Olje og gass
USA
5 måneder
Kunden driver et anlegg for prosessering og kompresjon av naturgass i USA. Anlegget deres håndterer innløpsseparasjon, gasskompresjon, dehydrering, aminbehandling, kondensatlagring, eksportmåling og fakkelhåndtering — et tett driftsmiljø som genererer kontinuerlige sensordata på tvers av dusinvis av anleggsressurser.
Anlegget kjørte SCADA-systemer, PLC-er, en lokal historian og ingeniørregneark. Alt sammen var begrenset til anleggets nettverk.
Kunden hadde flere års verdifulle anleggsdata. Ingen av dem var klare for bruk i digital tvilling.
Kjerneutfordringene var:
Vi bygde en sikker, strukturert datainfrastruktur som hentet anleggsdata fra SCADA- og historiansystemer og leverte dem til en skybasert AWS-datainnsjø — organisert etter ressurs, standardisert for kvalitet, og klar for bruk i digitale tvillinger.
Vi etablerte en sikker forbindelse fra anleggsnettverket til AWS. Litmus Edge ble tatt i bruk ved OT/IT-grensen for å koble til anleggets SCADA-system og lokale historian i skrivebeskyttet modus. Den samlet inn godkjente driftstagger, utførte innledende validering og databehandling, bufret data ved behov og klargjorde telemetri for skyinnhenting.
Fra Litmus Edge ble utvalgt telemetri sikkert videresendt til AWS IoT Core ved hjelp av MQTT over TLS. AWS IoT Core håndterte enhetsautentisering, kryptert kommunikasjon og telemetriruting fra det industrielle edge-laget inn i AWS. AWS IoT SiteWise organiserte innkommende tidsseriedata rundt fysiske ressurser – kompressorer, separatorer, pumper, ventiler – og gjorde rå SCADA-tagger om til data med ressurskontekst som ga mening for nedstrømssystemer.
Rå, renset og kuratert data ble lastet inn i en strukturert datainnsjø på Amazon S3 med tre distinkte soner. Rå innhenting bevarte kildedataene som de var. Den rensede sonen brukte standardiserte tidsstempler, enheter, taggnavn og kvalitetsflagg. Den kuraterte sonen inneholdt bearbeidede datasett formet spesifikt for digital tvilling- og analysebruk.
Vi gjennomgikk og eksporterte SCADA- og historian-tagglister, og kartla deretter hver sensortagg til tilhørende utstyr og prosessenhet. Resultatet ble et ryddig ressurshierarki for anlegget – som koblet hvert datapunkt til den fysiske ressursen det beskrev.
AWS Glue håndterte rensing, transformasjon og klargjøring i stor skala. AWS Glue Data Catalog lagrer metadata, skjemaer og tabelldefinisjoner slik at datasett er søkbare og kan spørres. Amazon Athena ga ingeniørene direkte SQL-tilgang til data i S3.
Vi kjørte innledende datavalidering for å bekrefte fullstendighet, nøyaktighet og forventede sensorområder på tvers av taggpopulasjonen. Løpende overvåking — bygget med Amazon CloudWatch — oppdaget manglende verdier, utdaterte tagger, unormale avlesninger og innsamlingshull i sanntid.
Grafana ble brukt som ingeniørdashbordlaget oppå kuraterte AWS-data. Det gjorde det mulig for drifts- og ingeniørbrukere å visualisere utvalgte SCADA-trender, overvåke datakvalitetsmålinger, identifisere innhentingshull og gjennomgå viktige ressurssignaler før dataene ble brukt av fremtidige digitale tvilling-applikasjoner.
Kunden fikk et sikkert datagrunnlag for implementering av digital tvilling. Sensordata og SCADA-data fra anlegget ble hentet ut, standardisert, koblet til fysiske ressurser og lagret i AWS. Dette gjorde det mulig for kunden å gå fra isolerte anleggsdata til skybasert analyse, scenarioer med digital tvilling og fremtidige bruksområder for prediktivt vedlikehold.
Send en skisse, en spesifikasjon eller tre setninger om hvor systemet har stoppet opp. Vanligvis er én samtale nok til å finne ut om vi er det rette valget for deg.
Skreddersydd programvare, AI og ML, data og analyse, sky og sikkerhet – fra tidlig prosjektavgrensning til langsiktig levering.
Personvernet ditt er viktig. Vi bruker informasjonskapsler for å forbedre opplevelsen din og tilpasse innhold.
