電梯的預測性維護

王茜穎，電梯界的「關鍵報告」：在故障發生前，先下手為強，若水 Flow，2019/7

他們替電梯裝上感應器，收集即時資料，連上雲端，運用IBM Watson的物聯網平台和預測性維護軟體進行機器學習，比對數據資料庫裡的技術文件和維修記錄，尋找相關性，並從數據趨勢中建立預測模型，以求洞燭先機，預見哪台電梯何時可能故障，並在故障發生前，先下手為強，堪稱電梯界的「關鍵報告」。 

趟數十秒的電梯旅行，通力收集了起迄時間、開/關門時間、停止/加速、里程、溫度、噪音、震動、濕度、氣壓、燈光和用電量等超過200項即時資料。... 

「如電梯關門的時間，一般是 5 秒鐘，但它可能逐漸拉長到 5.1 秒，5.2 秒。進出電梯的人，根本不會注意到，但開門時間拉長顯示，可能有某些零件變得膠著，需要潤滑，」Macleod 說。 

物業管理者可能不會注意到這 0.1 秒的差異，但躲不過機器的眼睛。演算法藉由Watson對同建築內的其他電梯的性能進行基準測試，一旦發現落差時，立即通報。「如此一來，你就能事先解決問題，而非等到電梯門卡死，乘客受困，」他解釋。 

通力管理主任 Jaakko Kaivonen 舉了另一個例子，「若 A 零件出現特定振動，且B零件的溫度提高 0.5 度，C 零件很可能在未來 5～7 天內會故障。Watson 的分析提供這類型的結論，讓通力在回應物聯網數據和必要時發出工單上，制定出一套規則。」... 

「因為這項新技術，我們的首次修復率可能提升約 25％。」Hasting表示。他同時指出，一開始維修的次數可能因為「更多先發制人的工作」而增加，但隨著維修效率提高，次數將遞減。通力表示，引入機器學習能有效減少 6 成的客戶報修。