預測性維護（Predictive Maintenance）是使用控制器的輸入數據與感測器測量到的大量數據，用機器學習來做分析，找出模型，根據現在量測到的數據了解機器狀況，進而做預先計畫性維護，以減少浪費，並達成高效率。
在工廠中，機器不預期地突然壞掉，會造成原來的產能大為降低，為了減少損失，要想辦法在最短時間內找到可用的機器或找其他工廠幫忙生產，另外，壞掉的機器，如果能修，就要花一筆費用與維修時間，影響生產的成本與生產的產能規劃甚巨。所以，利用收集到的數據，學習出生產設備的在長時間下的運作模式，從模式中推出需保養的時間，然後安排保養。真的這麼簡單？
其實，這樣的模式，還要看工具機需要量測的數據是哪種數據？需要哪種感測器？原來沒有裝感測器的機器該怎麼安裝？還有，人工智慧學習好的模型一開始沒有，會不會因收集壞掉的數據，讓機器壞掉？不過，一但機器壞掉，客戶應該就不信任這個機制了吧？
以電動馬達為例，另外安裝震動感測器來量測震動數據，以知道震動狀況，但是在工廠中必須特別停機安裝；而且安裝後又要緊緊接上，其中之一的解決方案是鑽孔鎖上螺絲鎖住。
電動馬達的模型，有些廠商已經開發出了相關的數學模型，根據這類模型保養已經比傳統的定期保養減少浪費，但是如果加上收集資料量來做機器學習，可以做到更好的效率，最後資料量夠龐大，就可建立深度學習模型，其效率非常高。不過一般企業因為沒有好的人工智慧人才，可能沒辦法建立相關的模型，而因此能使用到這麼高的效率。
電動馬達是連續轉動的工具機，已經有相關運作的數學模型，但是像工業機器手臂，這種沒有固定相關模型的，就一定要用機器學習的方法，這時收集資料，找到適切模型是必要的，以新漢智能系統公司的相關解決方案為例，其震動感測器裝在手臂基柱靠近底端，然後收集相關數據來調整人工智慧模型的參數，不過新漢本身也有做機器手臂，所以他已經用這個模型針對自家的機器手臂實做學習過，所以模型參數調整相對穩健，只是要學習後移植到其他沒有感測器的機種上。
預測性維護往往是很多廠商導入工業4.0最先選擇做的，因為解決最大痛點，其效率提升明顯，而且針對單機，成本花費相對又少，如果還沒導入的企業，可以先從這個項目開始。
