Les installations de Koch AG et Energy embrassent les capteurs IoT
Dans cinq installations de Koch Ag & Energy (KAES), une transformation importante est en cours, tirée par le déploiement de 125 capteurs de vibration et de température IoT monitron, gracieuseté d'Amazon Web Services (AWS). Kaes, une éminente société de portefeuille englobant Koch Fertilizer LLC, Koch Energy Service LLC et Koch Methanol LLC, tire parti de ces capteurs pour collecter des données de vibration et de température à partir de divers équipements, en le transmet par la suite au service de composition de nuage AWS de Kaes. Ces capteurs se vantent de simplicité, de l'auto-configuration et de ne nécessitant aucune programmation. Les utilisateurs les apposent sur l'équipement qu'ils souhaitent surveiller.
Permettre une maintenance prédictive pour une augmentation améliorée
Dave Kroening, leader informatique, et Martin Miller, le leader de l'analyse des données chez Kaes, ont partagé leur expérience lors d'un événement récent AWS RE: Invent. Ils ont révélé que cinq installations KAES ont déployé stratégiquement 125 capteurs de monitron sur des équipements moins critiques et entre les plantations, visant à améliorer la maintenance prédictive et à augmenter la disponibilité et la disponibilité des équipements. Le personnel de l'usine a mis en place ces capteurs sans effort en utilisant l'application Monitron sur ses smartphones. Ils ont sélectionné l'option ISO 20816 Vibration Standard dans l'application, une étape cruciale que le service cloud utilise pour implémenter le modèle d'apprentissage automatique (ML) le plus approprié.
Analyse des données rationalisées et alertes en temps réel
Les signaux de vibration et de température trouvent ensuite leur chemin vers le nuage, où ils subissent une analyse. Le système identifie automatiquement les conditions de fonctionnement anormales, garantissant une intervention en temps opportun. L'application Monitron, accessible via les smartphones, informe non seulement le personnel de l'usine de ces anomalies, mais leur permet également de revoir et de suivre les états inhabituels à leur convenance. De plus, il facilite la saisie des réponses aux alertes reçues, y compris des détails sur le mode de défaillance, la cause et les actions prises.
Rétroaction du modèle transparent pour les opérateurs et les ingénieurs
Surtout, Kaes met l'accent sur la transparence. Selon Miller, "nous ne voulions pas de boîte noire." L'intention était que les opérateurs et les ingénieurs saisissent les conditions et les états opérationnels de l'équipement expliqués par ces modèles. Cette approche leur permet de comprendre les implications de ces modèles et les facteurs influençant les échecs potentiels.
Analyse avancée avec AWS Lookout et Seeq
Les données des capteurs Monitron, aux côtés des données de nombreux autres capteurs sur les sites Kaes, convergent dans le nuage. Ici, le logiciel AWS Lookout et Seeq prend la barre, fournissant aux utilisateurs de Kaes une compréhension plus claire des conditions de fonctionnement. Les modèles d'apprentissage automatique (ML) d'AWS Lookout permettent des prévisions de performances précises, réduisant le temps, la main-d'œuvre et les coûts par rapport aux méthodes traditionnelles.
Ben Bishop, principal architecte des solutions de Seeq, élabore sur le processus: "Kaes utilise Seeq pour interroger les valeurs du processus à partir du cloud AWS, configurer AWS Lookout pour les modèles ML de détection d'anomalies de l'équipement et alimenter les valeurs de processus mises à jour dans les modèles qualifiés de prédictions." Cette intégration transparente facilite la notation du modèle d'anomalie par AWS ML, qui est ensuite opérationnalisée dans les visualisations SeeQ.
Défis et opportunités de numérisation
Le voyage vers la numérisation présente divers défis, étant donné l'hétérogénéité des sources de données et des méthodes analytiques. Néanmoins, Kaes est déterminé à exploiter le potentiel des capteurs IoT et une analyse basée sur le cloud pour optimiser les opérations et assurer la fiabilité de son équipement critique.