Memperluas Penggunaan Sensor untuk Pemodelan Peralatan yang Ditingkatkan
Fasilitas Koch Ag & Energy Merangkul Sensor IoT
Di lima fasilitas Koch Ag & Energy (KAES), transformasi signifikan sedang berlangsung, didorong oleh penerapan 125 sensor getaran dan suhu Monitron IoT, milik Amazon Web Services (AWS). KAES, perusahaan induk terkemuka yang mencakup Koch Fertilizer LLC, Koch Energy Services LLC, dan Koch Methanol LLC, memanfaatkan sensor ini untuk mengumpulkan data getaran dan suhu dari berbagai peralatan, kemudian mengirimkannya ke layanan komputasi awan AWS KAES. Sensor-sensor ini membanggakan kesederhanaan, dapat dikonfigurasi sendiri dan tidak memerlukan pemrograman. Pengguna menempelkannya ke peralatan yang ingin mereka pantau.
Mengaktifkan Pemeliharaan Prediktif untuk Meningkatkan Waktu Aktif
Dave Kroening, pemimpin TI, dan Martin Miller, pemimpin analisis data di KAES, berbagi pengalaman mereka di acara AWS re:Invent baru-baru ini. Mereka mengungkapkan bahwa lima fasilitas KAES telah secara strategis mengerahkan 125 sensor Monitron pada peralatan yang kurang kritis dan berada di pabrik, dengan tujuan untuk meningkatkan pemeliharaan prediktif dan meningkatkan waktu operasional dan ketersediaan peralatan. Personil pabrik dengan mudah mengatur sensor ini menggunakan aplikasi Monitron di ponsel pintar mereka. Mereka memilih opsi standar getaran ISO 20816 dalam aplikasi, sebuah langkah penting yang digunakan layanan cloud untuk mengimplementasikan model pembelajaran mesin (ML) yang paling sesuai.
Analisis Data yang Efisien dan Peringatan Real-time
Sinyal getaran dan suhu kemudian menuju ke awan, tempat sinyal tersebut dianalisis. Sistem secara otomatis mengidentifikasi kondisi pengoperasian yang tidak normal, memastikan intervensi tepat waktu. Aplikasi Monitron, yang dapat diakses melalui ponsel pintar, tidak hanya memberi tahu staf pabrik tentang anomali ini tetapi juga memungkinkan mereka meninjau dan melacak keadaan yang tidak biasa sesuai keinginan mereka. Selain itu, ini memfasilitasi masukan tanggapan terhadap peringatan yang diterima, termasuk rincian tentang mode kegagalan, penyebab, dan tindakan yang diambil.
Umpan Balik Model Transparan untuk Operator dan Insinyur
Yang terpenting, KAES menekankan transparansi. Menurut Miller, "Kami tidak menginginkan kotak hitam." Tujuannya adalah agar operator dan insinyur dapat memahami kondisi peralatan dan kondisi operasional yang dijelaskan oleh model ini. Pendekatan ini memberdayakan mereka untuk memahami implikasi model-model ini dan faktor-faktor yang mempengaruhi potensi kegagalan.
Analisis Tingkat Lanjut dengan AWS Lookout dan Seeq
Data dari sensor Monitron, bersama dengan data dari berbagai sensor lain di lokasi KAES, dikumpulkan di cloud. Di sini, perangkat lunak AWS Lookout dan Seeq mengambil kendali, memberikan pengguna di KAES pemahaman yang lebih jelas tentang kondisi pengoperasian. Model pembelajaran mesin (ML) AWS Lookout memungkinkan prediksi kinerja yang tepat, mengurangi waktu, tenaga, dan biaya dibandingkan dengan metode tradisional.
Ben Bishop, arsitek solusi utama di Seeq, menjelaskan prosesnya: "KAES menggunakan Seeq untuk menanyakan nilai proses dari AWS cloud, mengonfigurasi model ML deteksi anomali AWS Lookout for Equipment, dan memasukkan nilai proses yang diperbarui ke dalam model terlatih untuk prediksi." Integrasi yang lancar ini memfasilitasi penilaian model anomali oleh AWS ML, yang kemudian dioperasionalkan dalam visualisasi Seeq.
Tantangan dan Peluang Digitalisasi
Perjalanan menuju digitalisasi menghadirkan berbagai tantangan, mengingat heterogenitas sumber data dan metode analisis. Namun demikian, KAES bertekad untuk memanfaatkan potensi sensor IoT dan analisis berbasis cloud untuk mengoptimalkan operasi dan memastikan keandalan peralatan penting mereka.