ARGOS gør fabriksdriften smartere med data og forudsigelig vedligeholdelse
Pfeiffer Vacuum+Fab Solutions – et medlem af den globale Busch Group – annoncerede i dag ARGOS, en on-site machine learning og analyseservice til semicon-fabrikker, der konverterer driftsdata til prioriterede, risikobaserede handlinger for at øge driftstiden, reducere de samlede ejerudgifter og stabilisere udbyttet. Denne leverandøruafhængige løsning er forankret i datamodenhed og driftsekspertise.
ARGOS adresserer en vigtig udfordring i branchen. Forudsigelig vedligeholdelse skaber kun værdi, når to ting er på plads: gode data (pålidelige, opdaterede og velstyrede) og stærk driftsekspertise til at arbejde systematisk med vedligeholdelse (viden om vakuumpumper og reduktion, teknisk erfaring samt faste PDCA-rutiner – Plan-Do-Check-Act). Hvis én af delene halter, ender machine learning ofte som signaler på et dashboard i stedet for at skabe reelle resultater. ARGOS er udviklet til at lukke dette hul.
ARGOS kombinerer machine learning i produktionskvalitet med årtiers erfaring inden for vakuum- og reduktionsteknologi. Multivariable modeller sikrer en struktureret og pålidelig service, så fabrikker kan reagere på de rigtige risici på det rigtige tidspunkt. I stedet for rå analyser leverer ARGOS machine learning drevne, ekspertvaliderede anbefalinger, som omsættes til konkret handling: signaler bliver til arbejdsordrer, reservedele klargøres på forhånd, og ikke-planlagte opgaver bliver til planlagte aktiviteter.
Sådan fungerer ARGOS
Dataindsamling
AGROS indsamler data via en plug-and-play-gateway, som registrerer driftsdata og servicehændelser fra produktionen uden at forstyrre udstyret. Installationen er enkel og tager kun få minutter.
Machine learning-modeller baseret på fagekspertise
ARGOS bruger avancerede modeller til at overvåge udstyrets tilstand, opdage afvigelser og forudsige levetid (RUL – Remaining Useful Life). Modellerne er tilpasset forskellige typer udstyr og produktionsforhold og bygget på viden om reelle fejlmønstre og samspillet mellem processer og pumper.
Driftsekspertise og playbooks
Indbygget viden og metoder omsætter data til konkrete handlinger, som inkluderer:
- Forståelse af fejl og årsagen hertil
- Kobling mellem proces og pumpeadfærd
- Vurdering af risiko baseret på produktionspåvirkning
- Handlingsplaner (FMEA) og faste arbejdsgange (Plan-Do-Check-Act)
- Kriterier for forberedelse af reservedele og planlægning af service og udskiftning (EOL)
- Opsamling af servicedata til løbende forbedring af modellerne
Risikovurdering
ARGOS kombinerer sandsynligheden for fejl (baseret på machine learning) med konsekvensen for produktionen. Det giver en prioriteret liste over risici og klare anbefalinger til næste skridt.
Kontinuerlig læring
Systemet bliver hele tiden bedre ved at lære af service og resultater. Nøjagtighed, falske alarmer og præcision følges og forbedres løbende.
Beslutningsgrundlag
Ugentlige og månedlige leverancer omsætter analyser til konkrete opgaver, anbefalinger om udskiftning og opdateringer på KPI’er for drift og tilgængelighed.
Leverandøruafhængigt design
ARGOS bruger åbne standarder til dataimport og -eksport. Det betyder ingen leverandørlåsning og fuld kontrol over data og modeller. Systemet kører lokalt hos kunden, så følsomme data forbliver på fabrikken.
Fabrikkerne får:
- En ugentlig, machine learning-drevet risikorapport med fokus på de mest kritiske aktiver
- En prioriteret liste over næste bedste handlinger – med timing, nødvendige dele og forudsætninger
- KPI-opfølgning, der viser tilgængelighed, MTBF og MTTR (gennemsnitlig tid mellem fejl og reparationer), andelen af planlagt arbejde, undgået nedetid samt nøjagtigheden af RUL. Der følges også løbende op på falske alarmer og alarmpræcision
- Løbende tjek af klargøring og forbedring af modenhed på tværs af data og metoder
- En vurdering af data- og kompetenceniveau ved opstart for at sikre forudsætningerne for ROI og tilpasse modeltræningen til den lokale installation
Læs mere om ARGOS her.
