Meluaskan Penggunaan Sensor untuk Pemodelan Peralatan yang Dipertingkatkan
Kemudahan Koch Ag & Energy Mengguna Pakai Sensor IoT
Di lima kemudahan Koch Ag & Energy (KAES), transformasi penting sedang dilaksanakan melalui penggunaan 125 sensor getaran dan suhu IoT Monitron, hasil sumbangan Amazon Web Services (AWS). KAES, sebuah syarikat pegangan terkemuka yang merangkumi Koch Fertilizer LLC, Koch Energy Services LLC dan Koch Methanol LLC, memanfaatkan sensor ini untuk mengumpulkan data getaran dan suhu daripada pelbagai peralatan, sebelum menghantarnya ke perkhidmatan pengkomputeran awan AWS milik KAES. Sensor ini mudah digunakan, boleh mengkonfigurasi sendiri dan tidak memerlukan pengaturcaraan. Pengguna memasangkannya pada peralatan yang ingin dipantau.

Membolehkan Penyelenggaraan Ramalan untuk Masa Operasi yang Lebih Lama
Dave Kroening, ketua IT, dan Martin Miller, ketua analitik data di KAES, berkongsi pengalaman mereka dalam acara AWS re:Invent baru-baru ini. Mereka mendedahkan bahawa lima kemudahan KAES telah menggunakan 125 sensor Monitron secara strategik pada peralatan operasi loji yang kurang kritikal, dengan tujuan meningkatkan penyelenggaraan ramalan serta masa operasi dan ketersediaan peralatan. Kakitangan loji menyediakan sensor ini dengan mudah menggunakan aplikasi Monitron pada telefon pintar mereka. Mereka memilih pilihan standard getaran ISO 20816 dalam aplikasi tersebut, iaitu langkah penting yang digunakan oleh perkhidmatan awan untuk melaksanakan model pembelajaran mesin (ML) yang paling sesuai.
Analisis Data Dipermudah dan Makluman Masa Nyata
Isyarat getaran dan suhu kemudiannya dihantar ke awan untuk dianalisis. Sistem mengenal pasti keadaan operasi yang tidak normal secara automatik bagi memastikan tindakan segera dapat diambil. Aplikasi Monitron, yang boleh diakses melalui telefon pintar, bukan sahaja memaklumkan kakitangan loji tentang anomali ini, malah membolehkan mereka menyemak dan menjejaki keadaan luar biasa pada bila-bila masa. Selain itu, aplikasi ini memudahkan pengguna memasukkan respons terhadap makluman yang diterima, termasuk butiran tentang mod kegagalan, punca dan tindakan yang diambil.
Maklum Balas Model yang Telus untuk Operator dan Jurutera
Yang penting, KAES menekankan ketelusan. Menurut Miller, "Kami tidak mahu kotak hitam." Tujuannya adalah supaya operator dan jurutera dapat memahami keadaan peralatan serta keadaan operasi yang diterangkan oleh model-model ini. Pendekatan ini membolehkan mereka memahami implikasi model tersebut dan faktor yang mempengaruhi kemungkinan berlakunya kegagalan.
Analisis Lanjutan dengan AWS Lookout dan Seeq
Data daripada sensor Monitron, bersama-sama data daripada pelbagai sensor lain di tapak KAES, dihimpunkan dalam awan. Di sini, perisian AWS Lookout dan Seeq memainkan peranan utama dengan memberikan pengguna di KAES pemahaman yang lebih jelas tentang keadaan operasi. Model pembelajaran mesin (ML) AWS Lookout membolehkan ramalan prestasi yang tepat, sekali gus mengurangkan masa, tenaga kerja dan kos berbanding kaedah tradisional.
Ben Bishop, arkitek penyelesaian utama di Seeq, menjelaskan proses tersebut: "KAES menggunakan Seeq untuk membuat pertanyaan terhadap nilai proses daripada awan AWS, mengkonfigurasi model ML pengesanan anomali AWS Lookout for Equipment dan memasukkan nilai proses yang dikemas kini ke dalam model terlatih untuk menghasilkan ramalan." Integrasi lancar ini memudahkan pemarkahan model anomali oleh ML AWS, yang kemudiannya dilaksanakan dalam visualisasi Seeq.
Cabaran dan Peluang Pendigitalan
Perjalanan ke arah pendigitalan menghadirkan pelbagai cabaran berikutan kepelbagaian sumber data dan kaedah analitik. Namun begitu, KAES bertekad untuk memanfaatkan potensi sensor IoT dan analisis berasaskan awan bagi mengoptimumkan operasi serta memastikan kebolehpercayaan peralatan kritikalnya.