A szenzorhasználat bővítése a fejlettebb berendezésmodellezés érdekében
A Koch Ag & Energy létesítmények IoT érzékelőket alkalmaznak
Öt Koch Ag & Energy (KAES) létesítményben jelentős átalakulás zajlik, amelyet 125 Monitron IoT rezgés- és hőmérséklet-érzékelő telepítése hajt, az Amazon Web Services (AWS) jóvoltából. A KAES, amely a Koch Fertilizer LLC, a Koch Energy Services LLC és a Koch Methanol LLC prominens holdingtársasága, ezeket az érzékelőket arra használja, hogy rezgés- és hőmérsékleti adatokat gyűjtsön különböző berendezésekről, amelyeket aztán továbbít a KAES AWS felhőalapú számítástechnikai szolgáltatásába. Ezek az érzékelők egyszerűségükről ismertek, önkonfigurálóak és nem igényelnek programozást. A felhasználók rögzítik őket a megfigyelni kívánt berendezésekre.
A prediktív karbantartás lehetővé tétele a megnövelt üzemidő érdekében
Dave Kroening, az IT vezető, és Martin Miller, a KAES adat-analitika vezetője, megosztották tapasztalataikat egy nemrégiben megrendezett AWS re:Invent eseményen. Felfedték, hogy öt KAES létesítmény stratégiailag 125 Monitron érzékelőt telepített a kevésbé kritikus, üzemelési berendezésekre, céljuk a prediktív karbantartás javítása és a berendezések üzemidejének és rendelkezésre állásának növelése. A gyári személyzet könnyedén beállította ezeket az érzékelőket a Monitron alkalmazás segítségével, amelyet okostelefonjaikon használnak. Az alkalmazásban kiválasztották az ISO 20816 rezgésnorma opciót, ami egy kulcsfontosságú lépés, amelyet a felhőszolgáltatás használ a legmegfelelőbb gépi tanulási (ML) modell megvalósításához.
Egyszerűsített Adat Elemzés és Valós Idejű Értesítések
A rezgés- és hőmérsékletjelek ezután a felhőbe kerülnek, ahol elemzésen esnek át. A rendszer automatikusan azonosítja a rendellenes működési körülményeket, biztosítva a megfelelő beavatkozást. A Monitron alkalmazás, amely okostelefonokon érhető el, nemcsak értesíti a gyári személyzetet ezekről az anomáliákról, hanem lehetővé teszi számukra, hogy kényelmük szerint áttekintsék és nyomon követhessék a szokatlan állapotokat. Továbbá lehetővé teszi a beérkezett riasztásokra adott válaszok rögzítését, beleértve a hibamód, az ok és a megtett intézkedések részleteit.
Átlátható Modell Visszajelzés Üzemeltetők és Mérnökök Számára
Lényeges, hogy a KAES hangsúlyozza az átláthatóságot. Miller szerint: "Nem akartunk egy fekete dobozt." A szándék az volt, hogy az üzemeltetők és mérnökök megértsék a berendezések állapotát és működési állapotait, amelyeket ezek a modellek magyaráznak el. Ez a megközelítés lehetővé teszi számukra, hogy felfogják ezeknek a modelleknek a következményeit és azokat a tényezőket, amelyek a potenciális hibákat befolyásolják.
Fejlett elemzés az AWS Lookout és a Seeq segítségével
A Monitron érzékelőkből származó adatok, valamint számos más érzékelő adatai a KAES helyszíneken a felhőben egyesülnek. Itt az AWS Lookout és a Seeq szoftver veszi át a vezetést, világosabb képet adva a KAES felhasználói számára a működési körülményekről. Az AWS Lookout gépi tanulási (ML) modelljei lehetővé teszik a pontos teljesítmény-előrejelzéseket, csökkentve az időt, a munkaerőt és a költségeket a hagyományos módszerekhez képest.
Ben Bishop, a Seeq fő megoldásarchitektája kifejti a folyamatot: "A KAES a Seeq-ot használja a folyamatértékek lekérdezésére az AWS felhőből, az AWS Lookout for Equipment anomália-észlelési ML modellek konfigurálására, és a frissített folyamatértékek betáplálására a betanított modellekbe a jóslatok érdekében." Ez a zökkenőmentes integráció lehetővé teszi az anomália modellek értékelését az AWS ML által, amelyet aztán a Seeq vizualizációkban üzemeltetnek.
A digitalizáció kihívásai és lehetőségei
A digitalizáció felé vezető út számos kihívást jelent, figyelembe véve az adatok forrásainak és az elemzési módszerek heterogenitását. Ennek ellenére a KAES eltökélt abban, hogy kihasználja az IoT érzékelők és a felhőalapú elemzés potenciálját a műveletek optimalizálása és a kritikus berendezéseinek megbízhatóságának biztosítása érdekében.