Expanding Sensor Usage for Enhanced Equipment Modeling

Memperluas penggunaan sensor untuk pemodelan peralatan yang dipertingkatkan

Kemudahan Koch AG & Tenaga merangkul sensor IOT

Pada lima kemudahan Koch AG & Energy (KAES), transformasi yang signifikan sedang dijalankan, didorong oleh penggunaan 125 Monitron IoT Getaran dan Sensor Suhu, ihsan Amazon Web Services (AWS). Kaes, sebuah syarikat induk terkemuka yang merangkumi Koch Fertilizer LLC, Koch Energy Services LLC, dan Koch Methanol LLC, memanfaatkan sensor ini untuk mengumpul data getaran dan suhu dari pelbagai peralatan, kemudian menghantarnya ke perkhidmatan pengkomputeran awan AWS Kaes. Sensor ini membanggakan kesederhanaan, yang mengkonfigurasi diri dan tidak memerlukan pengaturcaraan. Pengguna melekatkan mereka ke peralatan yang mereka ingin memantau.

Memperluas penggunaan sensor untuk pemodelan peralatan yang dipertingkatkan

Membolehkan penyelenggaraan ramalan untuk masa uptime yang dipertingkatkan

Dave Kroening, pemimpin IT, dan Martin Miller, pemimpin Data Analytics di Kaes, berkongsi pengalaman mereka pada acara AWS baru -baru ini: mencipta acara. Mereka mendedahkan bahawa lima kemudahan Kaes telah menggunakan 125 sensor monitron secara strategik ke atas peralatan yang kurang kritikal, lari-tumbuhan, yang bertujuan untuk meningkatkan penyelenggaraan ramalan dan meningkatkan peralatan dan ketersediaan peralatan. Kakitangan loji dengan mudah menubuhkan sensor ini menggunakan aplikasi Monitron pada telefon pintar mereka. Mereka memilih pilihan standard getaran ISO 20816 dalam aplikasinya, satu langkah penting yang digunakan oleh perkhidmatan awan untuk melaksanakan model pembelajaran mesin yang paling sesuai (ML).

Analisis data yang diselaraskan dan makluman masa nyata

Isyarat getaran dan suhu kemudian mencari jalan ke awan, di mana mereka menjalani analisis. Sistem ini secara automatik mengenal pasti keadaan operasi yang tidak normal, memastikan campur tangan yang tepat pada masanya. Aplikasi Monitron, yang boleh diakses melalui telefon pintar, bukan sahaja memberitahu kakitangan tumbuhan mengenai anomali ini tetapi juga membenarkan mereka mengkaji dan mengesan negeri -negeri yang tidak biasa pada kemudahan mereka. Selain itu, ia memudahkan memasukkan respons kepada makluman yang diterima, termasuk butiran mengenai mod kegagalan, sebab, dan tindakan yang diambil.

Maklum balas model telus untuk pengendali dan jurutera

Secara kritis, Kaes menekankan ketelusan. Menurut Miller, "Kami tidak mahu kotak hitam." Hasratnya adalah untuk pengendali dan jurutera untuk memahami keadaan peralatan dan negara -negara operasi yang dijelaskan oleh model -model ini. Pendekatan ini memberi mereka kuasa untuk memahami implikasi model -model ini dan faktor -faktor yang mempengaruhi kegagalan yang berpotensi.

Analisis lanjutan dengan AWS Lookout dan Seeq

Data dari sensor Monitron, di samping data dari pelbagai sensor lain di tapak Kaes, menumpu di awan. Di sini, AWS Lookout dan Seeq Software mengambil helm, menyediakan pengguna di Kaes dengan pemahaman yang lebih jelas mengenai keadaan operasi. Model Pembelajaran Mesin AWS Lookout (ML) membolehkan ramalan prestasi yang tepat, mengurangkan masa, buruh, dan kos berbanding dengan kaedah tradisional.

Ben Bishop, Arkitek Penyelesaian Utama di Seeq, menghuraikan proses: "Kaes menggunakan Seeq untuk menanyakan nilai proses dari awan AWS, mengkonfigurasi AWS mencari model ML pengesanan anomali peralatan, dan nilai proses yang dikemas kini ke dalam model terlatih untuk ramalan." Integrasi lancar ini memudahkan pemarkahan model anomali oleh AWS ML, yang kemudiannya beroperasi dalam visualisasi Seeq.

Cabaran dan peluang digitalisasi

Perjalanan ke arah digitalisasi memberikan pelbagai cabaran, memandangkan heterogeneity sumber data dan kaedah analisis. Walau bagaimanapun, KAES bertekad untuk memanfaatkan potensi sensor IoT dan analisis berasaskan awan untuk mengoptimumkan operasi dan memastikan kebolehpercayaan peralatan kritikalnya.

Kembali ke blog