ARGOS optimiert Betrieb von Halbleiterfabriken dank Daten und vorausschauender Wartung

(openPR) Pfeiffer Vacuum+Fab Solutions, ein Mitglied der globalen Busch Group, hat heute ARGOS vorgestellt, einen Vor-Ort-Service für maschinelles Lernen und Analysen in Halbleiterfabriken, der Betriebsdaten in priorisierte, risikobasierte Maßnahmen umwandelt, um die Verfügbarkeit zu erhöhen, die Gesamtbetriebskosten zu senken und die Ausbeute zu stabilisieren. Diese herstellerunabhängige Lösung stützt sich auf fundierte Daten und operative Expertise.

ARGOS ist die Lösung für eines der Hauptprobleme der Branche. Vorausschauende Wartung bietet nur dann einen Mehrwert, wenn zwei Voraussetzungen erfüllt sind: hohe Datenqualität (vertrauenswürdige, aktuelle und gut verwaltete Daten) sowie operative Expertise für die Umsetzung einer vorausschauenden Wartungsstrategie (Know-how zu Vakuumpumpen und Abgasreinigung, zuverlässige technische Verfahren und disziplinierte PDCA-Routinen (Plan-Do-Check-Act)). Ist auch nur eine der beiden Voraussetzungen unvollständig erfüllt, bleiben Machine-Learning-Signale einfach nur Anzeigen auf der Instrumententafel und führen nicht zu Ergebnissen. ARGOS wurde entwickelt, um diese Lücke zu schließen.

Es vereint maschinelles Lernen auf Produktionsniveau mit jahrzehntelanger Erfahrung in den Bereichen Vakuumpumpen und Abgasreinigung. Multivariate Modelle liefern einen systematischen und zuverlässigen technischen Service, damit Fabriken zum richtigen Zeitpunkt auf die richtigen Risiken reagieren können. Statt Rohdaten liefert ARGOS auf maschinellem Lernen basierte und von Experten validierte Empfehlungen, die in geplante Maßnahmen übersetzt werden: Aus Signalen werden Arbeitsaufträge, Teile werden vorbereitet und ungeplante Aufgaben in geplante Aktivitäten umgewandelt.

So funktioniert ARGOS

Gateway für die Datenerfassung

Über ein Plug-&-Play-Gateway zur Datenerfassung erhebt ARGOS Sub-Fab-Telemetrie und Serviceereignisse, ohne den Betrieb zu unterbrechen. Die Installation ist einfach und dauert nur wenige Minuten.

Bereichsspezifische Machine-Learning-Modelle

Ein multivariater Zustandsindex, Anomalie-Erkennung und -Klassifizierung sowie Schätzungen zur verbleibenden Lebensdauer bzw. Restnutzungsdauer (RUL, Remaining Useful Life) sind auf Anlagenfamilien und Prozessbedingungen abgestimmt. Sie wurden anhand von Fehlermustern sowie Wechselwirkungen zwischen Prozessen und Vakuumpumpen kalibriert.

Operative Expertise und Leitfäden

Bereichsspezifische Bibliotheken und Methoden verwandeln Signale in Ergebnisse. Zu diesen Methoden gehören Fehlermechanismus- und Symptom-Ursachen-Bäume, die Klassifizierung von Einsatzarten und Risikostufen in der Interaktion von Prozessen und Vakuumpumpen anhand von Produktionsfolgen, Leitfäden für FMEA (Failure Mode and Effects Analysis) mit PDCA-Routinen, an RUL-Fenstern ausgerichtete Kriterien für Teilebereitschaft und Instandsetzung/EOL (End of Life) sowie die Erfassung von Servicenachweisen zur Verbesserung der Lernmodelle.

Risiko-Engine

Eine Risiko-Engine kombiniert eine durch maschinelles Lernen geschätzte Wahrscheinlichkeit eines Fehlers mit seinen Folgen für die Produktion, um eine Rangliste der Risiken zu erstellen und die besten Maßnahmen abzuleiten.

Kontinuierliches Lernen

Die ARGOS Modelle lernen kontinuierlich dazu und werden anhand von Serviceergebnissen weiter trainiert. RUL-Genauigkeit, Falsch-Positiv-Raten und Alarmgenauigkeit werden nachverfolgt, um das System immer weiter zu verbessern.

Entscheidungspakete

Wöchentliche und monatliche Ergebnisse übersetzen die Ausgaben des Modells in geplante Aktivitäten, EOL-Empfehlungen und Aktualisierungen der Leistungskennzahlen (KPI), die auf die Verfügbarkeitsziele ausgerichtet sind.

Anbieterunabhängig entwickelt

ARGOS verwendet offene, standardisierte Schnittstellen für den Datenimport und -export, sodass keine Anbieterabhängigkeit besteht und Daten und Modelle vollständig portierbar sind. Der Dienst wird vollständig vor Ort betrieben, und sensible Daten bleiben unter der Kontrolle des Kunden.

Das erhalten Sie

• Einen wöchentlichen, auf maschinellem Lernen basierten Risikobericht mit Schwerpunkt auf den kritischsten Anlagen.
• Eine Auflistung der besten Maßnahmen mit Zeitplan, Teilen und Voraussetzungen.
• KPI-Tracking zur Anzeige von Verfügbarkeit, MTBF (Mean Time Between Failures) / MTTR (Mean Time to Repair), Anteil geplanter Arbeiten, vermiedenen Stillstandszeiten und RUL-Genauigkeit. Zusätzlich werden die Falsch-Positiv-Raten und die Alarmgenauigkeit als KPIs kontinuierlich überwacht.
• Regelmäßige Bereitschaftskontrollen und Maßnahmen zur Steigerung der Reife von Daten und Methoden.
• Eine Bewertung der Daten- und Kompetenzreife bei der Bereitstellung, um die ROI-Bedingungen zu überprüfen und das Modelltraining auf die Installation vor Ort abzustimmen.