無線狀態監測可充分提升設備性能和使用壽命，從而提高工業及企業的生產率和盈利。

在工廠、生產設施和其他工業環境中，數以百萬計的機器設備協助生產人們日常所需的各種物品，包括食品和藥品，甚至是汽車和電腦。然而，即便是最好的機器也不可能永遠運轉，總會出現各種問題。當軸承磨損、馬達過熱等內部故障，或者濕度和溫度等外部條件導致這些關鍵設備資產失靈，即使是短時間的故障，也會對企業造成嚴重影響。

例如，西門子人工智慧機器運作管理平台 Senseye Predictive Maintenance 在 2022 年發佈的一份報告指出，大型工廠平均每月因機器意外停機導致損失25小時生產時間，而停機僅一小時，生產快速消費品工廠則平均損失39,000美元，汽車產業平均損失更高達200多萬美元。根據德勤諮詢公司表示，工業製造商每年因為非計畫機器停機而造成的損失估計高達500億美元。

這些統計資料顯示，等待設備或機器發生故障後才進行維修，其實並不可行；然而，無故地盲目進行維修或更換也是行不通的。預測性維護為此提供了答案。

圖一 : 西門子人工智慧機器運作管理平台 Senseye Predictive Maintenance（source：Siemens）

預防機器故障

預測性維護（傳統上稱為狀態監測）並非新的概念，它至少可以追溯到 20 世紀 90 年代初，其目標是在維護活動最具成本效益時，在設備性能欠佳之前啟動機器維護。在實際應用中，當機器運作狀況達到指定的閾值時就會發出警報，工程師仔細檢查機器的狀況，尋找缺陷，並在問題惡化之前加以修復。

這種方法具有極高價值。德勤公司聲稱，實施預測性維護平均每年可節省材料成本 5%至 10%；設備正常執行時間和可用性可提高 10%至 20%；整體維護成本可降低 5%至 10%；維修規劃時間可減少20%至50%。根據麥肯錫全球研究院資料，基於工業物聯網（IIoT）的預測性維護通常可將機器停機時間減少高達50%，將機器壽命延長 40%。

預測性維護帶來的優勢不僅限於製造業，幾乎所有依賴於有形資產進行服務或生產的行業都可以藉此獲益。例如，電力公司可以採用預測性維護和監控工具來防止代價高昂的停電，避免造成巨大損失和混亂。

工業物聯網推動預測性維護

在預測性維護的早期發展階段，由於缺乏合適的感測器來收集資料，以及整理和分析資訊的運算資源很有限，因而難以實施這種維護。如今，由於 IIoT、雲端運算、資料分析和機器學習（ML）技術的進步，預測性維護在中小型企業（SME）和大型企業中都很普遍。在上述西門子的報告中，約有四分之三的受訪者將預測性維護視為策略性重點。

低功耗藍牙等功能強大的低功耗無線技術使得感測器能夠在由數百、數千或數萬台設備組成的網路中收集資料。這些 IIoT 感測器可監控設備溫度和振動、壓力、氣體水準和能耗等參數，使服務團隊能夠更深入地預測設備的未來狀態，並且在問題出現之前主動應對，防患於未然。

德勤在「預測性維護」定位檔中指出：「資料是任何預測性維護引擎的動力。資料的品質和數量是分析根本原因和提前預測故障的限制因素。IIoT可以提供源源不斷的『燃料』。感測器不斷收集資料，然後通過閘道將關鍵資訊傳回中央伺服器或雲端進行分析。」

無線網路還具有其他優勢，例如在危險環境、不建議人們前往和難以到達的位置中實現資產監控。無線網路還能夠大大降低與預測性維護系統的安裝、維護和性能相關的成本。

機器學習大展拳腳

建置每天都能產生數百萬個資料點的無線網路是一回事，而如何及時瞭解所有資料並對問題需求做出回應，這又是另一回事。為了最大限度地降低傳輸大量資料的成本和能耗（其中大部分資料是平平無奇的），人們在網路內部通過稱為邊緣處理的技術來完成大部分的運算工作。這就需要大量的運算能力和記憶體、感測器融合以及越來越多的機器學習（ML）。

