機器故障讓制造業(yè)付出巨額成本，所幸現(xiàn)在的傳感器與機器學習等新技術(shù)，可以做到提前預測，進而減少停機時間。據(jù)Bureau of Analysis數(shù)據(jù)，美國平均工業(yè)設備使用年限，從1970年代以后就持續(xù)拉長，現(xiàn)在平均的使用時間都已達到10年。隨著資產(chǎn)老化，故障與維修的機會就變得越來越多。

工業(yè)4.0提供新的技術(shù)，可以量化停機時間，并監(jiān)測、預測故障

物聯(lián)網(wǎng)預測性維修業(yè)者Presenso共同創(chuàng)辦人暨執(zhí)行官Eitan Vesely表示，目前許多制造業(yè)者仍采用到故障為止(Run-to-failure)的方式，這種被動式的維修，但這其實要付出昂貴的成本，除了維修故障的機器之外，這還會損害整個生產(chǎn)線。

由于制造機器的年限持續(xù)拉長，制造業(yè)者復出的成本與風險也跟著上升。許多公司并未精確量化他們的停機成本，但據(jù)估計，就算是小型工廠，其每小時產(chǎn)生的成本也可能高達數(shù)萬美元。

工業(yè)4.0提供新的技術(shù)，可以量化停機時間，并監(jiān)測、預測故障。機器中的傳感器，可以透過先進的算法，快速顯示出異常的趨勢與問題。

一般人工方式需要拿著清單，并設定許多變數(shù)，并根據(jù)歷史數(shù)據(jù)進行評估;機器有復雜的演法，可以考慮成千上萬個變量，而且實時偵測出細微的改變，這是傳統(tǒng)方法作不到的。

Infosys全球調(diào)查指出，盡管81%制造商明白機器學習有助于機器維修，但只有17%真正采用了相關(guān)技術(shù)。許多中小型業(yè)者還在使用1980年代的系統(tǒng)，甚至使用人工的數(shù)據(jù)分析。

還沒導入預測性分析的制造業(yè)者可能會問，究竟這么做的投資報酬率有多高?使用預測性分析，需要投資傳感器和SaaS解決方案等。制造業(yè)者應該了解相關(guān)分析工具的精準度，同時考慮停機所造成的沖擊，然后做出綜合評估。

Vesley認為，一開始應該從概念驗證開始，如果能夠提前偵測出資產(chǎn)故障，這時候管理階層就比較容易接受這樣的提議。跨部門的合作，包括IT部門與營運部門的整合，也是非常重要。