Une plateforme, quatre leviers pour fiabiliser vos machines tournantes
De la capture du signal à la recommandation d'action, chaque brique de ROSIA INTEL est conçue pour rapprocher vos équipes de maintenance de la réalité mécanique du terrain.
Diagnostic par IA (CNN avancés)
ROSIA INTEL s'appuie sur des modèles de Deep Learning basés sur des réseaux de neurones convolutifs (CNN avancés) pour identifier automatiquement les signatures de défauts dans les signaux issus de vos équipements. Le système est capable de reconnaître et classifier jusqu'à 41 classes de défauts, pour une détection précoce des dégradations.
- Reconnaissance automatique des signatures de défauts
- Jusqu'à 41 classes de défauts classifiées
- Modèles entraînés spécifiquement pour les machines tournantes
- Résultats exploitables sans expertise en science des données
Jumeau numérique
Notre prototype de jumeau numérique offre une représentation virtuelle de vos équipements, permettant le suivi et l'analyse de leur comportement dans le temps. Conçu comme une brique web, il vise une accessibilité directe depuis un navigateur, sans dépendance à un outil propriétaire fermé — pour rapprocher le terrain de la donnée.
- Représentation virtuelle des machines tournantes
- Suivi du comportement dans le temps
- Approche web, pensée pour l'accessibilité
- Support à l'analyse et à la prise de décision
Diagnostic des composants critiques
ROSIA INTEL est spécialisée dans le diagnostic des machines tournantes et de leurs composants les plus sensibles : engrenages, roulements, arbres de transmission, systèmes de lubrification et état de l'huile, ainsi que les principaux composants mécaniques susceptibles de générer des anomalies.
- Engrenages
- Roulements
- Arbres de transmission
- Lubrification et état de l'huile
Maintenance prédictive & prescriptive
Contrairement à une maintenance corrective traditionnelle, ROSIA INTEL s'inscrit dans une approche de maintenance prédictive et prescriptive : l'objectif est d'anticiper les défaillances avant qu'elles n'entraînent des arrêts coûteux, et de recommander l'action la plus pertinente au bon moment.
- Anticipation des défaillances
- Recommandations d'actions priorisées
- Réduction des arrêts non planifiés
- Pilotage de la maintenance par la donnée
Les points de défaillance les plus critiques, sous surveillance
Engrenages
Détection des usures, désalignements et anomalies d'engrènement.
Roulements
Identification des défauts de bagues, billes et cages avant rupture.
Arbres de transmission
Surveillance des balourds, désalignements et défauts de torsion.
Lubrification & huile
Suivi de l'état de l'huile et des systèmes de lubrification.
Autres composants critiques
Tout composant mécanique susceptible de générer une anomalie.
Du signal brut à la décision de maintenance
Capture du signal
Les données vibratoires et de fonctionnement sont collectées sur la machine tournante.
Analyse par IA
Les modèles CNN analysent le signal pour en extraire les signatures caractéristiques.
Diagnostic & classification
Le défaut est identifié et classé parmi les catégories reconnues par le système.
Décision & action
Une recommandation claire est transmise aux équipes de maintenance.
Vous cherchez plutôt par problème à résoudre ? Voir les solutions par situation
Une question sur une machine en particulier ?
Parlons de votre parc machines et de vos contraintes de production.