感測器融合是將感測器資料進行組合，這樣所得到的資訊相比來自單獨感測器的資訊具有更高的確定性（即更精確或更完整）。ML 是人工智慧（AI）的一種應用，允許電腦在沒有直接程式設計或指令的情況下進行學習。ML 演算法從資料中學習，然後對未見過的資料進行推斷，從而在沒有明確指令的情況下做出決策。其結果是不斷增強機器的能力和高度自主性。

邊緣處理和感測器融合使得物聯網設備能夠對資料進行本地篩選，以確定哪些是普通情況的資料，哪些表明情況正在發生變化，應予以標記。通過添加 ML，邊緣設備不僅能夠檢查資料是否超過預設閾值，還可以推斷（根據已知資訊對事物的未來狀態得出結論）這些變化意味著什麼，然後採取相應的措施。

一個預測性維護相關例子是監測機器軸承的溫度感測器。該感測器可使用ML模型來推斷，例如軸承溫度的逐漸升高僅僅是機器在預熱，而無需擔心；但軸承溫度若快速升高，則表明可能出現潤滑故障，並觸發感測器在機械損壞發生前關斷機器。

推進分析性預測維護發展

當今許多先進的 ML 模型都需要大量的運算資源和高能耗來執行推論。然而，如今大量的物聯網連接設備雖然能夠執行一些邊緣運算和感測器融合，但卻無法獲取這些資源。

微型機器學習（Tiny Machine Learning）或 TinyML 就是解決方案。這項技術是ML的一個分支，它簡化了軟體，使基於微控制器的電池供電嵌入式設備（例如無線系統單晶片）也能夠運行機器學習。

Nordic設計合作夥伴Edge Impulse提供TinyML軟體，該軟體可在Nordic的 nRF52840、nRF5340和最新的nRF54H20 SoC上運行。Nordic則提供一個應用程式，可使用在該公司的Thingy:53 IoT原型平台上訓練和部署嵌入式ML模型。這款應用程式能使開發人員通過行動裝置將原始感測器資料上傳到基於雲端的 Edge Impulse Studio，並通過低功耗藍牙將完成了訓練的ML模型部署到Nordic Thingy:53 上。

圖二 : Nordic物聯網原型平台可用於測試ML模型

這項功能促進了感測器的發展，例如採用Nordic nRF52840 SoC的Atomation Atom。該感測器可測量振盪以確定機器馬達是否比昨天振動得更厲害，或監測溫度以檢查機器運行時軸承是否發熱。每個Atom使用3.6 V鋰離子電池可工作長達三年時間。

這些感測器在本地監控和處理資訊，而不是向中央系統發送源源不斷的資料流。當超出閾值或設備運行超出正常參數範圍時，資料會通過低功耗藍牙無線連接發送到閘道。例如，Atom 設備可以確定並回答「設備是開啟還是關斷？」、「馬達振動是否比昨天更大？」或「機器運行時軸承溫度是否過高？」等問題。

Atomation執行長Steve Hassell解釋道：「Nordic SoC是我們Atom產品的真正大腦，這個大腦必須接收原始感測器資料，將其轉換為有用資訊，並且在嚴苛的射頻環境中進行通訊之前做出獨立的決策。」

下一步怎麼走？

預測性維護越來越多地使用由ML支援的自動分析技術。這將意味著減少人工參與並獲得更好的結果，但這也增加了對邊緣運算能力的需求。Nordic已經預見到這一市場需求，因此推出了下一代短距SoC產品nRF54系列。

新型SoC整合了多個Arm Cortex-M33處理器和RISC-V輔助處理器，每個處理器都針對特定類型的工作負載進行了最佳化。通過結合嵌入式大容量非揮發性記憶體和RAM，nRF54H20 SoC為開發人員提供運行複雜的ML驅動型預測性維護應用所需的更多運算和記憶體資源。更妙的是，結合使用nRF54H20與Nordic的nPM1300等電源管理 IC（PMIC），能夠實現超低功耗，延長電池壽命，降低維護需求並減少浪費。

圖三 : Nordic nRF54H20 SoC支援TinyML，帶來強大的運算能力和記憶體資源，得以實現預測性維護應用。

未來，由 nRF54H20 SoC等新一代SoC支持的預測性維護解決方案將更加靈活、高效和永續。這將推動所有類型機器的營運商充分發揮資產的潛力，同時延長使用壽命。在短短三十年間，預測性維護已取得了長足的進步。

（本文作者Lorenzo Amicucci為Nordic Semiconductor業務開發經理）