技術專欄
.svg){kind=logo}
眾所皆知的「莫非定律」，簡言之它的原意就是「凡事只要有可能出錯，那就一定會出錯」，任何一個未知因素，皆可能造成無法預期的損失。尤其是製造業，最怕莫非定律發生在工業產線環境、或是嚴格要求溫度控制的倉儲等等場域，因為只要一出錯，便會付出極為慘重的代價。
只不過，從設備的可靠度、乃至於維護團隊技術支援的效度來看，倘若僅依循傳統最基本的維運管理模式（例如定期維護），似乎都難以消弭非預期的風險發生。考量及此，AWS在幾個月前推出名為「Amazon Monitron」的工業用機器學習（ML）方案，標榜可以協助用戶監控其生產設備狀態，以便於在設備故障失效前適時介入維護，維持產線與倉儲不間斷運行。
大致上來說，企業針對工業現場的生產設備，或是倉儲環境的溫控設備，通常可以採取四種維護模式。其中的第一種、也算是最容易的方式，說穿了就是「不預先維護」，讓產線設備日夜持續運行，一直到故障中斷，才進行可靠度維修，維修完畢後重新繼續恢復上線。顯而易見，這種狀況下設備的未知風險相當高。
第二種為固定性維護模式。面對現場運行環境，不管有沒有立即性的需要，一律採取固定式維護計畫、也就是定期執行預定的維護排程。這種模式的好處，在於能夠預先安排工作範疇，也較易於控制計畫的執行品質，但相對也比較容易出現設備維護過度、或維護品質不足的問題，產生無謂的支出，甚至依然發生設備無預警故障的狀況。
至於第三種，可稱作基於狀態的維護模式。針對環境設備參數、閾值等，預先定義警示條件並時時監控，一旦真的碰觸到警戒值就進行維護，其最大效益在於可減低維護支出，且風險控制效果優於前兩種方法。
第四種是預測性的維護模式。主要透過實際場域的設備關鍵組件上的時時監控，持續追蹤並且發掘潛在故障風險；由於進一步的維護動作會落在可預期的時間區間，也更易於執行更精準的處置措施，因此堪稱是最能兼顧時間、成本、風險控制等多重綜效的理想模式。
Amazon Monitron以機器學習為基礎、有能力執行端到端狀態監控，得以協助用戶落實上述的預測性維護模式，提前察覺設備內潛在故障徵兆，讓用戶能夠好整以暇地展開預測性維護行動，有效減低因為非預期停機而造成的產線損失。
深究Amazon Monitron的供應內容，包含了用於取得設備振動頻率資料、溫度數據資料的專用感應收集器與閘道器，一旦這些裝置採集到資料，就會在高度安全確保的前提下，將數據上傳到AWS Region進行儲存，並以機器學習技術進行分析；與此同時，管理者可以利用Amazon Monitron的專屬App追踪數據狀況，也能進一步接收設備異常通知，以利及時採取管理措施，使設備儘速回歸正常狀態。（如：例圖一）
▲ 圖一
換句話說，在工業場域中，用戶可透過Amazon Monitron的部署，迅速建立高可靠性的管控機制，繼而結合Amazon Monitron的專用感應器，不斷收集與監控工業設備的健康狀態資訊，例如軸承、風扇、齒輪箱或壓縮機等旋轉機械的震動和溫度資料，整個運作過程，完全不需要搭配任何的第三方軟硬體。（如：例圖二）
▲ 圖二
值得一提的，MetaAge 邁達特（更名前：聚碩科技）對於如何將Amazon Monitron佈建安裝到應用場域，擁有相當豐富的經驗，可以透過無線連接、行動監控管理、預警通知等機制的快速建立，協助企業全面解決過往遭遇到的空間限制、時間延遲等變數，更有效率地實踐預測性維護目標。現在，MetaAge 邁達特（更名前：聚碩科技）率先分享佈建歷程的情境圖，讓企業第一手獲得Amazon Monitron應用的臨場感。（如：例圖三）
▲ 圖三
