Waterschap draait proef met datagestuurd onderhoud ­rioolgemalen

Data science en AI op een plek waar je het niet direct zou verwachten. Op het hoofdkantoor van Hoogheemraadschap Hollands Noorderkwartier is bijna het hele zevenkoppige projectteam aangeschoven om tekst en uitleg te geven bij een nieuwe exercitie van het waterschap; het inrichten van datagestuurd voorspellend onderhoud van de circa 280 rioolgemalen.

De pompgemalen transporteren het rioolwater naar de vijftien rioolwaterzuiveringen van het waterschap in een gebied ten noorden van het Noordzeekanaal tot en met Texel.

Het team telt uiteenlopende disciplines: van het beheer van de gemalen en de waterzuiveringen tot het onderhoud en data-analyse.

Predictive maintenance

“We verwachten dat predictive maintenance veel waarde toe kan voegen aan onze bedrijfsvoering, zowel om een kwaliteitsslag in het onderhoud te maken als om de uptime van installaties te verbeteren”, vertelt Theo Mosch, kwartiermaker datagedreven waterbeheer.

“We hoeven onze rioolgemalen dan niet meer om de zoveel tijd te bezoeken, maar alleen als er echt iets loos is. We kijken nu in eerste instantie naar wat de techniek ons te bieden heeft in het voorspellen van storingen. Of er een gezonde businesscase ligt, weten we nog niet.”

Machine learning

Het projectteam kijkt specifiek naar de in water opgestelde gemalen, omdat die het meest storingsgevoelig zijn. De proef is in 2019 gestart bij rioolgemaal Zuidbroek in Heemskerk en naar elf rioolgemalen uitgerold.

Het proefproject maakt deel uit van de Proeftuin Machine Learning Pompgemalen van Fieldlab CAMINO. Nog drie andere waterschappen doen aan deze proeftuin mee.

Fieldlab CAMINO is een initiatief van industriële onderhoudsnetwerkorganisatie World Class Maintenance, die de ambitie koestert het onderhoud aan infrastructurele werken in ons land 100 procent voorspelbaar te maken.

Data science

Waar het projectteam al snel tegenaan liep was het gebrek aan data en de slechte kwaliteit van wat de gegevens die er wel waren.

“Bij de start van het project hebben we met een aantal onderhoudsmonteurs gekeken welke data er zijn, wat we ermee kunnen en welke aanvullende gegevens nodig zijn”, licht Mosch toe.

Naast storingsinformatie is het stroomverbruik van de motoren van de gemalen een goede indicator voor het detecteren van storingen. Als de pomp zwaarder moet draaien en meer stroom moet verbruiken om het juiste debiet (kubieke meter afvalwater per uur) te halen, kan dat op een verstopping wijzen.

Gegevens over het motorstroomverbruik van de gemalen bleken maar tot twee jaar terug voorhanden. Storingsgegevens werden niet langer dan een jaar bewaard.

Data langer bewaren

“Dat is meteen een van de geleerde lessen”, zegt Mosch: “Zorg dat de data op orde zijn. We hebben het nu zo geregeld dat deze gegevens langjarig worden opgeslagen. Daarnaast willen we met andere waterschappen data gaan uitwisselen, al lopen de verschillende IT-systemen die in onze sector in gebruik zijn, nogal uiteen. Dus dat zal niet eenvoudig zijn.”

Trillingsniveau

Om aanvullende data voor het voorspellend onderhoud te verzamelen, werd het gemaal in Zuidbroek voorzien van twee trillingssensoren.

“Vooral hoogfrequente trillingen zijn een geschikte parameter om de noodzaak van onderhoud te voorspellen. Op die manier kun je ook mechanische schade detecteren. Elke storing laat een eigen vingerafdruk achter. Zaak is dat soort patronen te herkennen. Je kunt storingen mogelijk al een paar dagen van tevoren zien aankomen”, legt maintenance engineer Maud van Ockenburg uit.

Dataset opbouwen

Ook het consistent opbouwen van een dataset bleek niet eenvoudig. “We maakten mee dat een onderhoudsmonteur een van de pompen toch bleek te hebben gesmeerd. Voor de proef was dat juist níet de bedoeling. Als een installatie wordt gereviseerd, gaat deze uit roulatie en ontstaan er gaten in je data”, zegt Van Ockenburg.

