Olie & Gas
USA
5 måneder
Kunden driver et anlæg til behandling og kompression af naturgas i USA. Deres anlæg håndterer indløbsseparation, gaskompression, dehydrering, aminbehandling, kondensatlagring, eksportmåling og flaring-styring — et tæt driftsmiljø, der genererer kontinuerlige sensordata på tværs af dusinvis af aktiver.
Anlægget kørte SCADA-systemer, PLC’er, en lokal historian og ingeniørregneark. Alt sammen var begrænset til anlæggets netværk.
Kunden havde mange års værdifulde anlægsdata. Ingen af dem var klar til brug i en digital tvilling.
Kerneproblemerne var:
Vi byggede en sikker, struktureret datainfrastruktur, der tog anlægsdata fra SCADA- og historiansystemer og leverede dem til en cloud-baseret AWS-datasø — organiseret efter aktiv, standardiseret for kvalitet og klar til brug i digitale tvillinger.
Vi etablerede en sikker forbindelse fra anlæggets netværk til AWS. Litmus Edge blev implementeret ved OT/IT-grænsen for at oprette forbindelse i skrivebeskyttet tilstand til anlæggets SCADA-system og den lokale historian. Den indsamlede godkendte driftstags, udførte indledende validering og datakonditionering, bufrede data efter behov og forberedte telemetri til cloud-indtagelse.
Fra Litmus Edge blev udvalgt telemetri sikkert videresendt til AWS IoT Core ved hjælp af MQTT over TLS. AWS IoT Core håndterede enhedsgodkendelse, krypteret kommunikation og telemetri-routing fra det industrielle edge-lag ind i AWS. AWS IoT SiteWise organiserede indkommende tidsseriedata omkring fysiske aktiver — kompressorer, separatorer, pumper, ventiler — og forvandlede rå SCADA-tags til aktivkontekstualiserede data, der gav mening for nedstrømssystemer.
Rå, rensede og kuraterede data blev indlæst i en struktureret Amazon S3-datasø med tre distinkte zoner. Rå indtagelse bevarede kildedataene, som de var. Den rensede zone anvendte standardiserede tidsstempler, enheder, tagnavne og kvalitetsflag. Den kuraterede zone indeholdt behandlede datasæt, der var formet specifikt til brug i digital tvilling og analyse.
Vi gennemgik og eksporterede SCADA- og historian-taglister, og kortlagde derefter hvert sensortag til det tilhørende udstyr og procesenhed. Resultatet var et rent aktivhierarki for anlægget — der forbinder hvert datapunkt til det fysiske aktiv, det beskrev.
AWS Glue håndterede rensning, transformation og forberedelse i stor skala. AWS Glue Data Catalog gemmer metadata, skemaer og tabeldefinitioner, så datasæt kan opdages og forespørges. Amazon Athena gav ingeniører direkte SQL-adgang til data i S3.
Vi kørte indledende datavalidering for at bekræfte fuldstændighed, nøjagtighed og forventede sensorområder på tværs af tag-populationen. Løbende overvågning — bygget ved hjælp af Amazon CloudWatch — registrerede manglende værdier, forældede tags, unormale aflæsninger og huller i dataindtagelsen i realtid.
Grafana blev brugt som teknisk dashboard-lag oven på kuraterede AWS-data. Det gjorde det muligt for drifts- og ingeniørbrugere at visualisere udvalgte SCADA-tendenser, overvåge datakvalitetsmålinger, identificere huller i dataindtagelse og gennemgå vigtige aktivsignaler, før dataene blev anvendt af fremtidige applikationer til digitale tvillinger.
Kunden fik et sikkert datagrundlag til implementering af en digital tvilling. Sensor- og SCADA-data fra anlægget blev udtrukket, standardiseret, kortlagt til fysiske aktiver og landet i AWS. Dette gjorde det muligt for kunden at bevæge sig fra isolerede anlægsdata mod cloudbaseret analyse, scenarier med digitale tvillinger og fremtidige anvendelser til forudsigende vedligeholdelse.
Send et oplæg, en specifikation eller tre sætninger om, hvor systemet er gået i stå. Én samtale er som regel nok til at afgøre, om vi passer til jer.
Skræddersyet software, AI og ML, data og analyse, cloud og sikkerhed — fra tidlig afklaring til langsigtet levering.
Dit privatliv er vigtigt. Vi bruger cookies til at forbedre din oplevelse og tilpasse indhold.
