机器故障让制造业付出巨额成本，所幸现在的传感器与机器学习等新技术，可以做到提前预测，进而减少停机时间。据Bureau of Analysis数据，美国平均工业设备使用年限，从1970年代以后就持续拉长，现在平均的使用时间都已达到10年。随着资产老化，故障与维修的机会就变得越来越多。

      工业4.0提供新的技术，可以量化停机时间，并监测、预测故障

物联网预测性维修业者Presenso共同创办人暨执行官Eitan Vesely表示，目前许多制造业者仍采用到故障为止（Run-to-failure）的方式，这种被动式的维修，但这其实要付出昂贵的成本，除了维修故障的机器之外，这还会损害整个生产线。

由于制造机器的年限持续拉长，制造业者复出的成本与风险也跟着上升。许多公司并未精确量化他们的停机成本，但据估计，就算是小型工厂，其每小时产生的成本也可能高达数万美元。

工业4.0提供新的技术，可以量化停机时间，并监测、预测故障。机器中的传感器，可以透过先进的算法，快速显示出异常的趋势与问题。

一般人工方式需要拿着清单，并设定许多变数，并根据历史数据进行评估;机器有复杂的演法，可以考虑成千上万个变量，而且实时侦测出细微的改变，这是传统方法作不到的。

Infosys全球调查指出，尽管81%制造商明白机器学习有助于机器维修，但只有17%真正采用了相关技术。许多中小型业者还在使用1980年代的系统，甚至使用人工的数据分析。

还没导入预测性分析的制造业者可能会问，究竟这么做的投资报酬率有多高？使用预测性分析，需要投资传感器和SaaS解决方案等。制造业者应该了解相关分析工具的精准度，同时考虑停机所造成的冲击，然后做出综合评估。

Vesley认为，一开始应该从概念验证开始，如果能够提前侦测出资产故障，这时候管理阶层就比较容易接受这样的提议。跨部门的合作，包括IT部门与营运部门的整合，也是非常重要。