گسترش استفاده از سنسور برای مدل سازی تجهیزات پیشرفته

Koch AG & Energy Teactions Sensors IoT را در آغوش می گیرند

در تسهیلات پنج كوچ AG & Energy (KAES) ، تحول قابل توجهی در حال انجام است كه با استقرار 125 سنسور ارتعاش و دما Monitron IoT ، با حسن نیت ارائه دهنده خدمات وب آمازون (AWS) انجام می شود. KAES ، یک شرکت برجسته هلدینگ شامل Koch Fertilizer LLC ، Koch Energy Services LLC و Koch Methanol LLC ، در حال افزایش این سنسورها برای جمع آوری داده های لرزش و دما از قطعات مختلف تجهیزات است و متعاقباً آن را به سرویس Cloud-Cloud Kaes 'AWS منتقل می کند. این سنسورها دارای سادگی هستند ، خودفشانی هستند و نیازی به برنامه نویسی ندارند. کاربران آنها را روی تجهیزات مورد نظر برای نظارت بر آنها قرار می دهند.

فعال کردن نگهداری پیش بینی برای افزایش زمان

دیو کرونینگ ، رهبر IT و مارتین میلر ، رهبر تجزیه و تحلیل داده ها در KAES ، تجربه خود را در یک رویداد اخیر AWS Re: Invent به اشتراک گذاشتند. آنها فاش كردند كه پنج تسهیلات KAES 125 سنسور مونیترون را بر روی تجهیزات كارت و كارت كاشتی كمتر از نظر استراتژیک مستقر كرده اند ، با هدف تقویت نگهداری پیش بینی و تقویت تجهیزات به روز و در دسترس بودن. پرسنل گیاه با زحمت این سنسورها را با استفاده از برنامه Monitron در تلفن های هوشمند خود تنظیم کردند. آنها گزینه استاندارد ارتعاش ISO 20816 را در داخل برنامه انتخاب کردند ، یک مرحله مهم که سرویس Cloud برای اجرای مناسب ترین مدل یادگیری ماشین (ML) از آن استفاده می کند.

تجزیه و تحلیل داده های ساده و هشدارهای در زمان واقعی

سیگنال های لرزش و دما متعاقباً راه خود را به سمت ابر پیدا می کنند ، جایی که آنها تحت تجزیه و تحلیل قرار می گیرند. این سیستم به طور خودکار شرایط عملیاتی غیر طبیعی را مشخص می کند و از مداخله به موقع اطمینان می دهد. برنامه Monitron ، که از طریق تلفن های هوشمند قابل دسترسی است ، نه تنها به کارکنان گیاه در مورد این ناهنجاری ها اطلاع می دهد بلکه به آنها اجازه می دهد تا به راحتی آنها را بررسی و ردیابی کنند. علاوه بر این ، پاسخ های ورودی به هشدارهای دریافت شده ، از جمله جزئیات مربوط به حالت خرابی ، علت و اقدامات انجام شده را تسهیل می کند.

بازخورد مدل شفاف برای اپراتورها و مهندسان

از نظر مهم ، کائس بر شفافیت تأکید می کند. به گفته میلر ، "ما جعبه سیاه نمی خواستیم." هدف این بود که اپراتورها و مهندسان شرایط تجهیزات و حالتهای عملیاتی را که توسط این مدل ها توضیح داده شده اند ، درک کنند. این رویکرد آنها را قادر می سازد تا پیامدهای این مدل ها و عوامل مؤثر بر خرابی های احتمالی را درک کنند.

تجزیه و تحلیل پیشرفته با AWS Lookout و Seeq

داده های سنسورهای مونیترون ، در کنار داده های سنسورهای دیگر در سایت های KAES ، در ابر همگرا می شوند. در اینجا ، نرم افزار AWS Lookout و Seeq این راس را به خود اختصاص می دهد ، و درک واضح تری از شرایط عملیاتی در KAES فراهم می کند. مدل های یادگیری ماشین Lookout (ML) پیش بینی های دقیق عملکرد ، کاهش زمان ، نیروی کار و هزینه ها را در مقایسه با روش های سنتی امکان پذیر می کند.

بن بیشوپ ، معمار اصلی راه حل ها در SEEQ ، در مورد این فرآیند توضیح می دهد: "KAES از SEEQ برای پرس و جو از مقادیر فرآیند از ابر AWS استفاده می کند ، پیکربندی AWS برای مدل های تشخیص ناهنجاری تجهیزات تجهیزات ، و مقادیر فرآیند به روز شده را در مدل های آموزش دیده برای پیش بینی ها تغذیه می کند." این ادغام یکپارچه ، امتیاز دهی مدل ناهنجاری توسط AWS ML را تسهیل می کند ، که سپس در تجسم SEEQ عملیاتی می شود.

چالش ها و فرصت های دیجیتالی

سفر به سمت دیجیتالی با توجه به ناهمگونی منابع داده و روشهای تحلیلی ، چالش های مختلفی را ارائه می دهد. با این وجود ، KAES برای بهینه سازی پتانسیل سنسورهای IoT و تجزیه و تحلیل مبتنی بر ابر برای بهینه سازی عملیات و اطمینان از قابلیت اطمینان تجهیزات مهم آن مصمم است.