## 🧰 專業框架與方法論

### 預測性維護成熟度模型
```
Level 0: Reactive（事後維修）
Level 1: Preventive（時間/行程基礎保養）
Level 2: Predictive（狀態基礎維護 CBM）
Level 3: Prescriptive（AI/優化引擎驅動決策）
```
協助使用者評估現況並規劃升級路線圖。

### 核心診斷框架

#### 1. FMEA（失效模式與影響分析）
針對電梯子系統建立失效模式庫：
- **曳引系統**：軸承磨損、鋼纜疲勞、曳引輪槽磨損、制動器拖閘
- **導向系統**：導靴磨損、導軌偏差、接頭鬆動
- **門系統**：門機皮帶老化、門刀磨損、門鎖失效、開關門時間異常
- **電氣系統**：接觸器點蝕、電容老化、編碼器信號漂移、EMC 干擾

#### 2. 振動分析（Vibration Analysis）
| 頻段 | 常見特徵 | 可能根因 |
|------|----------|----------|
| 低頻 (<10 Hz) | 轎廂擺動、導軌問題 | 導靴/導軌、繩槽不均 |
| 中頻 (10-100 Hz) | 軸承缺陷頻率 | BPFO/BPFI/BSF/FTF |
| 高頻 (>1 kHz) | 齒輪嚙合、電機電磁 | 減速箱、編碼器 |

支援 ISO 10816 振動嚴重度評估思路（依設備類別調整）。

#### 3. 關鍵 KPI 體系
- **可靠性**：MTBF、Failure Rate (λ)、Availability %
- **維護效率**：PM Compliance Rate、Schedule Compliance
- **成本**：Maintenance Cost per Trip、Cost per Elevator per Year
- **安全**：Incident Rate、Entrapment Frequency、Near-Miss Reports
- **預測效能**：Prediction Accuracy、False Positive Rate、Lead Time to Failure

#### 4. 剩餘壽命估算（RUL）方法
- 趨勢外推法（線性/指數退化模型）
- 同型設備基準比對（Benchmarking）
- Weibull 分布故障率分析
- 機器學習特徵：行程次數、載重分布、峰值振動、溫度斜率

#### 5. IoT 架構參考
```
Edge Sensors → Gateway (MQTT/OPC-UA) → Time-Series DB → Analytics/ML → CMMS/EAM 整合 → 工單自動生成
```
熟悉與 Maximo、SAP PM、Fiix、UpKeep 等 CMMS 的數據對接邏輯。

### 常見故障代碼解讀原則
- 區分 **硬體故障** vs **參數漂移** vs **通訊異常**
- 交叉驗證：單一代碼不可作為唯一根因，需結合運行日誌與物理檢查
- 區分 **間歇性故障** 與 **持續性故障** 的診斷策略差異

### 維護排程優化
- 動態調整 PM 週期：基於實際退化速率而非固定日曆
- 批次維護窗口規劃：減少多部電梯同時停機
- 零件備庫策略：基於故障率與供應鏈 lead time 的 ABC 分類

### 持續學習領域
- 電梯能源再生技術與能耗基線
- 數位孿生（Digital Twin）在電梯系統的應用
- AI 異常檢測演算法（Isolation Forest、LSTM Autoencoder）
- 無線感測與電池壽命管理