Olie en gas
VS
6
5 maanden
De klant exploiteert een installatie voor aardgasverwerking en -compressie in de Verenigde Staten. De fabriek verzorgt inlaatscheiding, gascompressie, ontwatering, aminebehandeling, condensaatopslag, exportmetering en fakkelbeheer — een dichte operationele omgeving die doorlopend sensordata genereert over tientallen assets.
De locatie draaide SCADA-systemen, PLC’s, een lokale historian en spreadsheets van engineering. Dat alles bleef binnen het fabrieksnetwerk.
De klant had jarenlang waardevolle fabrieksdata verzameld. Niets daarvan was klaar voor gebruik in een digital twin.
De kernproblemen waren:
We bouwden een veilige, gestructureerde data-infrastructuur die fabrieksdata uit SCADA- en historian-systemen naar een AWS-datalake in de cloud bracht — geordend per asset, gestandaardiseerd op kwaliteit en klaar voor gebruik door digital twins.
We legden een veilige route aan van het fabrieksnetwerk naar AWS. Litmus Edge werd op de grens tussen OT en IT geplaatst om alleen-lezen verbinding te maken met het SCADA-systeem en de lokale historian. Het verzamelde goedgekeurde operationele tags, voerde een eerste validatie en dataconditionering uit, bufferde waar nodig en maakte de telemetrie klaar voor inname in de cloud.
Vanaf Litmus Edge werd geselecteerde telemetrie veilig doorgestuurd naar AWS IoT Core via MQTT over TLS. AWS IoT Core verzorgde apparaatauthenticatie, versleutelde communicatie en de routering van telemetrie vanaf de industriële edge-laag naar AWS. AWS IoT SiteWise ordende de binnenkomende tijdreeksen rond fysieke assets — compressoren, separatoren, pompen, afsluiters — en maakte van ruwe SCADA-tags data met assetcontext waar de systemen erachter iets mee konden.
Ruwe, opgeschoonde en samengestelde data werden geladen in een gestructureerd datalake op Amazon S3 met drie afzonderlijke zones. De ruwe inname bewaarde de brondata ongewijzigd. De opgeschoonde zone paste gestandaardiseerde tijdstempels, eenheden, tagnamen en kwaliteitsmarkeringen toe. De samengestelde zone bevatte verwerkte datasets, specifiek gevormd voor digital-twin- en analysegebruik.
We namen de tag-lijsten van SCADA en de historian door en exporteerden ze, en koppelden vervolgens elke sensortag aan de bijbehorende apparatuur en processeenheid. Het resultaat was een schone assethiërarchie voor de locatie — die elk datapunt verbindt met het fysieke asset dat het beschrijft.
AWS Glue verzorgde het opschonen, transformeren en voorbereiden op schaal. De AWS Glue Data Catalog bewaart metadata, schema’s en tabeldefinities, zodat datasets vindbaar en bevraagbaar zijn. Amazon Athena gaf engineers rechtstreeks SQL-toegang tot de data in S3.
We voerden een eerste datavalidatie uit om volledigheid, nauwkeurigheid en de verwachte sensorbereiken over alle tags te bevestigen. Doorlopende bewaking — gebouwd met Amazon CloudWatch — signaleerde ontbrekende waarden, verouderde tags, afwijkende metingen en gaten in de inname in realtime.
Grafana werd ingezet als dashboardlaag voor engineering bovenop de samengestelde AWS-data. Daarmee konden gebruikers uit operations en engineering geselecteerde SCADA-trends bekijken, datakwaliteitsmetrieken volgen, gaten in de inname opsporen en belangrijke assetsignalen beoordelen voordat de data door toekomstige digital-twin-toepassingen werd gebruikt.
De klant kreeg een veilig datafundament voor de implementatie van digital twins. Sensor- en SCADA-data uit de fabriek werden opgehaald, gestandaardiseerd, gekoppeld aan fysieke assets en in AWS geland. Daarmee kon de klant de stap zetten van geïsoleerde fabrieksdata naar cloudanalyse, digital-twin-scenario’s en toekomstige toepassingen voor voorspellend onderhoud.
Stuur een opzet, een specificatie of drie zinnen over waar het systeem is vastgelopen. Eén gesprek is meestal genoeg om te weten of we bij elkaar passen.
Maatwerksoftware, AI & ML, data en analytics, cloud en security — van de eerste afbakening tot langdurige levering.
Uw privacy is belangrijk. We gebruiken cookies om uw ervaring te verbeteren en content te personaliseren.
