Koch AG & Fasilitas Energi merangkul sensor IoT
Pada lima fasilitas Koch AG & Energy (KAES), transformasi yang signifikan sedang berlangsung, didorong oleh penyebaran 125 monitron IoT getaran dan sensor suhu, milik Amazon Web Services (AWS). Kaes, sebuah perusahaan induk terkemuka yang meliputi Koch Pupuk LLC, Koch Energy Services LLC, dan Koch Methanol LLC, memanfaatkan sensor-sensor ini untuk mengumpulkan data getaran dan suhu dari berbagai peralatan, kemudian mengirimkannya ke layanan komputasi awan AWS KAE. Sensor-sensor ini memiliki kesederhanaan, menjadi konfigurasi diri dan tidak memerlukan pemrograman. Pengguna menempelkan mereka ke peralatan yang ingin mereka pantau.
Mengaktifkan pemeliharaan prediktif untuk meningkatkan waktu kerja
Dave Kroening, pemimpin TI, dan Martin Miller, pemimpin analisis data di KAES, berbagi pengalaman mereka di AWS Re: Invent Event baru -baru ini. Mereka mengungkapkan bahwa lima fasilitas KAE telah secara strategis mengerahkan 125 sensor monitron pada peralatan yang kurang kritis dan run-of-plant, yang bertujuan untuk meningkatkan pemeliharaan prediktif dan meningkatkan waktu kerja dan ketersediaan peralatan. Personel tanaman dengan mudah mengatur sensor ini menggunakan aplikasi Monitron di smartphone mereka. Mereka memilih opsi standar getaran ISO 20816 dalam aplikasi, langkah penting yang digunakan layanan cloud untuk mengimplementasikan model pembelajaran mesin (ML) yang paling cocok.
Analisis data ramping dan peringatan waktu nyata
Sinyal getaran dan suhu kemudian menemukan jalan mereka ke cloud, di mana mereka menjalani analisis. Sistem secara otomatis mengidentifikasi kondisi operasi yang abnormal, memastikan intervensi tepat waktu. Aplikasi Monitron, dapat diakses melalui smartphone, tidak hanya memberi tahu staf pabrik tentang anomali ini tetapi juga memungkinkan mereka untuk meninjau dan melacak keadaan yang tidak biasa sesuai keinginan mereka. Selain itu, ia memfasilitasi memasukkan respons 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 ingin kotak hitam." Tujuannya adalah agar operator dan insinyur memahami kondisi peralatan dan negara -negara operasional yang dijelaskan oleh model -model ini. Pendekatan ini memberdayakan mereka untuk memahami implikasi dari model -model ini dan faktor -faktor yang mempengaruhi potensi kegagalan.
Analisis Lanjutan dengan AWS Lookout dan Seeq
Data dari Sensor Monitron, di samping data dari banyak sensor lain di situs KAES, menyatu di cloud. Di sini, AWS Lookout dan Seeq Software mengambil alih kepemimpinan, memberikan pengguna di KAES dengan pemahaman yang lebih jelas tentang kondisi operasi. Model AWS Lookout's Machine Learning (ML) memungkinkan prediksi kinerja yang tepat, mengurangi waktu, tenaga kerja, dan biaya dibandingkan dengan metode tradisional.
Ben Bishop, Arsitek Solusi Utama di Seeq, menguraikan proses: "KAE menggunakan Seeq untuk meminta nilai proses dari cloud AWS, mengkonfigurasi AWS Lookout untuk model ML deteksi anomali peralatan, dan memberi makan nilai proses yang diperbarui ke dalam model yang dilatih untuk prediksi." Integrasi yang mulus 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 analitik. Namun demikian, KAES bertekad untuk memanfaatkan potensi sensor IoT dan analisis berbasis cloud untuk mengoptimalkan operasi dan memastikan keandalan peralatan kritisnya.