توسيع استخدام أجهزة الاستشعار لنمذجة المعدات المحسنة

تتبنى مرافق Koch Ag & Energy أجهزة استشعار إنترنت الأشياء

في خمس منشآت تابعة لشركة Koch Ag & Energy (KAES)، يجري حاليًا إجراء تحول كبير، مدفوعًا بنشر 125 مستشعرًا للاهتزاز ودرجة الحرارة من Monitron IoT، مقدمة من Amazon Web Services (AWS). تستفيد شركة KAES، وهي شركة قابضة بارزة تضم Koch Fertilizer LLC وKoch Energy Services LLC وKoch Methanol LLC، من هذه المستشعرات لجمع بيانات الاهتزاز ودرجة الحرارة من قطع مختلفة من المعدات، ثم نقلها بعد ذلك إلى خدمة الحوسبة السحابية AWS التابعة لشركة KAES. تتميز هذه المستشعرات بالبساطة، كونها ذاتية التكوين ولا تتطلب أي برمجة. يقوم المستخدمون بتثبيتها على المعدات التي يرغبون في مراقبتها.

تمكين الصيانة التنبؤية لتحسين وقت التشغيل

شارك ديف كرونينج، قائد تكنولوجيا المعلومات، ومارتن ميلر، قائد تحليلات البيانات في KAES، تجربتهما في حدث AWS re:Invent الذي أقيم مؤخرًا. وكشفوا أن خمس منشآت تابعة لـ KAES قامت بنشر 125 مستشعر Monitron بشكل استراتيجي على معدات تشغيل المصنع الأقل أهمية، بهدف تعزيز الصيانة التنبؤية وزيادة وقت تشغيل المعدات وتوافرها. يقوم موظفو المصنع بإعداد هذه المستشعرات بسهولة باستخدام تطبيق Monitron على هواتفهم الذكية. لقد اختاروا خيار معيار الاهتزاز ISO 20816 داخل التطبيق، وهي خطوة حاسمة تستخدمها الخدمة السحابية لتنفيذ نموذج التعلم الآلي (ML) الأكثر ملاءمة.

تحليل مبسط للبيانات والتنبيهات في الوقت الحقيقي

وبعد ذلك، تجد إشارات الاهتزاز ودرجة الحرارة طريقها إلى السحابة، حيث تخضع للتحليل. يحدد النظام تلقائيًا ظروف التشغيل غير الطبيعية، مما يضمن التدخل في الوقت المناسب. لا يقوم تطبيق Monitron، الذي يمكن الوصول إليه عبر الهواتف الذكية، بإخطار موظفي المصنع بهذه الحالات الشاذة فحسب، بل يسمح لهم أيضًا بمراجعة وتتبع الحالات غير العادية في الوقت الذي يناسبهم. علاوة على ذلك، فإنه يسهل إدخال الاستجابات للتنبيهات المستلمة، بما في ذلك تفاصيل حول وضع الفشل والسبب والإجراءات المتخذة.

تعليقات نموذجية شفافة للمشغلين والمهندسين

ومن الأهمية بمكان أن KAES تؤكد على الشفافية. ووفقا لميلر، "لم نكن نريد صندوقا أسود". كان الهدف هو أن يفهم المشغلون والمهندسون ظروف المعدات وحالات التشغيل التي تشرحها هذه النماذج. وهذا النهج يمكّنهم من فهم الآثار المترتبة على هذه النماذج والعوامل المؤثرة على حالات الفشل المحتملة.

التحليل المتقدم باستخدام AWS Lookout وSeeq

تتقارب البيانات الواردة من أجهزة استشعار Monitron، إلى جانب البيانات الواردة من العديد من أجهزة الاستشعار الأخرى في مواقع KAES، في السحابة. وهنا، يتولى برنامج AWS Lookout وSeeq زمام المبادرة، مما يوفر للمستخدمين في KAES فهمًا أوضح لظروف التشغيل. تتيح نماذج التعلم الآلي (ML) الخاصة بـ AWS Lookout تنبؤات دقيقة بالأداء، مما يقلل الوقت والعمالة والتكاليف مقارنة بالطرق التقليدية.

يوضح بن بيشوب، مهندس الحلول الرئيسي في Seeq، العملية: "يستخدم KAES Seeq للاستعلام عن قيم العملية من سحابة AWS، وتكوين نماذج ML للكشف عن الشذوذ في AWS Lookout للمعدات، وإدخال قيم العملية المحدثة في النماذج المدربة للتنبؤات." يسهل هذا التكامل السلس تسجيل النماذج الشاذة بواسطة AWS ML، والتي يتم تشغيلها بعد ذلك في تصورات Seeq.

تحديات وفرص الرقمنة

تطرح الرحلة نحو الرقمنة تحديات مختلفة، نظرا لعدم تجانس مصادر البيانات والأساليب التحليلية. ومع ذلك، فإن KAES عازمة على تسخير إمكانات أجهزة استشعار إنترنت الأشياء والتحليل المستند إلى السحابة لتحسين العمليات وضمان موثوقية معداتها الحيوية.