Memperluas Penggunaan Sensor untuk Pemodelan Peralatan yang Ditingkatkan
Koch Ag & Energy Facilities Menggunakan Sensor IoT
Di lima kemudahan Koch Ag & Energy (KAES), transformasi yang signifikan sedang berlangsung, didorong oleh penggunaan 125 sensor getaran dan suhu Monitron IoT, terima kasih kepada Amazon Web Services (AWS). KAES, sebuah syarikat pegangan terkemuka yang merangkumi Koch Fertilizer LLC, Koch Energy Services LLC, dan Koch Methanol LLC, memanfaatkan sensor-sensor ini untuk mengumpul data getaran dan suhu daripada pelbagai peralatan, seterusnya menghantarnya ke perkhidmatan pengkomputeran awan AWS KAES. Sensor-sensor ini mempunyai kesederhanaan, kerana ia boleh mengkonfigurasi diri dan tidak memerlukan pengaturcaraan. Pengguna melekatkan sensor-sensor ini pada peralatan yang ingin mereka pantau.
Membolehkan Penyelenggaraan Ramalan untuk Meningkatkan Waktu Beroperasi
Dave Kroening, pemimpin IT, dan Martin Miller, pemimpin analitik data di KAES, berkongsi pengalaman mereka di acara AWS re:Invent baru-baru ini. Mereka mendedahkan bahawa lima kemudahan KAES telah secara strategik mengedarkan 125 sensor Monitron pada peralatan yang kurang kritikal, bertujuan untuk meningkatkan penyelenggaraan ramalan dan meningkatkan masa operasi serta ketersediaan peralatan. Kakitangan kilang dengan mudah memasang sensor ini menggunakan aplikasi Monitron di telefon pintar mereka. Mereka memilih pilihan standard getaran ISO 20816 dalam aplikasi, satu langkah penting yang digunakan oleh perkhidmatan awan untuk melaksanakan model pembelajaran mesin (ML) yang paling sesuai.
Analisis Data yang Dipermudahkan dan Pemberitahuan Masa Nyata
Isyarat getaran dan suhu seterusnya dihantar ke awan, di mana ia menjalani analisis. Sistem secara automatik mengenal pasti keadaan operasi yang tidak normal, memastikan intervensi yang tepat pada masanya. Aplikasi Monitron, yang boleh diakses melalui telefon pintar, bukan sahaja memberitahu kakitangan kilang tentang anomali ini tetapi juga membolehkan mereka menyemak dan menjejak keadaan luar biasa pada masa yang sesuai. Selain itu, ia memudahkan penginputan respons kepada amaran yang diterima, termasuk butiran tentang mod kegagalan, punca, dan tindakan yang diambil.
Maklum Balas Model Telus untuk Pengendali dan Jurutera
Yang penting, KAES menekankan ketelusan. Menurut Miller, "Kami tidak mahu kotak hitam." Tujuannya adalah agar pengendali dan jurutera memahami keadaan peralatan dan keadaan operasi yang dijelaskan oleh model-model ini. Pendekatan ini memberdayakan mereka untuk memahami implikasi model-model ini dan faktor-faktor yang mempengaruhi kemungkinan kegagalan.
Analisis Lanjutan dengan AWS Lookout dan Seeq
Data dari sensor Monitron, bersama dengan data dari pelbagai sensor lain di lokasi KAES, berkumpul di awan. Di sini, perisian AWS Lookout dan Seeq mengambil alih, memberikan pengguna di KAES pemahaman yang lebih jelas tentang keadaan operasi. Model pembelajaran mesin (ML) AWS Lookout membolehkan ramalan prestasi yang tepat, mengurangkan masa, tenaga kerja, dan kos berbanding dengan kaedah tradisional.
Ben Bishop, arkitek penyelesaian utama di Seeq, menjelaskan proses tersebut: "KAES menggunakan Seeq untuk menyoal nilai proses dari awan AWS, mengkonfigurasi model pengesanan anomali ML AWS Lookout untuk peralatan, dan memberi nilai proses yang dikemas kini ke dalam model yang telah dilatih untuk ramalan." Integrasi tanpa gangguan ini memudahkan penilaian model anomali oleh AWS ML, yang kemudiannya dioperasikan dalam visualisasi Seeq.
Cabaran dan Peluang Digitalisasi
Perjalanan menuju digitalisasi menghadapi pelbagai cabaran, memandangkan heterogeniti sumber data dan kaedah analisis. Namun begitu, KAES bertekad untuk memanfaatkan potensi sensor IoT dan analisis berasaskan awan untuk mengoptimumkan operasi dan memastikan kebolehpercayaan peralatan kritikalnya.