In de vier jaar dat het proefproject draait, bleek het lastig bij de verzamelde data garen te spinnen. “In de praktijk hebben we niet zoveel storingen”, vertelt Mosch. “De geteste rioolgemalen draaiden gewoon goed. En een dataset bouw je nu eenmaal op basis van storingen op. Binnen het totale arsenaal aan installaties dat we hebben, komen regelmatig storingen voor, maar of dat voldoende oplevert voor een gezonde businesscase, is nog onduidelijk.”

Storingen voorspellen

Het eerste model om storingen te voorspellen is inmiddels opgesteld. Op basis van data van eerdere storingen is een algoritme geschreven, dat de patronen die aan een storing voorafgaan, herkent.

Deze data worden vanaf de gemalen via het procesautomatiseringssysteem naar de kantooromgeving op de regiekamer van het waterschap in Alkmaar gestuurd. Door de Business Intelligence-afdeling is een dashboard gebouwd, om het motorstroomverbruik te volgen.

Model en automatisering worden op dit moment in de praktijk getest. De trillingsdata krijgen pas later een plek in het systeem. Dit spoor bevindt zich nog in de onderzoeksfase.

Realtime monitoring

Als eindgebruiker binnen het waterschap is Tim Buter, als regie-operator verantwoordelijk voor de rioolgemalen en waterzuiveringen in een van de verzorgingsgebieden, tot nu toe enthousiast.

“We gebruiken het dashboard nu alleen nog om terug te kijken hoe de motorstroom van elk gemaal en elke pomp eruit ziet en hoe het debiet zich de afgelopen 48 uur gedragen heeft. Straks kunnen we ook vooruitkijken. Uiteindelijk doel is dat we de monitoring realtime kunnen volgen, om zo het onderhoud aan te sturen en beter te kunnen plannen. De rioolgemalen, waarvan we zien dat ze minder presteren, kunnen we naar voren halen in de onderhoudsplanning”, zegt Buter.

Business-driven

Het projectteam gaat het systeem de komende jaren nog doorontwikkelen. “We laten ons voeden door de ervaringen van de medewerkers bij de operatie”, vertelt Mosch.

“Ook willen we er zoveel mogelijk medewerkers mee laten werken. Iedereen moet de voordelen van datagedreven werken leren ervaren. Het hele traject is tot nu toe vooral technology-push geweest.

We hebben nu inderdaad een mooie technologie in huis, waar we veel mee kunnen. Maar je wilt naar business-driven toegaan. Dat de medewerkers in de operatie zeggen: ik wil dat dashboard hebben, want dan kan ik mijn werk beter doen.

Die kanteling is nu in gang gezet, maar is wel cruciaal voor dit soort innovaties. Alleen dan wordt het een succes. We willen deze discipline beslist in eigen huis houden.

Er zijn leveranciers genoeg die pakketten op het vlak van predictive maintenance aanbieden, maar we vinden juist dat we zelf voldoende kennis moeten hebben van de installaties van het waterschap.”

Datagestuurd voorspellend onderhoud: 5 tips

1. Zorg dat er voldoende data zijn en dat deze op orde zijn. Data zitten vol fouten, leert de ervaring. Organiseer het zo dat data langjarig opgeslagen worden en bouw kwalitatief goede datasets op, die zijn geborgd door validaties. Wissel vergelijkbare data uit met andere organisaties in de sector.
2. Test het systeem voor datagestuurd onderhoud uit onder zoveel mogelijk medewerkers; zo kan iedereen ermee leren werken en van het nut van datagestuurd onderhoud voor zijn of haar werk overtuigd raken.
3. Voor bedrijven die veel technische installaties in het proces hebben, is het raadzaam de kennis over data science en AI en de toepassing ervan in eigen huis te houden; zo blijft de kennis over installaties eveneens binnen de eigen organisatie en blijf je bovendien een goede gesprekspartner voor leveranciers.
4. Stel voor een datagestuurd onderhoud-project een multidisciplinair team samen met niet alleen maintenance- en data science-specialisten, maar ook medewerkers in de operatie; zorg daarbij voor een goede communicatie om kennis en ervaringen te delen.
5. Zet met name in op hoe de eindgebruikers binnen de organisatie het systeem van datagestuurd onderhoud ervaren; laat je door hen voeden. Houd continu voor ogen dat het systeem ook daadwerkelijk gebruikt moet gaan worden.