Διεύρυνση Χρήσης Αισθητήρων για Βελτιωμένη Μοντελοποίηση Εξοπλισμού
Οι Εγκαταστάσεις Αγροτικής και Ενεργειακής Κοχ Υιοθετούν Αισθητήρες IoT
Σε πέντε εγκαταστάσεις της Koch Ag & Energy (KAES), βρίσκεται σε εξέλιξη μια σημαντική μεταμόρφωση, που καθοδηγείται από την ανάπτυξη 125 αισθητήρων IoT Monitron για δόνηση και θερμοκρασία, χάρη στην Amazon Web Services (AWS). Η KAES, μια εξέχουσα εταιρεία συμμετοχών που περιλαμβάνει τις Koch Fertilizer LLC, Koch Energy Services LLC και Koch Methanol LLC, αξιοποιεί αυτούς τους αισθητήρες για να συλλέγει δεδομένα δόνησης και θερμοκρασίας από διάφορα κομμάτια εξοπλισμού, τα οποία στη συνέχεια μεταδίδονται στην υπηρεσία υπολογιστικού νέφους της KAES AWS. Αυτοί οι αισθητήρες διαθέτουν απλότητα, καθώς αυτορυθμίζονται και δεν απαιτούν προγραμματισμό. Οι χρήστες τους τοποθετούν στον εξοπλισμό που επιθυμούν να παρακολουθήσουν.
Ενεργοποίηση Προγνωστικής Συντήρησης για Βελτιωμένη Διαθεσιμότητα
Ο Dave Kroening, ο ηγέτης IT, και ο Martin Miller, ο ηγέτης ανάλυσης δεδομένων στην KAES, μοιράστηκαν την εμπειρία τους σε μια πρόσφατη εκδήλωση AWS re:Invent. Αποκάλυψαν ότι πέντε εγκαταστάσεις της KAES έχουν στρατηγικά αναπτύξει 125 αισθητήρες Monitron σε λιγότερο κρίσιμα, τυπικά εξοπλισμό του εργοστασίου, με στόχο την ενίσχυση της προγνωστικής συντήρησης και την αύξηση της διαθεσιμότητας και του χρόνου λειτουργίας του εξοπλισμού. Το προσωπικό του εργοστασίου ρυθμίζει εύκολα αυτούς τους αισθητήρες χρησιμοποιώντας την εφαρμογή Monitron στα smartphones τους. Επιλέγουν την επιλογή του προτύπου δόνησης ISO 20816 μέσα στην εφαρμογή, ένα κρίσιμο βήμα που η υπηρεσία cloud χρησιμοποιεί για να εφαρμόσει το πιο κατάλληλο μοντέλο μηχανικής μάθησης (ML).
Απλοποιημένη Ανάλυση Δεδομένων και Ειδοποιήσεις σε Πραγματικό Χρόνο
Οι σήματα δόνησης και θερμοκρασίας στη συνέχεια μεταφέρονται στο cloud, όπου υποβάλλονται σε ανάλυση. Το σύστημα αναγνωρίζει αυτόματα τις ανώμαλες συνθήκες λειτουργίας, εξασφαλίζοντας έγκαιρη παρέμβαση. Η εφαρμογή Monitron, προσβάσιμη μέσω smartphones, όχι μόνο ειδοποιεί το προσωπικό του εργοστασίου για αυτές τις ανωμαλίες, αλλά τους επιτρέπει επίσης να αναθεωρούν και να παρακολουθούν τις ασυνήθιστες καταστάσεις όποτε το επιθυμούν. Επιπλέον, διευκολύνει την καταχώριση απαντήσεων σε ειδοποιήσεις που έχουν ληφθεί, συμπεριλαμβανομένων λεπτομερειών σχετικά με τον τρόπο αποτυχίας, την αιτία και τις ενέργειες που έχουν ληφθεί.
Διαφανής Ανατροφοδότηση Μοντέλου για Λειτουργούς και Μηχανικούς
Κρίσιμα, η KAES τονίζει τη διαφάνεια. Σύμφωνα με τον Miller, "Δεν θέλαμε ένα μαύρο κουτί." Η πρόθεση ήταν οι χειριστές και οι μηχανικοί να κατανοήσουν τις συνθήκες του εξοπλισμού και τις λειτουργικές καταστάσεις που εξηγούνται από αυτά τα μοντέλα. Αυτή η προσέγγιση τους δίνει τη δυνατότητα να κατανοήσουν τις επιπτώσεις αυτών των μοντέλων και τους παράγοντες που επηρεάζουν τις πιθανές αποτυχίες.
Προηγμένη Ανάλυση με το AWS Lookout και το Seeq
Δεδομένα από τους αισθητήρες Monitron, μαζί με δεδομένα από πολλούς άλλους αισθητήρες σε τοποθεσίες KAES, συγκλίνουν στο σύννεφο. Εδώ, το λογισμικό AWS Lookout και Seeq αναλαμβάνει τον έλεγχο, παρέχοντας στους χρήστες της KAES μια πιο σαφή κατανόηση των συνθηκών λειτουργίας. Τα μοντέλα μηχανικής μάθησης (ML) του AWS Lookout επιτρέπουν ακριβείς προβλέψεις απόδοσης, μειώνοντας τον χρόνο, την εργασία και το κόστος σε σύγκριση με τις παραδοσιακές μεθόδους.
Ο Μπεν Μπίσοπ, κύριος αρχιτέκτονας λύσεων στην Seeq, αναλύει τη διαδικασία: "Η KAES χρησιμοποιεί το Seeq για να ερωτήσει τις τιμές διαδικασίας από το AWS cloud, να ρυθμίσει τα μοντέλα ανίχνευσης ανωμαλιών του AWS Lookout for Equipment και να τροφοδοτήσει τις ενημερωμένες τιμές διαδικασίας στα εκπαιδευμένα μοντέλα για προβλέψεις." Αυτή η απρόσκοπτη ενσωμάτωση διευκολύνει την αξιολόγηση των μοντέλων ανωμαλιών από το AWS ML, η οποία στη συνέχεια λειτουργεί στις οπτικοποιήσεις του Seeq.
Προκλήσεις και Ευκαιρίες Ψηφιοποίησης
Το ταξίδι προς την ψηφιοποίηση παρουσιάζει διάφορες προκλήσεις, δεδομένης της ετερογένειας των πηγών δεδομένων και των αναλυτικών μεθόδων. Παρ' όλα αυτά, η KAES είναι αποφασισμένη να αξιοποιήσει τη δυνατότητα των αισθητήρων IoT και της ανάλυσης που βασίζεται στο cloud για να βελτιστοποιήσει τις λειτουργίες και να διασφαλίσει την αξιοπιστία του κρίσιμου εξοπλισμού της.