A Koch AG és az Energy létesítmények ölelik fel az IoT érzékelőket
Öt Koch AG & Energy (KAES) létesítményben jelentős átalakulás folyik, amelyet 125 monitron IoT rezgés és hőmérsékleti érzékelők telepítése vezet, az Amazon Web Services (AWS) jóvoltából. A Kaes, a Koch Fertilizer LLC, a Koch Energy Services LLC és a Koch Methanol LLC kiemelkedő holdingtársaság, amely ezeket az érzékelőket kihasználja a rezgési és hőmérsékleti adatok gyűjtésére különféle berendezésekből, majd továbbadja azt a KAES AWS felhőalapú szolgáltatásához. Ezek az érzékelők az egyszerűséggel büszkélkedhetnek, önmozdító és nem igényelnek programozást. A felhasználók rögzítik őket a figyelemmel kísérni kívánt berendezésre.
A prediktív karbantartás lehetővé tétele a továbbfejlesztett üzemidőhez
Dave Kroening, az informatikai vezető és Martin Miller, a KAES adatelemzési vezetője megosztotta tapasztalataikat egy nemrégiben megrendezett AWS Re: Invent rendezvényen. Kiderültek, hogy öt KAES létesítmény stratégiailag 125 monitronérzékelőt telepített a kevésbé kritikus, növényi berendezésekre, amelyek célja a prediktív karbantartás javítása, valamint a berendezések üzemidejének és elérhetőségének fokozása. Az üzemi személyzet könnyedén állítsa be ezeket az érzékelőket a monitron alkalmazás segítségével okostelefonjukon. Az alkalmazáson belül kiválasztották az ISO 20816 rezgési standard opciót, amely döntő lépés, amelyet a felhőszolgáltatás a legmegfelelőbb gépi tanulási (ML) modell megvalósításához használ.
Egyszerűsített adatelemzés és valós idejű riasztások
A rezgési és hőmérsékleti jelek ezt követően a felhőbe kerülnek, ahol elemzésen mennek keresztül. A rendszer automatikusan azonosítja a rendellenes működési feltételeket, biztosítva az időben történő beavatkozást. Az okostelefonokon keresztül elérhető monitron alkalmazás nemcsak értesíti a növényszemélyzetet ezekről a rendellenességekről, hanem lehetővé teszi számukra, hogy a szokatlan állapotokat áttekintsék és nyomon kövessék a kényelmük érdekében. Ezenkívül megkönnyíti a kapott riasztásokra adott válaszok bevitelét, ideértve a meghibásodási mód, az ok és a megtett intézkedések részleteit.
Átlátszó modell -visszajelzés az operátorok és a mérnökök számára
Lényeges, hogy Kaes hangsúlyozza az átláthatóságot. Miller szerint: "Nem akartunk egy fekete dobozt." A szándék az volt, hogy az üzemeltetők és a mérnökök megragadják a berendezés feltételeit és operatív állapotait, amelyeket ezek a modellek magyaráznak. Ez a megközelítés felhatalmazza őket, hogy megértsék ezen modellek következményeit és a lehetséges kudarcokat befolyásoló tényezőket.
Fejlett elemzés AWS kilátással és SEEQ -val
A monitron érzékelőkből származó adatok, valamint a KAES helyek számos más érzékelőjéből származó adatok konvergálnak a felhőben. Itt az AWS Lookout és a SeeQ szoftver veszi át a kormányt, így a KAES felhasználói világosabban megértik a működési feltételeket. Az AWS Lookout gépi tanulási (ML) modelljei lehetővé teszik a pontos teljesítmény -előrejelzéseket, csökkentve az időt, a munkát és a költségeket a hagyományos módszerekhez képest.
Ben Bishop, a SeeQ fő megoldásainak építésze a folyamatot fejezi ki: "A KAES a SeeQ -t használja az AWS felhőből származó folyamatértékek lekérdezéséhez, az AWS -keresést konfigurálja a berendezés anomália észlelési ML modelljeit, és a frissített folyamatértékeket a képzett modellekbe adja az előrejelzésekhez." Ez a zökkenőmentes integráció megkönnyíti az AWS ML anomáliás modell pontozását, amelyet ezután a SeeQ vizualizációiban működtetnek.
Digitalizációs kihívások és lehetőségek
A digitalizáció felé vezető út különféle kihívásokat jelent, tekintettel az adatforrások és az analitikai módszerek heterogenitására. Ennek ellenére a KAES eltökélt szándéka, hogy kiaknázza az IoT-érzékelők és a felhőalapú elemzés lehetőségeit a műveletek optimalizálása és a kritikus berendezések megbízhatóságának biztosítása érdekében.