Rozszerzenie wykorzystania czujników w celu ulepszenia modelowania sprzętu
Obiekty Koch Ag & Energy przyjmują czujniki IoT
W pięciu obiektach Koch Ag & Energy (KAES) trwa znacząca transformacja, napędzana wdrożeniem 125 czujników wibracji i temperatury Monitron IoT, dzięki Amazon Web Services (AWS). KAES, prominentna firma holdingowa obejmująca Koch Fertilizer LLC, Koch Energy Services LLC i Koch Methanol LLC, wykorzystuje te czujniki do zbierania danych o wibracjach i temperaturze z różnych urządzeń, a następnie przesyła je do usługi chmurowej AWS KAES. Te czujniki charakteryzują się prostotą, są samokonfigurowalne i nie wymagają programowania. Użytkownicy przymocowują je do urządzeń, które chcą monitorować.
Umożliwienie prognozowania konserwacji dla zwiększenia dostępności
Dave Kroening, lider IT, oraz Martin Miller, lider analityki danych w KAES, podzielili się swoimi doświadczeniami na niedawnym wydarzeniu AWS re:Invent. Ujawnili, że pięć obiektów KAES strategicznie wdrożyło 125 czujników Monitron na mniej krytycznych urządzeniach w zakładzie, mając na celu poprawę predykcyjnego utrzymania ruchu oraz zwiększenie dostępności i czasu pracy urządzeń. Personel zakładu bez trudu zainstalował te czujniki za pomocą aplikacji Monitron na swoich smartfonach. Wybrali opcję standardu wibracji ISO 20816 w aplikacji, co jest kluczowym krokiem, który usługa chmurowa wykorzystuje do wdrożenia najbardziej odpowiedniego modelu uczenia maszynowego (ML).
Uproszczona analiza danych i powiadomienia w czasie rzeczywistym
Sygnaly wibracji i temperatury następnie trafiają do chmury, gdzie poddawane są analizie. System automatycznie identyfikuje nieprawidłowe warunki pracy, zapewniając terminową interwencję. Aplikacja Monitron, dostępna za pośrednictwem smartfonów, nie tylko informuje personel zakładu o tych nieprawidłowościach, ale także umożliwia im przeglądanie i śledzenie nietypowych stanów w dogodnym dla nich czasie. Ponadto ułatwia wprowadzanie odpowiedzi na otrzymane powiadomienia, w tym szczegóły dotyczące trybu awarii, przyczyny oraz podjętych działań.
Przejrzysty model informacji zwrotnej dla operatorów i inżynierów
Kluczowe jest to, że KAES podkreśla przejrzystość. Według Millera, "Nie chcieliśmy czarnej skrzynki." Intencją było, aby operatorzy i inżynierowie zrozumieli warunki sprzętu i stany operacyjne wyjaśnione przez te modele. Takie podejście umożliwia im zrozumienie implikacji tych modeli oraz czynników wpływających na potencjalne awarie.
Zaawansowana analiza z AWS Lookout i Seeq
Dane z czujników Monitron, obok danych z licznych innych czujników w lokalizacjach KAES, konwergują w chmurze. Tutaj oprogramowanie AWS Lookout i Seeq przejmuje stery, zapewniając użytkownikom w KAES lepsze zrozumienie warunków operacyjnych. Modele uczenia maszynowego (ML) AWS Lookout umożliwiają precyzyjne prognozy wydajności, redukując czas, pracę i koszty w porównaniu do tradycyjnych metod.
Ben Bishop, główny architekt rozwiązań w Seeq, rozwija temat procesu: "KAES używa Seeq do zapytań o wartości procesów z chmury AWS, konfiguruje modele ML do wykrywania anomalii w AWS Lookout for Equipment i wprowadza zaktualizowane wartości procesów do wytrenowanych modeli w celu prognozowania." Ta bezproblemowa integracja ułatwia ocenę modeli anomalii przez AWS ML, które następnie są operacjonalizowane w wizualizacjach Seeq.
Wyzwania i możliwości cyfryzacji
"Podróż w kierunku cyfryzacji stawia przed nami różne wyzwania, biorąc pod uwagę heterogeniczność źródeł danych i metod analitycznych. Niemniej jednak, KAES jest zdeterminowany, aby wykorzystać potencjał czujników IoT i analizy w chmurze, aby zoptymalizować operacje i zapewnić niezawodność swojego krytycznego sprzętu."