Koch AG & Energy -Einrichtungen umfassen IoT -Sensoren
In fünf KAES -Einrichtungen von Koch AG & Energy (KAES) wird eine erhebliche Transformation durchgeführt, die durch den Einsatz von 125 Monitron -IoT -Vibrations- und Temperatursensoren, mit freundlicher Genehmigung von Amazon Web Services (AWS), angetrieben wird. Kaes, eine prominente Holdinggesellschaft, die Koch Fertilizer LLC, Koch Energy Services LLC und Koch Methanol LLC umfasst, nutzt diese Sensoren, um Vibrations- und Temperaturdaten aus verschiedenen Geräten zu sammeln, und überträgt ihn anschließend an den Kaes-Wolk-Computing-Service. Diese Sensoren sind Einfachheit, die Selbstkonfiguration sind und keine Programmierung erfordern. Benutzer befestigen sie auf das Gerät, das sie überwachen möchten.
Aktivieren Sie die Vorhersagewartung für eine verbesserte Verfügbarkeit
Dave Kroening, der IT -Leiter, und Martin Miller, der Leiter der Datenanalyse bei Kaes, teilten ihre Erfahrungen bei einem kürzlich durchgeführten Ereignis von AWS Re: Invent aus. Sie zeigten, dass fünf KAES-Einrichtungen strategisch 125 Monitronsensoren für weniger kritische, pflanzliche Geräte eingesetzt haben, um die Vorhersagewartung und die Verfügbarkeit von Geräten zu verbessern. Das Anlagenpersonal hat diese Sensoren mühelos mit der Monitron -App auf ihren Smartphones eingerichtet. Sie wählten die Option ISO 20816 Vibrationsstandard in der App aus, ein entscheidender Schritt, den der Cloud -Service zum Implementieren des am besten geeigneten maschinellen Lernmodells (ML) verwendet.
Optimierte Datenanalyse und Echtzeitwarnungen
Vibrations- und Temperatursignale finden anschließend ihren Weg in die Wolke, wo sie analysiert werden. Das System identifiziert automatisch abnormale Betriebsbedingungen und sorgt für eine rechtzeitige Intervention. Die Monitron -App, die über Smartphones zugänglich ist, benachrichtigt nicht nur das Pflanzen von Anlagen über diese Anomalien, sondern erlaubt ihnen auch, ungewöhnliche Zustände nach Belieben zu überprüfen und zu verfolgen. Darüber hinaus erleichtert es die Eingabe von Antworten auf empfangene Warnungen, einschließlich Details zum Fehlermodus, der Ursache und der ergriffenen Aktionen.
Transparentes Modellfeedback für Operatoren und Ingenieure
Entscheidend ist, dass Kaes die Transparenz betont. Laut Miller "wollten wir keine schwarze Box." Es war beabsichtigt, dass Betreiber und Ingenieure die durch diese Modelle erklärten Bedingungen und Betriebszustände der Geräte erfassen. Dieser Ansatz ermöglicht sie, die Auswirkungen dieser Modelle und die Faktoren zu verstehen, die potenzielle Fehler beeinflussen.
Erweiterte Analyse mit AWS Lookout und Seeq
Daten von Monitronsensoren sowie Daten von zahlreichen anderen Sensoren an Kaes -Standorten konvergieren in der Cloud. Hier übernehmen AWS Lookout und SeeQ Software das Ruder und bieten den Benutzern von Kaes ein klareres Verständnis der Betriebsbedingungen. Die ML -Modelle von AWS Lookout (maschinelles Lernen) ermöglichen präzise Leistungsvorhersagen, die Zeit, Arbeit und Kosten im Vergleich zu herkömmlichen Methoden reduzieren.
Ben Bishop, Hauptlösungsarchitekt bei Seeq, erläutert den Prozess: "Kaes verwendet SEEQ, um die Prozesswerte aus der AWS -Cloud abzufragen, AWS -Such -SO -SO -ML -Modelle der Anomalie -Erkennung der Geräte zu konfigurieren und aktualisierte Prozesswerte in die geschulten Modelle für Vorhersagen zu füttern." Diese nahtlose Integration erleichtert die Bewertung des Anomalie -Modells durch AWS ML, das dann in Seq -Visualisierungen operationalisiert wird.
Herausforderungen und Chancen der Digitalisierung
Die Reise zur Digitalisierung stellt angesichts der Heterogenität von Datenquellen und analytischen Methoden verschiedene Herausforderungen dar. Dennoch ist Kaes entschlossen, das Potenzial von IoT-Sensoren und Cloud-basierten Analysen zu nutzen, um den Betrieb zu optimieren und die Zuverlässigkeit seiner kritischen Geräte zu gewährleisten.