Control Seat

Control Seat သည် San Francisco မှ YC startup ဖြစ်ပြီး စက်ရုံ၏ ရှိပြီး historian ဒေတာကို wireless vibration နှင့် ultrasonic sensor များနှင့် ပေါင်းစပ်ကာ စက်ပျက်စီးမီ ကြိုတင်လက္ခဏာများကို ရှာဖွေပြီး အင်ဂျင်နီယာများကို သဘာဝဘာသာစကားဖြင့် root cause ကို ရှာဖွေစေသည်။

လုပ်ဆောင်ချက်များနှင့် သင့်လျော်သည့် အသုံးပြုမှုများ

predictive maintenance ကို ဆယ်နှစ်ကျော် ပြောခဲ့ကြပြီး စက်ရုံအများစု မလုပ်ဖြစ်ရသည့် အကြောင်းရင်းမှာ လက်တွေ့ကျသည် - sensor အသစ် တစ်စုံလုံး တပ်ဆင်ရမည်ဖြစ်၍ ရင်းနှီးမြှုပ်နှံမှု များပြီး ပြန်ရမှု နှေးသည်။ Control Seat ၏ ဝင်ရောက်ချက်မှာ သင်ရှိပြီးသားအရာကို ဦးစွာ အသုံးပြုခြင်းဖြစ်သည် - AVEVA PI၊ Ignition သို့မဟုတ် မည်သည့် ရှိပြီး ဒေတာဘေ့စ်ရှိ process data တွင် အပူချိန်၊ ဖိအား၊ လျှပ်စီးကြောင်း အစဉ်မှတ်တမ်းတင်ထားပြီးဖြစ်ကာ ဤဒေတာများ၌ စက်ပျက်လက္ခဏာများ ဝှက်နေသော်လည်း တူးဖော်ရန် အချိန်မရှိသူ မရှိသဖြင့်ဖြစ်သည်။ စနစ်က ဤ historian ဒေတာကို ချိတ်ဆက်ကာ လိုအပ်လျှင် wireless vibration နှင့် ultrasonic sensor အနည်းငယ် ဖြည့်ခြင်းဖြင့် bearing ပွန်းစားခြင်း၊ မညီမျှခြင်း၊ alignment မကောင်းခြင်း၊ gear ပွန်းစားခြင်း၊ cavitation နှင့် filter ပိတ်ဆို့ခြင်း စသည့် ဘုံ ပျက်စီးမှုပုံစံများကို ဖော်ထုတ်နိုင်သည်။ ၎င်းက "context-aware alert" ကို အလေးထားသည် - စက်တကယ် ယိုယွင်းနေသလား သို့မဟုတ် load ပြောင်းလဲမှုကြောင့် တန်ဖိုး လှုပ်ခါခြင်းသာလား ကို ခွဲခြားနိုင်ပြီး ၎င်းသည် predictive maintenance ၏ အဖြစ်များဆုံး false alarm အရင်းအမြစ်ဖြစ်သည်။ နောက်ထပ် အသုံးဝင်သော ဒီဇိုင်းမှာ natural language query ဖြစ်ပြီး အင်ဂျင်နီယာက တိုက်ရိုက်မေးမြန်း၍ root cause analysis လုပ်နိုင်ကာ query ကို ကိုယ်တိုင်ရေးရန် မလိုပါ။ interface က စက်ကျန်းမာရေး လမ်းကြောင်းနှင့် process data ကို time axis တစ်ခုတည်းတွင် ဆွဲပြသည်။ ပစ်မှတ်စက်မှုလုပ်ငန်းများတွင် ကုန်ထုတ်လုပ်မှု၊ process နှင့် utility၊ စွမ်းအင်၊ ရေသန့်စင်ခြင်း၊ လေကြောင်းနှင့် အဆောက်အအုံစီမံခန့်ခွဲမှုတို့ ပါဝင်သည်။ ဝဘ်ဆိုက်တွင် စျေးနှုန်း ထုတ်ဖော်မထားပါ။

SCADA/historian ရှိပြီး predictive maintenance မလုပ်ရသေးသည့် စက်ရုံများအတွက် သင့်လျော်သည်။ အထူးသဖြင့် sensor budget အကြီးအကျယ် တစ်ကြိမ်တည်း မထည့်လိုဘဲ ရှိပြီးဒေတာဖြင့် တန်ဖိုး အရင်စမ်းသပ်လိုသည့် အဖွဲ့များအတွက် သင့်တော်သည်။

အဓိက လုပ်ဆောင်ချက်များ

• ရှိပြီး SCADA/historian ဒေတာ ပေါင်းစပ်ခြင်း (AVEVA PI၊ Ignition၊ ဒေတာဘေ့စ်)
• ရွေးချယ်နိုင်သော wireless vibration နှင့် ultrasonic sensor
• bearing ပွန်းစားခြင်း၊ မညီမျှခြင်း၊ alignment မကောင်းခြင်း၊ gear ပွန်းစားခြင်း၊ cavitation၊ filter ပိတ်ဆို့ခြင်းကို အလိုအလျောက် ဖော်ထုတ်ခြင်း
• context-aware alert၊ ယိုယွင်းမှုနှင့် ပုံမှန် load ပြောင်းလဲမှုကို ခွဲခြားခြင်း
• natural language root cause analysis query
• စက်ကျန်းမာရေးနှင့် process data ကို axis တစ်ခုတည်းတွင် visualize ပြုခြင်း

အသုံးများသည့် နေရာများ

• pump နှင့် motor များ၏ bearing ယိုယွင်းမှု စောစီးစွာ ဖော်ထုတ်ခြင်း
• ရေသန့်စင်စက်ရုံ ကိရိယာများ၏ cavitation နှင့် filter ပိတ်ဆို့မှု စောင့်ကြည့်ခြင်း
• ရှိပြီး process data ဖြင့် predictive maintenance ၏ တန်ဖိုးကို အရင်စမ်းသပ်ခြင်း
• လုပ်ငန်းခွင် အင်ဂျင်နီယာက ကိရိယာ ချွတ်ယွင်းမှု၏ root cause ကို ကိုယ်တိုင် ရှာဖွေခြင်း
• စက်ရုံအသီးသီးရှိ ကိရိယာ ကျန်းမာရေးအခြေအနေကို ညီညွတ်စွာ စောင့်ကြည့်ခြင်း