Koch i obiekty energetyczne, obejmują czujniki IoT
W Five Koch Ag & Energy (KAES) trwają znaczna transformacja, napędzana przez 125 czujników wibracji i temperatury Monitron IoT, dzięki uprzejmości Amazon Web Services (AWS). Kaes, widoczna spółka holdingowa obejmująca Koch Fertilizer LLC, Koch Energy Services LLC i Koch Methanol LLC, wykorzystuje te czujniki do gromadzenia danych wibracyjnych i temperaturowych z różnych elementów sprzętu, a następnie przesyłając je do usługi komputerowej AWS. Czujniki te mają prostotę, samokonfigurując i nie wymagają programowania. Użytkownicy umieszczają ich w sprzęcie, który chcą monitorować.
Umożliwianie konserwacji predykcyjnej dla zwiększonego czasu aktualizacji
Dave Kroening, lider IT i Martin Miller, lider analizy danych w KAES, podzielili się swoimi doświadczeniami podczas ostatniego wydarzenia AWS Re: Invent. Ujawnili, że pięć obiektów KAES wdrażało strategicznie 125 czujników monitronowych na mniej krytycznych sprzęcie do biegania, mając na celu zwiększenie przewidywania konserwacji i zwiększenia czasu i dostępności sprzętu. Personel zakładu bez wysiłku skonfigurował te czujniki za pomocą aplikacji Monitron na smartfonach. Wybrali opcję Standard wibracji ISO 20816 w aplikacji, co jest kluczowym krokiem, który usługa chmurowa wykorzystuje do wdrożenia najbardziej odpowiedniego modelu uczenia maszynowego (ML).
Usprawniona analiza danych i alerty w czasie rzeczywistym
Sygnały wibracji i temperatury znajdują się następnie do chmury, w której przechodzą analizę. System automatycznie identyfikuje nieprawidłowe warunki pracy, zapewniając terminową interwencję. Aplikacja Monitron, dostępna za pośrednictwem smartfonów, nie tylko powiadamia personel roślin o tych anomalii, ale także pozwala im przeglądać i śledzić niezwykłe stany w ich wygodę. Ponadto ułatwia wprowadzanie odpowiedzi na otrzymane powiadomienia, w tym szczegóły dotyczące trybu awarii, przyczyny i podjętych działań.
Przezroczyste informacje zwrotne modelu dla operatorów i inżynierów
Co najważniejsze, Kaes podkreśla przejrzystość. Według Millera „Nie chcieliśmy czarnej skrzynki”. Chodziło o to, aby operatorzy i inżynierowie chwytali warunki i stanów operacyjnych wyjaśnione przez te modele. Takie podejście upoważnia ich do zrozumienia implikacji tych modeli i czynników wpływających na potencjalne niepowodzenia.
Zaawansowana analiza z AWS Lookout i Seeq
Dane z czujników monitronowych, wraz z danymi z wielu innych czujników w witrynach KAES, zbieżą się w chmurze. Tutaj oprogramowanie AWS Lookout i Seeq zabierają ster, zapewniając użytkownikom KAES wyraźniejsze zrozumienie warunków pracy. Modele AWS Lookout's Machine Learning (ML) umożliwiają precyzyjne prognozy wydajności, skracanie czasu, siły roboczej i kosztów w porównaniu z tradycyjnymi metodami.
Ben Bishop, główny architekt Solutions w Seeq, opracowuje proces: „KAES używa SEEQ do zapytania o wartości procesu z chmury AWS, skonfigurować wyszukiwanie AWS dla modeli ML anomalii i zaktualizowane wartości procesu w wyszkolonych modelach do prognoz”. Ta bezproblemowa integracja ułatwia ocenę modelu anomalii przez AWS ML, który jest następnie operacjonalizowany w wizualizacjach Seeq.
Wyzwania i możliwości digitalizacji
Podróż w kierunku digitalizacji stanowi 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 w celu zoptymalizowania operacji i zapewnienia niezawodności jego krytycznego sprzętu.