運維人員無法有效反應，過長的視窗則可能因設備提前故障而失效。

---

來源：https://aiterms.tw/terms/predictive-maintenance
快查頁：https://aiterms.tw/terms/predictive-maintenance
最後更新：2026/07/29
深度解說：https://aiterms.tw/learning/what-is-predictive-maintenance