Capture record
- Canonical URI: https://www.bnext.com.tw/article/92502/predictive-maintenance-teco-motor-ai
- Source class: secondary synthesis/reporting(商業媒體產業報導,多位專家受訪);東元電機與東訊的業務數字屬公司第一方口徑。文章非研究論文或獨立稽核。
- 原文標題: 賣馬達也能賺訂閱收入?東元電機如何把70年經驗接軌「預測性維護」,開吃工業AI大餅?
- 作者/出版者: BN編輯大帳號(JSON-LD
author);責任編輯:謝宗穎(文末署名);數位時代 BusinessNext。 - 發布日期: 2026-10-05T17:35:00+08:00(BusinessNext JSON-LD
datePublished/dateModified) - 擷取時間: 2026-10-05T10:24:36+00:00(canonical response
Date,作為抓取時間近似) - Retrieval method: 先以
web_extract讀取可見正文;再以 Pythonurllib直接 HTTP GET 核對 canonical HTML、JSON-LD 與articleBody。全程未使用 browser。 - HTTP metadata: canonical response
200;Content-Type: text/html; charset=UTF-8;responseDate: Mon, 05 Oct 2026 10:24:36 GMT;406,221 bytes;HTML payload SHA-256f093c7f1a5b4f4b3d6258e125cfdb4ab95bff4e4b6ecdcd8007b37158795257a。HTML 未保存至 bundle。 - Saved payloads and SHA-256: 無;只保存本 wrapper。frontmatter 的
sha256是本檔 frontmatter 結束後 body 的 SHA-256,未對未保存的 BusinessNext HTML、圖片或相關頁面宣稱可重現 hash。
Faithful summary
文章以偏遠油砂礦場大型馬達故障情境開頭:這類接近客製化的大型馬達,關鍵零件從備料、製造到運抵現場可能花上數月;若能從振動訊號提早判斷哪個零件出問題、設備還能運轉多久,供應商可先行備料並縮短客戶停機時間。1
有「馬達王國」之稱的東元電機已做 70 年馬達生意。2025 年從工研院轉任東元技術長的饒達仁描述,過去公司賣馬達、等客戶通知設備壞了再派維修;他到任第一天便強調「data is power」——馬達的振動、溫度、電流與負載變化都能成為判讀健康狀態的線索。1
維護策略脈絡:最直接是「壞了再修」(代價為停機),其後發展出依固定時間或運轉量保養(如汽車每 1 萬公里回廠檢查),但未必反映每台設備實際負載與耗損。馬里蘭大學克拉克傑出講座教授、工業人工智慧中心主任李傑回憶,2000 年前後他成立美國 NSF 智能維護系統中心時曾有人勸他別研究維護;他說「維護是任何製造的 last mile」,做不好生產與效率都會受影響。1
馬達是預測性維護中最常見、工程知識累積最深的設備之一;旋轉設備故障通常留下可辨識的物理特徵(振動頻率、溫度、扭力變化),即使沒有先進 AI 也能判斷軸承磨損、轉軸偏移等問題。東元自己設計製造馬達、熟悉內部機械結構,這些長年設備知識是其發展預測性維護服務的基礎。1
導入率不高的原因:台大資管系教授李家岩解釋預測性維護原本就不適用於所有機器,工業場域維護策略通常是混合的——關鍵設備值得持續監測、一般設備定期保養、燈泡壞了再換即可。饒達仁回顧 10 年前預測性維護多停留在高價設備、關鍵產線或少數試點,門檻在感測器成本、資料取得與訓練及維護模型的能力;西門子業務推動加速協理范栩則把預測性維護比喻為風險管理——「沒有發生風險,就很難被看見產值」。1
近期台灣企業擴大導入的理由:東訊總經理田瑛睿觀察 AI 需求與供應鏈重組帶動訂單增加、設備運轉時間拉長、停機代價升高;研華物聯網自動化事業群副總經理林清波觀察近年台灣半導體廠積極在乾式真空幫浦導入預測性維護,怕的不只是維修費而是停產與工安風險。另一壓力來自缺工:老師傅靠聲音、振動與手感判斷設備問題,熟練人員退場後未被記錄的經驗會消失;同時感測器成本下降、IoT 網關與 AI 演算法成熟,讓預測性維護有機會走向更大規模維運應用並開啟新商模。1
東元的智慧機電健康管理平台結合自家硬體知識與客戶端負載數據,提供健康診斷、故障預測等服務,可配合既定歲修日期建議調整馬達功率、降低耗損,讓馬達撐到排定時間再維修;也有助於減少過度保養與不必要的備品庫存(田瑛睿:「要精實生產,那應該也要有精實的維保」)。跨出一次性銷售設備後,智慧維護服務為東元開闢平台訂閱收入來源;饒達仁指出東元在冰水主機與馬達加變頻器兩大區塊都以整合方案銷售,並可協助客戶調整多台冰機運轉組合。1
現況瓶頸(饒達仁):資料品質好壞、模型跨設備與工況的適用度、預測結果能否真正進入工廠流程。鼎新數智製造事業群專家蘇景峯描述願景:急單情境下不同 AI 代理分別計算產能、查詢刀具壽命/維修紀錄/庫存,備品不足再接採購流程;真正的關卡是企業內獨立系統大多沒有打通,需串接排程調整、維修派工或備品採購等環節。結語為饒達仁:「AI 不會停留在報表,而要回到現場設備。誰掌握設備,誰就掌握資料入口。」1
文末作者簡介:饒達仁(東元電機技術長、清華大學動力機械系教授、UCLA 機械與航太工程博士、曾任工研院機械所所長);田瑛睿(東訊總經理,曾任兆勤科技、思科及 HPE Aruba,大中華與東南亞逾 20 年資通訊經驗)。1
