Mở rộng việc sử dụng cảm biến để mô hình hóa thiết bị hiệu quả hơn
Các cơ sở Koch Ag & Energy áp dụng cảm biến IoT
Tại năm cơ sở của Koch Ag & Energy (KAES), một sự chuyển đổi đáng kể đang diễn ra nhờ triển khai 125 cảm biến IoT Monitron đo độ rung và nhiệt độ do Amazon Web Services (AWS) cung cấp. KAES, một công ty holding nổi bật bao gồm Koch Fertilizer LLC, Koch Energy Services LLC và Koch Methanol 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 đến dịch vụ điện toán đám mây AWS của KAES. Các cảm biến này có ưu điểm là đơn giản, tự cấu hình và không cần lập trình. Người dùng gắn chúng lên thiết bị mà họ muốn theo dõi.

Cho phép bảo trì dự đoán để nâng cao thời gian vận hành
Dave Kroening, lãnh đạo CNTT, và Martin Miller, lãnh đạo phân tích dữ liệu tại KAES, đã chia sẻ kinh nghiệm tại một sự kiện AWS re:Invent gần đây. Họ cho biết năm cơ sở của KAES đã triển khai có chiến lược 125 cảm biến Monitron trên các thiết bị ít quan trọng hơn đang vận hành trong nhà máy, nhằm tăng cường bảo trì dự đoán và nâng cao thời gian vận hành cũng như khả năng sẵn sàng của thiết bị. Nhân viên nhà máy dễ dàng thiết lập các cảm biến này bằng ứng dụng Monitron trên điện thoại thông minh. Họ đã chọn tùy chọn tiêu chuẩn độ rung ISO 20816 trong ứng dụng, một bước quan trọng được dịch vụ đám mây sử dụng để triển khai mô hình học máy (ML) phù hợp nhất.
Phân tích dữ liệu hợp lý hóa và cảnh báo theo thời gian thực
Các tín hiệu về độ rung và nhiệt độ sau đó được truyền lên đám mây để phân tích. Hệ thống tự động xác định các điều kiện vận hành bất thường, bảo đảm 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 bất thường này mà còn cho phép họ xem xét và theo dõi các trạng thái bất thường theo thời gian thuận tiện. Ngoài ra, ứng dụng còn hỗ trợ nhập phản hồi đối với các cảnh báo nhận được, bao gồm thông tin chi tiết về dạng hỏng hóc, nguyên nhân và hành động đã thực hiện.
Phản hồi mô hình minh bạch cho nhân viên vận hành và kỹ sư
Điều quan trọng là KAES nhấn mạnh tính minh bạch. Theo Miller: "Chúng tôi không muốn một hộp đen." Mục tiêu là giúp nhân viên vận hành và kỹ sư hiểu được tình trạng thiết bị và các trạng thái vận hành mà những mô hình này giải thích. Cách tiếp cận này giúp họ hiểu được ý nghĩa của các mô hình cũng như những yếu tố ảnh hưởng đến các sự cố tiềm ẩn.
Phân tích nâng cao với AWS Lookout và Seeq
Dữ liệu từ các cảm biến Monitron cùng với dữ liệu từ nhiều cảm biến khác tại các cơ sở của KAES được tập hợp trên đám mây. Tại đây, phần mềm AWS Lookout và Seeq đảm nhiệm việc phân tích, giúp người dùng tại KAES hiểu rõ 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 thêm về quy trình: "KAES sử dụng Seeq để truy vấn các giá trị quy trình từ đám mây AWS, cấu hình các mô hình ML phát hiện bất thường của AWS Lookout for Equipment và đưa các giá trị quy trình được cập nhật vào những mô hình đã huấn luyện để dự đoán." Sự tích hợp liền mạch này cho phép AWS ML chấm điểm mô hình bất thường, sau đó được triển khai trong các hình ảnh trực quan hóa của Seeq.
Thách thức và cơ hội trong quá trình số hóa
Hành trình hướng tới số hóa đặt ra nhiều thách thức do sự đa dạng của các nguồn dữ liệu và phương pháp phân tích. Tuy vậy, 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 bảo đảm độ tin cậy của các thiết bị quan trọng.