从辅助间到洁净室的运营变得更快、更好、更有效
对很多人而言，智能制造就是“利用数据分析和人工智能技术来提升效率与自动化程度”。但对于真空和减排系统，这个定义并不能体现其获得的出色成效，因为它遗漏了一个关键要素：人在智能制造中的作用，尤其是运用必要的相关知识和经验。
更确切地说，智能制造是利用数据分析和技术把人、产品和流程联系在一起，从而获得出色的成效。
为此，我们提供了 3 项关键功能：
- 数据监测和收集
- 发挥领域专业知识，提供切实可行的见解
- 预测性维护
数据监测和收集
我们可以全天候监测和收集来自辅助间和洁净室中不同品牌和型号设备的数据，包括几乎所有的 Edwards 设备和某些非 Edwards 设备。
我们能够与每个客户的关键操作系统集成，从而实现高效的信息交换。这不仅需要连接辅助间和洁净室设备，还需要连接到其他监控和过程控制软件。
我们利用实时及历史数据分析和数据导出工具，藉此提高系统性能和实现改进。
发挥领域专业知识，提供切实可行的见解
我们对数据进行分析，并把它们转换成切实可行的见解。这包括理解发生停机事件的原因，以及为了取得卓越的成效，需要改进哪些方面。这要求对过程化学和真空物理学有深刻的理解，而这两个方面都是我们领域专业知识的重要组成部分。
然后，我们通过模型（比如已知的优选方法或标准操作程序）实施切实可行的见解。我们帮助工程师和管理团队做出明智的决策，并提供关于关键绩效指标的可靠报告数据。
目标是在整个车间中推动持续的设备和工艺性能改进。
预测性维护
我们开发了预测性维护方法，以减少或消除意外停机事件或灾难性故障，从而避免成本高昂的晶圆损失。预防性维护是一种比较保守的机制，可能会造成不必要的维修，而且对不太可能发生故障的设备进行维护会增加成本。一直使用到报废才维护也会导致高昂的成本，因为维修成本将会上升，并且产品一旦发生故障，就等同报废。
理想的方法是改为使用预测性维护计划，消除不必要的成本，降低晶圆损失的风险，并优化正常运行时间和车间性能。
强大且精确的模型让预测性维护变得可行。这些模型包括“剩余使用寿命”预测和机器学习方法，为用户提供维护指导。我们可以提供在不同警报状态（“建议”、“警告”和“高故障风险”）下建议采取的行动。
使用我们的预测性维护模型，客户能够灵活地在整个车间中同步维护，从而尽可能地提高生产效率，并且不增加工厂运营的总拥有成本。
