SparkCognition > 实例探究 > 利用边缘人工智能提高炼油厂的安全性和效率

利用边缘人工智能提高炼油厂的安全性和效率

技术

分析与建模 - 机器学习
分析与建模 - 预测分析
应用基础设施与中间件 - 数据交换与集成
应用基础设施与中间件 - 数据可视化
功能应用 - 远程监控系统
传感器 - 加速度计
传感器 - 压力传感器
传感器 - 温度传感器

适用行业

化学品

适用功能

维护

用例

预测性维护

客户

德马克化学品

登录后查看完整内容

关于客户

Texmark Chemicals Inc.，一家领先的特种石化产品合同制造商（托勒），在德克萨斯州休斯顿附近拥有并经营一家工厂。

登录后查看完整内容

挑战

从历史上看，Texmark 的运营和维护团队每年都会在现场检查设备时花费大量的美元和工时手动和通过有线传感器监控设备。

为了迅速采取行动并执行这一多年计划，Texmark 在 2017 年底向德勤求助，以提供端到端的 IIoT 实施。在接下来的两年中，德勤为该项目协调了以下合作伙伴：

1. National Instruments 为泵配备收集运行数据的传感器

2. Hewlett Packard Enterprises 支持边缘部署

3. OSIsoft PI 聚合来自 NI 源的传感器数据

4. SparkCognition™ 预测即将发生的泵故障

5.Flowserve 帮助开发模型和数据流架构 6. PTC ThingWorx 创建支持移动设备的界面

登录后查看完整内容

解决方案

数据采集硬件和边缘基础设施的安装于 2018 年春季完成。Texmark 运营团队第一次能够通过无线传感器监控实时泵的行为并对即将发生的故障做出反应。 SparkCognitionTM 无法立即在其 SparkPredict® 解决方案中对资产行为进行建模，因为机器学习模型依赖于丰富的历史数据，但在实施的两个月内，SparkPredict 能够创建准确的资产模型。

一旦收集到足够的数据，SparkCognitionTM 数据科学家就会根据加速度计、压力和温度数据的特征构建泵运行行为模型。他们最初从 125 个特征开始，在 Texmark 的运营和维护团队的帮助下，将它们缩减为与模型性能最相关的 70 个特征。由于数据集仍然有限且没有标记的故障数据，数据科学家使用无监督方法来训练模型。无监督学习在未标记的数据中找到模式，以便主题专家可以适当地解释和标记它们。数据清理、特征工程、模型构建和部署总共只用了一个多月的时间就完成了。另一个 SparkCognition 合作伙伴、领先的泵制造商 Flowserve 被咨询以验证该方法。

登录后查看完整内容

运营影响

[Process Optimization - Predictive Maintenance]
New solution identifies precursors to pump failure, allowing operators to avert accidents and plan repairs ahead of time.
[Data Management - Data Analysis]
For each operating state that was identified, SparkPredict surfaced the main contributing features that were most highly correlated. This way, SMEs can better understand why and how the behavior has changed and take steps to minimize the negative impacts on flow and overall efficiency.

登录后查看完整内容