Koch Ag & Energy Facilities ietver IoT sensorus
Piecās Koch Ag & Energy (KAES) iekārtās notiek nozīmīgas pārmaiņas, ko veicina 125 Monitron IoT vibrācijas un temperatūras sensoru izvietošana, pateicoties Amazon Web Services (AWS). KAES, ievērojama kontrolakciju sabiedrība, kurā ietilpst Koch Fertilizer LLC, Koch Energy Services LLC un Koch Methanol LLC, izmanto šos sensorus, lai savāktu vibrācijas un temperatūras datus no dažādām iekārtām, pēc tam tos pārsūtot uz KAES AWS mākoņdatošanas pakalpojumu. Šie sensori lepojas ar vienkāršību, paši konfigurējas un neprasa programmēšanu. Lietotāji tos piestiprina pie aprīkojuma, ko viņi vēlas uzraudzīt.
Prognozējošās apkopes iespējošana, lai uzlabotu darbības laiku
IT vadītājs Deivs Krēnings un KAES datu analīzes vadītājs Martins Millers dalījās pieredzē nesenā AWS re:Invent pasākumā. Viņi atklāja, ka piecās KAES iekārtās ir stratēģiski izvietoti 125 Monitron sensori mazāk kritiskām iekārtām, kuru darbība ir pabeigta, lai uzlabotu paredzamo apkopi un palielinātu aprīkojuma darbspējas laiku un pieejamību. Rūpnīcas darbinieki bez piepūles iestata šos sensorus, izmantojot viedtālruņa lietotni Monitron. Viņi lietojumprogrammā izvēlējās ISO 20816 vibrācijas standarta opciju, kas ir būtisks solis, ko mākoņpakalpojums izmanto, lai ieviestu vispiemērotāko mašīnmācīšanās (ML) modeli.
Racionalizēta datu analīze un reāllaika brīdinājumi
Vibrācijas un temperatūras signāli pēc tam nonāk mākonī, kur tie tiek analizēti. Sistēma automātiski identificē neparastus darbības apstākļus, nodrošinot savlaicīgu iejaukšanos. Lietojumprogramma Monitron, kas pieejama, izmantojot viedtālruņus, ne tikai informē rūpnīcas darbiniekus par šīm anomālijām, bet arī ļauj viņiem ērtā laikā pārskatīt un izsekot neparastus stāvokļus. Turklāt tas atvieglo atbildes ievadīšanu uz saņemtajiem brīdinājumiem, tostarp informāciju par kļūmes režīmu, cēloni un veiktajām darbībām.
Caurspīdīgas modeļa atsauksmes operatoriem un inženieriem
Būtiski, ka KAES uzsver caurspīdīgumu. Pēc Millera teiktā, "mēs negribējām melno kasti." Operatoriem un inženieriem bija paredzēts izprast aprīkojuma apstākļus un darbības stāvokļus, kas izskaidroti ar šiem modeļiem. Šī pieeja dod viņiem iespēju izprast šo modeļu ietekmi un faktorus, kas ietekmē iespējamās kļūmes.
Uzlabota analīze ar AWS Lookout un Seeq
Dati no Monitron sensoriem, kā arī dati no daudziem citiem sensoriem KAES vietnēs saplūst mākonī. Šeit AWS Lookout un Seeq programmatūra pārņem stūri, nodrošinot KAES lietotājiem skaidrāku izpratni par darbības apstākļiem. AWS Lookout mašīnmācīšanās (ML) modeļi nodrošina precīzas veiktspējas prognozes, samazinot laiku, darbaspēku un izmaksas salīdzinājumā ar tradicionālajām metodēm.
Bens Bišops, Seeq galvenais risinājumu arhitekts, apraksta procesu: "KAES izmanto Seeq, lai meklētu procesa vērtības no AWS mākoņa, konfigurētu AWS Lookout for Equipment anomāliju noteikšanas ML modeļus un ievadītu atjauninātās procesa vērtības apmācītos modeļos prognozēm." Šī nevainojamā integrācija atvieglo AWS ML anomāliju modeļa vērtēšanu, kas pēc tam tiek izmantota Seeq vizualizācijās.
Digitalizācijas izaicinājumi un iespējas
Ceļš uz digitalizāciju rada dažādas problēmas, ņemot vērā datu avotu un analītisko metožu neviendabīgumu. Neskatoties uz to, KAES ir apņēmības pilns izmantot IoT sensoru un mākoņdatošanas analīzes potenciālu, lai optimizētu darbības un nodrošinātu sava kritiskā aprīkojuma uzticamību.