Koch Ag & Cơ sở năng lượng sử dụng cảm biến IoT
Tại năm cơ sở của Koch Ag & Energy (KAES), một sự chuyển đổi đáng kể đang diễn ra, nhờ việc triển khai 125 cảm biến nhiệt độ và độ rung Monitron IoT, nhờ sự hỗ trợ của Amazon Web Services (AWS). KAES, một công ty cổ phần nổi tiếng bao gồm Koch Fertilizer LLC, Koch Energy Services LLC và Koch Metanol LLC, đang tận dụng các cảm biến này để thu thập dữ liệu về độ rung và nhiệt độ từ nhiều thiết bị khác nhau, sau đó truyền dữ liệu đó đến dịch vụ điện toán đám mây AWS của KAES. Những cảm biến này có tính đơn giản, tự cấu hình và không cần lập trình. Người dùng dán chúng lên thiết bị họ muốn theo dõi.
Kích hoạt bảo trì dự đoán để tăng cường thời gian hoạt động
Dave Kroening, trưởng nhóm CNTT và Martin Miller, trưởng nhóm phân tích dữ liệu tại KAES, đã chia sẻ kinh nghiệm của họ tại sự kiện AWS re:Invent gần đây. Họ tiết lộ rằng năm cơ sở của KAES đã triển khai một cách chiến lược 125 cảm biến Monitron trên các thiết bị đang hoạt động, ít quan trọng hơn, nhằm tăng cường bảo trì dự đoán cũng như tăng thời gian hoạt động và tính khả dụng của thiết bị. Nhân viên nhà máy dễ dàng thiết lập các cảm biến này bằng ứng dụng Monitron trên điện thoại thông minh của họ. Họ đã chọn tùy chọn tiêu chuẩn rung ISO 20816 trong ứng dụng, một bước quan trọng mà dịch vụ đám mây sử dụng để triển khai mô hình học máy (ML) phù hợp nhất.
Phân tích dữ liệu hợp lý và cảnh báo theo thời gian thực
Các tín hiệu rung và nhiệt độ sau đó sẽ được chuyển tới đám mây để tiến hành phân tích. Hệ thống tự động nhận diện các điều kiện hoạt động bất thường, đảm bảo can thiệp kịp thời. Ứng dụng Monitron, có thể truy cập qua điện thoại thông minh, không chỉ thông báo cho nhân viên nhà máy về những điểm bất thường này mà còn cho phép họ xem xét và theo dõi các trạng thái bất thường một cách thuận tiện. Hơn nữa, nó tạo điều kiện thuận lợi cho việc nhập phản hồi cho các cảnh báo nhận được, bao gồm thông tin chi tiết về chế độ lỗi, nguyên nhân và các hành động được thực hiện.
Phản hồi mô hình minh bạch cho người vận hành và kỹ sư
Điều quan trọng là KAES nhấn mạnh tính minh bạch. Theo Miller, "Chúng tôi không muốn có hộp đen." Mục đích là để người vận hành và kỹ sư nắm bắt được các điều kiện và trạng thái hoạt động của thiết bị được giải thích bằng các mô hình này. Cách tiếp cận này giúp họ hiểu được ý nghĩa của những mô hình này và các yếu tố ảnh hưởng đến những thất bại tiềm ẩn.
Phân tích nâng cao với AWS Lookout và Seeq
Dữ liệu từ cảm biến Monitron, cùng với dữ liệu từ nhiều cảm biến khác tại các cơ sở KAES, hội tụ trên đám mây. Ở đây, phần mềm AWS Lookout và Seeq sẽ nắm quyền chỉ đạo, cung cấp cho người dùng tại KAES sự hiểu biết rõ ràng hơn về các điều kiện vận hành. Các mô hình học máy (ML) của AWS Lookout cho phép dự đoán hiệu suất chính xác, giảm thời gian, nhân công và chi phí so với các phương pháp truyền thống.
Ben Bishop, kiến trúc sư giải pháp chính tại Seeq, giải thích chi tiết về quy trình: "KAES sử dụng Seeq để truy vấn các giá trị quy trình từ đám mây AWS, định cấu hình các mô hình ML phát hiện điểm bất thường của AWS Lookout for Equipment và cung cấp các giá trị quy trình đã cập nhật vào các mô hình đã đào tạo để dự đoán." Sự tích hợp liền mạch này tạo điều kiện cho việc chấm điểm mô hình bất thường bằng AWS ML, sau đó được vận hành trong phần trực quan hóa Seeq.
Những thách thức và cơ hội số hóa
Hành trình hướng tới số hóa đặt ra nhiều thách thức khác nhau do tính không đồng nhất của nguồn dữ liệu và phương pháp phân tích. Tuy nhiên, KAES quyết tâm khai thác tiềm năng của cảm biến IoT và phân tích dựa trên đám mây để tối ưu hóa hoạt động và đảm bảo độ tin cậy của thiết bị quan trọng.