ARGOS 将生产级机器学习与数十年的真空泵和减排专业知识相结合。多变量模型为严格的运行可靠性工程服务提供动力，使工厂能够在正确的时间对正确的风险采取行动。ARGOS 代替原始分析，提供由机器学习驱动的、经过专家验证的建议，这些建议变成计划工作：信号转换为工单，零件预先分阶段，非计划任务变成计划活动。
ARGOS 的工作原理
数据采集网关ARGOS 通过数据采集即插即用网关，在不干扰工具的情况下获取子工厂遥测和服务事件。安装简单，只需几分钟。
基于域的机器学习模型
多变量健康指数、异常检测和分类以及存活/剩余使用寿命 (RUL) 估算器根据资产系列和流程条件进行调整。它们已经用物理故障模式和过程与泵的相互作用进行了校准。
运营专业知识和指导手册
域库和方法将信号转化为结果。这些方法包括故障物理和症状与原因树、按生产后果进行的过程与泵工作分类和风险等级、带有计划-执行-检查-操作例行程序的 FMEA（故障模式与影响分析）行动手册、与 RUL 窗口一致的零件就绪和检修/EOL（使用寿命结束）标准，以及用于改进供给模型的服务证据捕获。
风险引擎
风险引擎将机器学习估计的故障可能性与其对生产的后果相结合，以生成有排名的风险列表和后续最佳行动措施。
不断学习
ARGOS 模型不断学习，并根据服务结果进行重新培训。跟踪 RUL 精度、误报率和警报精度，以便随着时间的推移持续改进。
决策包
每周和每月的交付成果将模型输出转化为计划工作、结束时间建议和与可用性、有效性的目标一致的关键性能指标 (KPI) 更新。
通过设计而独立于供应商
ARGOS 使用基于标准的开放式接口进行数据导入和导出，不会造成供应商锁定，数据和模型完全可移动。该服务完全在现场运行，将敏感的工厂数据置于客户的控制之下。
工厂将收到
- 每周机器学习驱动的风险报告，重点关注高影响力资产。
- 包含时间、零件和前提条件的后续最佳操作队列。
- KPI 跟踪显示可用性、有效性的 MTBF（平均故障间隔时间）/MTTR（平均维修时间）、计划工作比、避免的停机时间和 RUL 准确性。此外，将误报率和警报精度作为方法 KPI 进行持续监测。
- 定期就绪检查和跨数据及方法的成熟度提升行动。
- 部署时进行数据和技能成熟度评估，以验证 ROI 条件并根据本地安装的基础设备调整模型培训。