隨著軟硬體的進步，人工智慧(AI)和大數據(Big Data)等技術也跟著蓬勃發展，包括資料收集與分析等都比以往更為方便，例如將這些技術導入工業製造，進行設備故障的預先診斷，也能大幅提升產能與效率並降低相關成本。

工業技術研究院巨量資訊科技中心資料分析技術部副經理賴建良表示，善用AI和大數據可以創造智慧製造新價值。在產線端可以導入故障預診斷(PHM)技術，提升產線效率同時降低維修成本。

賴建良說明，工業製造的產線設備維護包含了預測和進廠管理兩個部分。預測的其中一個問題就是過度保養(Over Maintenance)，有時設備零件還沒壞，保養時間到還是馬上更換，造成資源以及開銷的浪費，但是機器故障的成本太高，通常還沒損壞仍會選擇換掉，形成過度保養的問題。另一個問題則是非預期性停機(Unscheduled Downtime)，即使已經定期更換零件，設備依然有可能意外停機，停機以後就須要進行清機和調機等作業，進而會影響產能和設備稼動率。最後，還有無法確定產品異常原因的狀況，當下游檢測機台發現產品異常，就須要停機，耗費大量時間與人力成本去尋找異常原因，造成產品的良率下降甚至報廢等問題。

針對故障預診斷，賴建良做了進一步的說明，利用生產過程中機台相關的資料與維修紀錄，可以進行故障預診斷。收集關鍵零件的健康指標，了解零件與正常狀態的差距，進行健康狀態評估(Health Status Assessment)，即可快速找出故障源進行排除，關鍵零件健康狀態一目了然；另外，藉由相關資料的收集分析，可以進行故障預測(Failure Prediction)，避免零件無預警故障造成非預期性停機，在故障點前提早預測到，事先進行零件的更換與維修，減少無預期故障帶來的原料損失；除了在故障前預測之外，也可以進行零件的剩餘壽命預測(Remaining Useful Life Prediction)，對維修排程、備料與產線調配做更好的安排，提高機台稼動率並降低機台維護成本。

賴建良舉例說明，如華邦電子建置的機台預警系統，透過對參數因子的蒐集、解讀和分析預測，在問題事件發生前發出預警通知，減少非預期性停機狀況，並在第一時間採取矯正措施。在高度自動化的工廠結合機台預警系統，優化生產流程，確保少量多樣的產品品質，滿足車規或公規等高階市場的需求。