預測性維護（Predictive Maintenance）是以機器學習模型分析製造設備的感測器資料、運轉紀錄、振動、溫度、電流等即時資料，在故障發生前於最佳時機進行保養與零件更換的製造管理手法。傳統的定期保養（TBM：Time-Based Maintenance）仍存在過度保養與突發故障的風險；預測性維護則依據設備的實際狀態最佳化保養時機，同時實現設備綜合效率（OEE）提升與維護成本降低。
在半導體晶圓廠導入預測性維護的流程為：①從設備的 IoT 感測器收集資料（振動、溫度、製程配方參數等）；②將資料累積至資料湖／雲端並進行前處理；③建立機器學習模型（異常偵測、剩餘壽命預測）；④觸發保養動作，並與 MES／EAP 系統整合。應用材料（Applied Materials）、科林研發（Lam Research）、東京威力科創（TEL）等主要設備廠商已在設備上搭載感測器與預測性維護 API，科磊（KLA）、Onto Innovation 等則提供涵蓋整座晶圓廠的 AI 資料分析平台。
預測性維護與 APC（先進製程控制）、虛擬量測、良率管理緊密配合，共同構成「智慧晶圓廠」。特別是在先進節點（3nm 以下），設備細微的狀態變化會直接影響晶圓品質，因此預測性維護的重要性日益提升。以機器學習進行預測性維護的基礎請參閱 機器學習，與製程控制的整合請參閱 apc・虛擬量測・良率管理 等用語。