Proširenje korištenja senzora za poboljšano modeliranje opreme
Koch Ag & Energy objekti prihvaćaju IoT senzore
Na pet objekata Koch Ag & Energy (KAES) odvija se značajna transformacija, potaknuta ugradnjom 125 Monitron IoT senzora za vibracije i temperaturu, zahvaljujući Amazon Web Services (AWS). KAES, istaknuta holding kompanija koja obuhvaća Koch Fertilizer LLC, Koch Energy Services LLC i Koch Methanol LLC, koristi ove senzore za prikupljanje podataka o vibracijama i temperaturi s raznih komada opreme, a zatim ih prenosi na KAES-ovu AWS uslugu računalstva u oblaku. Ovi senzori se odlikuju jednostavnošću, samokonfigurirajući se i ne zahtijevajući programiranje. Korisnici ih pričvršćuju na opremu koju žele nadzirati.
Omogućavanje prediktivnog održavanja za poboljšanu dostupnost
Dave Kroening, vođa IT-a, i Martin Miller, vođa analitike podataka u KAES-u, podijelili su svoje iskustvo na nedavnom AWS re:Invent događaju. Otkriće su da je pet KAES objekata strateški postavilo 125 Monitron senzora na manje kritičnu opremu u pogonu, s ciljem poboljšanja prediktivnog održavanja i povećanja dostupnosti i radnog vremena opreme. Osoblje u pogonu lako postavlja ove senzore koristeći Monitron aplikaciju na svojim pametnim telefonima. Odabrali su opciju ISO 20816 standarda vibracija unutar aplikacije, što je ključni korak koji cloud usluga koristi za implementaciju najprikladnijeg modela strojnog učenja (ML).
Pojednostavljena analiza podataka i obavijesti u stvarnom vremenu
Signali vibracija i temperature potom se šalju u oblak, gdje se podvrgavaju analizi. Sustav automatski identificira abnormalne radne uvjete, osiguravajući pravovremenu intervenciju. Monitron aplikacija, dostupna putem pametnih telefona, ne samo da obavještava osoblje u tvornici o tim anomalijama, već im također omogućuje da pregledaju i prate neobične stanje kad god im to odgovara. Osim toga, olakšava unos odgovora na primljene upozorenja, uključujući detalje o načinu kvara, uzroku i poduzetim radnjama.
Transparentni model povratnih informacija za operatere i inženjere
Ključno, KAES naglašava transparentnost. Prema Milleru, "Nismo htjeli crnu kutiju." Namjera je bila da operateri i inženjeri razumiju uvjete opreme i operativne stanje objašnjene ovim modelima. Ovaj pristup im omogućuje da shvate implikacije ovih modela i čimbenike koji utječu na potencijalne kvarove.
Napredna analiza s AWS Lookout i Seeq
Podaci s Monitron senzora, zajedno s podacima iz brojnih drugih senzora na KAES lokacijama, konvergiraju u oblaku. Ovdje, AWS Lookout i Seeq softver preuzimaju kontrolu, pružajući korisnicima u KAES-u jasnije razumijevanje operativnih uvjeta. AWS Lookoutovi modeli strojnog učenja (ML) omogućuju precizne prognoze performansi, smanjujući vrijeme, rad i troškove u usporedbi s tradicionalnim metodama.
Ben Bishop, glavni arhitekt rješenja u Seeq-u, objašnjava proces: "KAES koristi Seeq za upit procesnih vrijednosti iz AWS oblaka, konfigurira AWS Lookout for Equipmentove modele strojnog učenja za otkrivanje anomalija i unosi ažurirane procesne vrijednosti u obučene modele za predikcije." Ova besprijekorna integracija olakšava ocjenjivanje modela anomalija od strane AWS ML, što se zatim operacionalizira u Seeq vizualizacijama.
Izazovi i prilike digitalizacije
Put prema digitalizaciji donosi razne izazove, s obzirom na heterogenost izvora podataka i analitičkih metoda. Ipak, KAES je odlučan iskoristiti potencijal IoT senzora i analize u oblaku kako bi optimizirao operacije i osigurao pouzdanost svoje kritične opreme.