Electronique Mag - Le journal de l'électronique.

ARGOS répond à un constat industriel clair : la maintenance prédictive ne génère de valeur que si deux piliers essentiels sont réunis. D’une part, une maturité des données suffisante – des données fiables, accessibles et correctement gouvernées. D’autre part, une expertise opérationnelle éprouvée, incluant la maîtrise des pompes à vide et des technologies de réduction des émissions, des pratiques d’ingénierie de fiabilité et des cycles d’amélioration continue rigoureux de type PDCA (planifier–développer–contrôler–agir).

Lorsque l’un de ces piliers fait défaut, les alertes issues de l’apprentissage automatique restent confinées aux tableaux de bord et ne se traduisent pas en décisions opérationnelles. ARGOS a été conçu pour combler précisément cette lacune.

Des données aux décisions opérationnelles

ARGOS associe des modèles d’apprentissage automatique de niveau industriel à plusieurs décennies d’expertise terrain de Pfeiffer Vacuum+Fab Solutions dans les domaines du vide et de l’abattement. Les modèles multivariés alimentent un service d’ingénierie de fiabilité structuré, permettant aux équipes de maintenance d’agir sur les bons risques, au bon moment.

Plutôt que de livrer des analyses brutes, ARGOS fournit des recommandations validées par des experts, directement exploitables :

 Les alertes deviennent des ordres de travail planifiés,
 Les pièces sont pré-identifiées et préparées,
 Les interventions imprévues sont converties en activités anticipées et maîtrisées.

Comment fonctionne ARGOS

Capture des données simplifiée

Une passerelle plug-and-play permet de collecter les données de télémétrie et les événements de service de la subfab sans perturber les outils existants. L’installation ne nécessite que quelques minutes.

Modèles d’apprentissage automatique orientés métier

Les indicateurs de santé multivariés, la détection et la classification des anomalies ainsi que les estimateurs de durée de vie utile restante (RUL) sont spécifiquement adaptés aux familles d’actifs et aux conditions de procédé. Ils sont calibrés à partir de modèles physiques de défaillance et des interactions procédé–pompe.

Expertise opérationnelle intégrée

Des bibliothèques et méthodes spécifiques au domaine transforment les alertes analytiques en décisions concrètes. Elles incluent notamment :

des arbres de diagnostic reliant symptômes et causes racines, la classification des risques selon leur impact sur la production, des guides d’actions basés sur les analyses FMEA, intégrant des cycles PDCA, des critères de disponibilité des pièces et de gestion de fin de vie (EOL) alignés sur les fenêtres RUL, la collecte structurée des retours terrain pour enrichir et améliorer les modèles.

Moteur de hiérarchisation des risques

Un moteur de risque combine la probabilité de défaillance estimée par apprentissage automatique avec les conséquences potentielles sur la production, afin de produire une liste priorisée des risques et des actions recommandées.

Apprentissage continu

Les modèles ARGOS sont continuellement réentraînés à partir des résultats des interventions. La précision des estimations RUL, les taux de faux positifs et la pertinence des alertes sont suivis dans une logique d’amélioration continue.

Ensembles de décisions exploitables

Des livrables hebdomadaires et mensuels traduisent les résultats analytiques en :

 travaux planifiés,
 recommandations de remplacement ou de fin de vie,
 mises à jour des indicateurs clés de performance (KPI) alignés sur les objectifs de disponibilité.

Une architecture indépendante des fournisseurs

ARGOS repose sur des interfaces ouvertes et normalisées, garantissant une totale portabilité des données et des modèles, sans dépendance vis-à-vis d’un fournisseur. Le service fonctionne entièrement sur site, assurant un contrôle total des données sensibles par le client.

Ce que les usines de semi-conducteurs obtiennent avec ARGOS

 Un rapport hebdomadaire de risques, basé sur l’apprentissage automatique et centré sur les actifs critiques.

 Une liste priorisée d’actions recommandées, incluant le calendrier, les pièces nécessaires et les prérequis opérationnels.

 Le suivi d’indicateurs clés de performance : disponibilité, MTBF/MTTR, taux de maintenance planifiée, temps d’arrêt évités, précision du RUL, ainsi que des indicateurs méthodologiques tels que les taux de faux positifs et la précision des alertes.

 Des revues périodiques de maturité, accompagnées de recommandations pour renforcer la qualité des données et des pratiques.

 Une évaluation initiale de la maturité des données et des compétences, afin de sécuriser le retour sur investissement et d’adapter les modèles à la base installée locale.