Reusable extraction(raw-only)
本筆可保留的最小事實骨架:工業預測性維護的落地條件(關鍵設備才值得持續監測、感測器成本下降+IoT/AI 成熟+熟練人員退場為近期導入動因)、現行瓶頸(資料品質、模型跨工況適用度、預測結果進入工廠流程與系統串接),以及設備製造商以「硬體知識+客戶端數據」轉向訂閱制維護服務(東元案例)的商業模式敘事。本輪不升格成 compiled concept,也不做產業因果或投資判斷。1
Primary-source checks during ingest
本次直接讀取 BusinessNext canonical page(web_extract + Python urllib HTTP GET、JSON-LD 核對)。文中受訪者(李傑、李家岩、田瑛睿、林清波、范栩、蘇景峯)的第一方原始發言、東元電機官方網站與產品文件、東訊公司資料本輪未直接讀取;相關主張維持 BusinessNext 報導層級 attribution。
Claim ledger
| ID | Source claim | Status | Owning evidence and boundary |
|---|---|---|---|
| C01 | 東元電機已做 70 年馬達生意,有「馬達王國」之稱。 | partially-supported | BusinessNext 敘述;公司官方沿革原檔本輪未直接讀取核對。1 |
| C02 | 饒達仁 2025 年從工研院轉任東元技術長,到任第一天強調「data is power」。 | partially-supported | 受訪者自述層級;東元官方任命公告本輪未讀取。1 |
| C03 | 李傑(馬里蘭大學克拉克傑出講座教授、工業人工智慧中心主任)2000 年前後成立美國 NSF 智能維護系統中心,稱「維護是任何製造的 last mile」。 | partially-supported | 受訪者自述層級;NSF/大學官方頁本輪未讀取核對。1 |
| C04 | 李家岩:預測性維護不適用於所有機器,工業場域維護策略通常是混合的(關鍵設備持續監測、一般設備定期保養)。 | supported(as expert opinion) | 台大資管系教授專業觀點;屬領域共識層級論述,非量化研究。1 |
| C05 | 10 年前預測性維護多停留在高價設備、關鍵產線或少數試點;門檻在感測器成本、資料取得與模型訓練/維護能力。 | partially-supported | 饒達仁回顧口徑;無獨立導入率統計支持「導入比率不高」的量化程度。1 |
| C06 | AI 需求與供應鏈重組帶動部分硬體業者訂單增加、設備運轉時間拉長、停機代價升高(田瑛睿觀察)。 | partially-supported | 受訪者產業觀察;無公司或統計數據支持。1 |
| C07 | 近年台灣半導體廠積極在乾式真空幫浦導入預測性維護,怕的是停產與工安風險(林清波觀察)。 | partially-supported | 受訪者產業觀察;無具名客戶或量化數據。1 |
| C08 | 感測器成本下降、IoT 網關與 AI 演算法成熟,使預測性維護有機會走向更大規模維運應用並開啟新商模。 | partially-supported | 文章綜合判斷;無價格曲線或市場數據原檔核對。1 |
| C09 | 東元智慧機電健康管理平台結合自家硬體知識與客戶端負載數據,提供健康診斷、故障預測,可配合歲修日期調整馬達功率;有助減少過度保養與備品庫存。 | partially-supported | 公司產品口徑層級;無獨立效能或可靠性驗證。1 |
| C10 | 智慧維護服務為東元開闢平台訂閱收入來源;冰水主機與馬達加變頻器兩大區塊以整合方案銷售,可協助調整多台冰機運轉組合。 | partially-supported | 公司商業模式口徑層級;訂閱營收規模未披露。1 |
| C11 | 現行導入瓶頸:資料品質、模型跨設備與工況適用度、預測結果能否進入工廠流程(饒達仁)。 | supported(as expert opinion) | 受訪者專業判斷;屬定性評估,非量化研究。1 |
| C12 | 急單情境下多 AI 代理串接產能計算、刀具壽命/維修紀錄/庫存查詢與採購流程的願景(蘇景峯);真正關卡是企業內獨立系統未打通。 | supported(as expert opinion / vision) | 鼎新專家描述的願景,非已驗證部署案例。1 |
Evidence boundary
本筆最小可用結論是:BusinessNext 提供工業預測性維護導入脈絡與東元電機訂閱制維護服務的案例報導;專家觀點(李家岩、饒達仁、蘇景峯等)屬領域判斷層級,公司業務敘述屬第一方口徑。可作為 industrial AI/predictive maintenance 主題的二手輸入與案例參考。
本記錄不能證明:東元電機訂閱營收規模或導入客戶數、預測性維護對停機時間的量化效果、感測器成本下降幅度、各受訪者職歷與任命的獨立核對,或任何產業因果結論。東元官方網站、東訊公司資料、NSF 智能維護系統中心原始文件與各受訪者第一方發言本輪未直接讀取;未加入 verified,本次只有 process-level HTTP source checks,沒有獨立 human verification。
Rights boundary
BusinessNext article 與其頁面內容屬外部著作。本次僅保存 metadata、faithful summary、claim ledger、必要的 canonical link 與證據界線;未保存文章全文、HTML、圖片或任何 credential。canonical link 是後續查核入口,來源 ingest 指示不等於取得重製授權。