Portefeuille

DiagRAMS lève 1,7 million d’euros pour accélérer le développement de sa solution de maintenance prédictive dédiée à l’industrie

DiagRAMS Technologies, entreprise spécialisée dans l’édition de logiciel pour optimiser les performances industrielles grâce à l’Intelligence Artificielle, accélère sa croissance avec sa première levée de fonds d’un montant de 1,7 million d’euros.

DIAGRAMS TECHNOLOGIES, LA DEEPTECH POUR L’INDUSTRIE 4.0

Créée en 2019, DiagRAMS Technologies développe un logiciel de maintenance prédictive permettant d’analyser les données jusqu’ici sous-exploitées dans les usines. Issue de plusieurs années de R&D chez Inria, l’institut national de recherche en sciences du numérique, la solution DiagRAMS apporte une rupture technologique en data science industrielle permettant de relever les challenges liés à la détection d’anomalies, au diagnostic de dysfonctionnements et à la prédiction de pannes sur tous les équipements industriels.

Co-fondée par Margot Corréard et Jean-François Bouin et rejoint par Quentin Grimonprez, docteur en statistique chez Inria, l’entreprise est née de la rencontre entre le monde de la recherche et de l’ingénierie industrielle. DiagRAMS Technologies intègre sa double expertise industrielle & IA dans un logiciel conçu pour les équipes de maintenance sur le terrain.

LA MAINTENANCE PRÉDICTIVE AU SERVICE DE L’IMPACT ENVIRONNEMENTAL

DiagRAMS Technologies propose une solution logicielle de maintenance prédictive pour surveiller en continu l’état de santé des tous les équipements d’une usine. Autrement dit, DiagRAMS permet à ses clients d’anticiper les défaillances, d’augmenter la disponibilité de leur outil de production, d’optimiser leurs performances et de réduire leur empreinte environnementale.

La force de DiagRAMS ? Permettre aux industriels d’exploiter et de valoriser les données déjà présentes dans l’usine. Grâce à son innovation il devient possible d’analyser les données de production et de maintenance jusqu’ici sous-exploitées pour suivre les conditions réelles d’utilisation des équipements sans ajouter de nouveaux capteurs dédiés à la maintenance.

Chez DiagRAMS Technologies, nous nous appuyons sur nos expériences dans l’industrie et dans la R&D pour proposer une solution simple et intuitive qui peut s’appliquer sur des systèmes déjà existants. Nous savions que le secteur de l’industrie faisait face à un problème en termes de maintenance prédictive : le manque d’une solution unique et qui s’adapte à n’importe quelle chaîne de machines. Nous avons donc développé un logiciel basé sur le Machine Learning et l’IA pour répondre à cette demande. Ainsi, nous permettons aux techniciens sur le terrain d’optimiser leurs interventions, d’anticiper les pannes et les dysfonctionnements des équipements, et ainsi de réduire les coûts de maintenance de manière considérable.
Margot Corréard et Jean-François Bouin, Fondateurs de DiagRAMS Technologies.

UNE PREMIÈRE LEVÉE DE FONDS RÉUSSIE POUR POURSUIVRE SON DÉVELOPPEMENT

Grâce à l’investissement des fonds Nord CréationFinorpaNord France AmorçageNord Capital Investissement et au soutien de BPIFrench Tech Seed, et du Groupe Cleaning Bio, DiagRAMS Technologies réalise sa toute première levée d’1,7 million d’euros pour accélérer son développement.

Une levée de fonds qui s’avère être un réel tremplin et permet à l’entreprise d’évoluer dans une nouvelle phase de sa croissance.

Les prochaines étapes pour DiagRAMS Technologies : poursuivre ses efforts de R&D et renforcer ses équipes afin de déployer sa solution. Son ambition : devenir un leader sur le marché de la maintenance prédictive industrielle, grâce à son innovation qui présente déjà un taux de réussite de près de 100%.

DiagRAMS Technologies est lauréat Réseau Entreprendre Nord et est soutenue par Hodéfi, Village by CA et EuraTechnologies.

Laisser un commentaire

Your email address will not be published.

You may use these <abbr title="HyperText Markup Language">HTML</abbr> tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>

*