گسترش استفاده از حسگر برای مدل‌سازی تجهیزات پیشرفته

Koch Ag & Energy Facilities از سنسورهای IoT استقبال می کنند

در پنج تأسیسات Koch Ag & Energy (KAES)، تحول قابل توجهی در حال انجام است که با استقرار 125 سنسور لرزش و دما Monitron IoT، توسط خدمات وب آمازون (AWS) هدایت می شود. KAES، یک شرکت هلدینگ برجسته که شامل Koch Fertilizer LLC، Koch Energy Services LLC و Koch Methanol LLC است، از این حسگرها برای جمع‌آوری داده‌های لرزش و دما از قطعات مختلف تجهیزات استفاده می‌کند و متعاقباً آن را به سرویس محاسبات ابری AWS KAES منتقل می‌کند. این سنسورها دارای سادگی هستند، خود پیکربندی می شوند و نیازی به برنامه نویسی ندارند. کاربران آنها را بر روی تجهیزاتی که می خواهند نظارت کنند می چسبانند.

فعال کردن تعمیر و نگهداری پیش‌بینی‌کننده برای افزایش کارکرد

دیو کرونینگ، رهبر فناوری اطلاعات و مارتین میلر، رهبر تجزیه و تحلیل داده در KAES، تجربه خود را در رویداد اخیر AWS re:Invent به اشتراک گذاشتند. آنها فاش کردند که پنج تأسیسات KAES به طور استراتژیک 125 حسگر Monitron را بر روی تجهیزات کمتر بحرانی و کارآمد مستقر کرده اند، با هدف ارتقای تعمیر و نگهداری پیش بینی و افزایش زمان و در دسترس بودن تجهیزات. پرسنل کارخانه بدون زحمت این حسگرها را با استفاده از برنامه Monitron در تلفن های هوشمند خود راه اندازی می کنند. آنها گزینه استاندارد ارتعاش ISO 20816 را در برنامه انتخاب کردند، گامی مهم که سرویس ابری از آن برای پیاده سازی مناسب ترین مدل یادگیری ماشین (ML) استفاده می کند.

تجزیه و تحلیل ساده داده ها و هشدارهای زمان واقعی

سیگنال های ارتعاش و دما متعاقباً راه خود را به ابر پیدا می کنند، جایی که تحت تجزیه و تحلیل قرار می گیرند. سیستم به طور خودکار شرایط عملیاتی غیرعادی را شناسایی می کند و از مداخله به موقع اطمینان می دهد. برنامه Monitron که از طریق تلفن های هوشمند قابل دسترسی است، نه تنها کارکنان کارخانه را در مورد این ناهنجاری ها مطلع می کند، بلکه به آنها اجازه می دهد تا وضعیت های غیرمعمول را در زمان مناسب بررسی و ردیابی کنند. علاوه بر این، ورود پاسخ‌ها به هشدارهای دریافتی، از جمله جزئیات مربوط به حالت شکست، علت و اقدامات انجام شده را تسهیل می‌کند.

بازخورد مدل شفاف برای اپراتورها و مهندسان

مهمتر از همه، KAES بر شفافیت تأکید دارد. به گفته میلر، "ما جعبه سیاه نمی خواستیم." هدف این بود که اپراتورها و مهندسان شرایط تجهیزات و حالت های عملیاتی توضیح داده شده توسط این مدل ها را درک کنند. این رویکرد آنها را قادر می سازد تا مفاهیم این مدل ها و عوامل موثر بر شکست های احتمالی را درک کنند.

تجزیه و تحلیل پیشرفته با AWS Lookout و Seeq

داده‌های حسگرهای Monitron، در کنار داده‌های چندین حسگر دیگر در سایت‌های KAES، در فضای ابری همگرا می‌شوند. در اینجا، نرم افزار AWS Lookout و Seeq سکان هدایت را به دست می گیرند و درک واضح تری از شرایط عملیاتی را به کاربران KAES ارائه می دهند. مدل‌های یادگیری ماشینی (ML) AWS Lookout پیش‌بینی عملکرد دقیق را امکان‌پذیر می‌کند، زمان، کار و هزینه‌ها را در مقایسه با روش‌های سنتی کاهش می‌دهد.

بن بیشاپ، معمار اصلی راه‌حل‌ها در Seeq، در مورد این فرآیند توضیح می‌دهد: "KAES از Seeq برای جستجوی مقادیر فرآیند از ابر AWS، پیکربندی AWS Lookout برای مدل‌های ML تشخیص ناهنجاری تجهیزات، و تغذیه مقادیر فرآیند به‌روزرسانی شده در مدل‌های آموزش‌دیده برای پیش‌بینی‌ها استفاده می‌کند." این ادغام یکپارچه امتیازدهی مدل ناهنجاری توسط AWS ML را تسهیل می‌کند، که سپس در تجسم‌های Seeq عملیاتی می‌شود.

چالش ها و فرصت های دیجیتالی شدن

سفر به سمت دیجیتالی شدن، با توجه به ناهمگونی منابع داده و روش های تحلیلی، چالش های مختلفی را به همراه دارد. با این وجود، KAES مصمم است از پتانسیل حسگرهای اینترنت اشیا و تجزیه و تحلیل مبتنی بر ابر برای بهینه سازی عملیات و اطمینان از قابلیت اطمینان تجهیزات حیاتی خود استفاده کند.