從庖丁解牛的智慧，審視目前預知維護系統定位及方式，與面對到推展上的困難關係。
80年代起，預知維護作法陸續出現期刊論文中。從文獻中得知，一個設備失效歷程依序為：振動/滑油化驗、聲音、高溫、冒煙等，因此為能即早獲得設備異常失效，常會使用振動傳感器檢測設備。
然而振動值大小先判斷設備是否正常/異常（例如參考ISO標準），再導入AI再來分類故障原因，真能達成預知維護之成效？以下我們來看一個泵異常造成冒煙的例子。
這泵在晚上18：00開始冒煙，振動趨勢也劇烈增加，至接近21：00轉台。
這過程要省思有兩點：
- 在冒煙前，振動量維持在1.45mm/sec，這數值在使用ISO相關標準做狀況判斷依據，是屬於正常範圍。若用這標準作檢測，只有三小時反應時間，這三小時預警有達到預知維護成效嗎？ 再細想，如果是用點檢或是量測週期超過三小時的系統，這事件應該很難發現。
- 再細想，如果是用點檢或是量測週期超過三小時的系統，這事件應該很難發現。
如果這狀況使用XWIN軸承失效分析模組，對照振動量趨勢，在一個月前即檢出軸承失效，如下圖所示。
在使用振動做監診訊號，執行上並不是在做振動總量控制，而是透過振動找到設備先找出失效徵兆，再進行定量，透過RCM標準之『設備＋失效模式＋程度/趨勢』管理，才是預知維護機制的目的。
另外，值得一提的是，本例為何已經一個月前預警軸承異常，為何還會放其劣化到冒煙程度？這一段的挑戰，是智能維護方式展開過程會遭遇的維護觀念上的衝擊，唯有持續事前檢出失效，增加現場大夥的信心，這也是XWIN信念：先去empower人，再由empowered人趨動組織成長的過程。 這是另一章的故事。
