Élargissement de l’utilisation des capteurs pour une modélisation améliorée des équipements

Les installations de Koch Ag & Energy adoptent les capteurs IoT

Dans cinq installations de Koch Ag & Energy (KAES), une transformation majeure est en cours grâce au déploiement de 125 capteurs IoT Monitron de vibration et de température, fournis par Amazon Web Services (AWS). KAES, une importante société holding regroupant Koch Fertilizer LLC, Koch Energy Services LLC et Koch Methanol LLC, utilise ces capteurs pour recueillir les données de vibration et de température de divers équipements, puis les transmettre au service d’informatique en nuage AWS de KAES. Ces capteurs se distinguent par leur simplicité : ils se configurent automatiquement et ne nécessitent aucune programmation. Les utilisateurs les fixent sur les équipements qu’ils souhaitent surveiller.

Permettre une maintenance prédictive pour améliorer la disponibilité

Dave Kroening, responsable informatique, et Martin Miller, responsable de l’analyse des données chez KAES, ont partagé leur expérience lors d’un récent événement AWS re:Invent. Ils ont révélé que cinq installations de KAES avaient déployé stratégiquement 125 capteurs Monitron sur des équipements moins critiques exploités dans les installations, afin d’améliorer la maintenance prédictive et d’accroître la disponibilité des équipements. Le personnel des installations a configuré facilement ces capteurs à l’aide de l’application Monitron sur ses smartphones. Il a sélectionné dans l’application l’option correspondant à la norme de vibration ISO 20816, une étape essentielle que le service infonuagique utilise pour appliquer le modèle d’apprentissage automatique (ML) le plus adapté.

Analyse simplifiée des données et alertes en temps réel

Les signaux de vibration et de température sont ensuite transmis au nuage, où ils sont analysés. Le système détecte automatiquement les conditions de fonctionnement anormales, ce qui garantit une intervention rapide. L’application Monitron, accessible sur smartphone, ne se contente pas d’informer le personnel des installations de ces anomalies : elle lui permet également d’examiner et de suivre les états inhabituels à sa convenance. Elle facilite en outre la saisie des réponses aux alertes reçues, notamment les détails concernant le mode de défaillance, sa cause et les mesures prises.

Un retour transparent sur les modèles pour les opérateurs et les ingénieurs

KAES accorde une importance cruciale à la transparence. Selon Miller : « Nous ne voulions pas d’une boîte noire. » L’objectif était que les opérateurs et les ingénieurs comprennent les conditions et les états de fonctionnement des équipements expliqués par ces modèles. Cette approche leur permet de saisir les implications de ces modèles ainsi que les facteurs susceptibles d’influencer les défaillances potentielles.

Analyse avancée avec AWS Lookout et Seeq

Les données des capteurs Monitron, ainsi que celles de nombreux autres capteurs présents sur les sites de KAES, convergent dans le nuage. AWS Lookout et le logiciel Seeq prennent alors le relais et permettent aux utilisateurs de KAES de mieux comprendre les conditions de fonctionnement. Les modèles d’apprentissage automatique (ML) d’AWS Lookout permettent de prédire précisément les performances, tout en réduisant le temps, la main-d’œuvre et les coûts par rapport aux méthodes traditionnelles.

Ben Bishop, architecte principal de solutions chez Seeq, explique le processus : « KAES utilise Seeq pour interroger les valeurs de processus depuis le nuage AWS, configurer les modèles ML de détection des anomalies d’AWS Lookout for Equipment et transmettre les valeurs de processus mises à jour aux modèles entraînés afin d’obtenir des prédictions. » Cette intégration fluide permet à l’apprentissage automatique d’AWS d’évaluer les modèles d’anomalies, puis de rendre ces résultats opérationnels dans les visualisations Seeq.

Défis et possibilités de la numérisation

La transition vers la numérisation présente divers défis, compte tenu de l’hétérogénéité des sources de données et des méthodes d’analyse. KAES est néanmoins déterminée à exploiter le potentiel des capteurs IoT et de l’analyse infonuagique afin d’optimiser ses opérations et de garantir la fiabilité de ses équipements critiques.