Koch AG & Energy Obligācijas aptver IoT sensorus
Piecās Koch AG & Energy (KAES) iekārtās notiek ievērojama transformācija, ko veicina 125 monitronu IoT vibrācijas un temperatūras sensoru izvietošana, pateicoties Amazon Web Services (AWS). Kaes, ievērojama holdinga kompānija, kas aptver Koch Fertilizer LLC, Koch Energy Services LLC un Koch Methanol LLC, izmanto šos sensorus, lai savāktu vibrācijas un temperatūras datus no dažādiem aprīkojuma gabaliem, pēc tam to pārsūtot uz Kaes AWS mākoņdatošanas pakalpojumiem. Šie sensori lepojas ar vienkāršību, ir pašpārliecinoši un neprasa programmēšanu. Lietotāji tos piestiprina aprīkojumā, kuru viņi vēlas uzraudzīt.
Nodrošinot prognozējošu apkopi pastiprinātam laikam
IT vadītājs Deivs Kroenss un KAES datu analītikas līderis Martins Millers dalījās pieredzē nesenajā AWS Re: Invent Event pasākumā. Viņi atklāja, ka piecas KAES iekārtas ir stratēģiski izvietojušas 125 monitronu sensorus ar mazāk kritisku, augu aprīkojumu, kuras mērķis ir uzlabot paredzamo apkopi un palielināt aprīkojuma darbības laiku un pieejamību. Augu personāls bez piepūles uzstādīja šos sensorus, izmantojot Monitron lietotni viedtālruņos. Viņi lietotnē izvēlējās ISO 20816 vibrācijas standarta opciju - būtisku soli, kuru mākoņa pakalpojums izmanto, lai ieviestu vispiemērotāko mašīnu apguves (ML) modeli.
Racionalizēta datu analīze un reālā laika brīdinājumi
Pēc tam vibrācijas un temperatūras signāli atrod ceļu uz mākoni, kur viņiem tiek veikta analīze. Sistēma automātiski identificē patoloģiskus darbības apstākļus, nodrošinot savlaicīgu iejaukšanos. Lietotne Monitron, kas ir pieejama caur viedtālruņiem, ne tikai paziņo augu darbiniekiem par šīm anomālijām, bet arī ļauj viņiem pārskatīt un izsekot neparastiem stāvokļiem viņu ērtībā. Turklāt tas atvieglo reakciju ievadīšanu uz saņemtajiem brīdinājumiem, ieskaitot informāciju par kļūmes režīmu, cēloni un veiktajām darbībām.
Caurspīdīga modeļa atgriezeniskā saite operatoriem un inženieriem
Būtiski, ka Kaes uzsver caurspīdīgumu. Pēc Millera teiktā, "mēs negribējām melnu kasti." Operatoriem un inženieriem bija paredzēts aptvert aprīkojuma apstākļus un darbības stāvokļus, kas izskaidroti ar šiem modeļiem. Šī pieeja dod viņiem iespēju izprast šo modeļu sekas un faktorus, kas ietekmē iespējamās kļūmes.
Uzlabota analīze ar AWS Lookout un Seeq
Monitron sensoru dati līdztekus daudziem citiem sensoriem Kaes vietnēs saplūst mākonī. Šeit AWS Lookout un Seeq Software uzņem vadību, nodrošinot Kaes lietotājiem skaidrāku izpratni par darbības apstākļiem. AWS Lookout mašīnmācīšanās (ML) modeļi nodrošina precīzas veiktspējas prognozes, samazinot laiku, darbaspēku un izmaksas, salīdzinot ar tradicionālajām metodēm.
Bens Bišops, galvenais SEEQ risinājumu arhitekts, izstrādā procesu: "Kaes izmanto SEEQ, lai vaicājumu procesa vērtības no AWS mākoņa, konfigurējiet AWS meklēšanu par aprīkojuma anomālijas noteikšanas ML modeļiem un barot atjauninātās procesa vērtības apmācītos modeļos prognozēm." Šī bezšuvju integrācija atvieglo AWS ML anomālijas modeļa punktu skaitu, kas pēc tam tiek izmantots SEEQ vizualizācijās.
Digitalizācijas izaicinājumi un iespējas
Ceļojums uz digitalizāciju rada dažādas problēmas, ņemot vērā datu avotu un analītisko metožu neviendabīgumu. Neskatoties uz to, kaes ir apņēmies izmantot IoT sensoru un mākoņa analīzes potenciālu, lai optimizētu darbības un nodrošinātu tā kritiskā aprīkojuma uzticamību.