Predictive maintenance van rioolgemaal Zuidbroek

Opdrachtgever
Hoogheemraadschap Hollands Noorderkwartier
Jaar
2021
Locatie
Heemskerk

Het Hoogheemraadschap Hollands Noorderkwartier (HHNK) beheert honderden rioolgemalen voor het transport van afvalwater naar de zuivering. Een storing in een gemaal kan leiden tot (vuil)wateroverlast en om dat te voorkomen worden de gemalen volgens een periodiek onderhoudsplan onderhouden. Ondanks dit onderhoudsplan kan natuurlijk altijd een storing optreden door bijvoorbeeld verstopping. Bij het optreden van een storing krijgt een monteur een alarm en gaat de weg op om dit te verhelpen. Ook als een storing ’s nachts of in het weekend gebeurt. HHNK wil onderzoeken of deze storingen te voorspellen zijn en daarmee de periodieke onderhoudsstrategie veranderen richting een risico-gestuurde onderhoudsstrategie; predictive maintenance. Voor predictive maintenance is het vereist om actueel inzicht te hebben in het functioneren van gemalen en om storingen voor te zijn. Hiervoor is in deze studie met machine learning een operationeel model en dashboard ontwikkeld.

De uitdaging

Voor actueel inzicht in het functioneren van de gemalen en het voorspellen van storingen is een betrouwbaar model nodig dat wordt gevoed door real-time data. Kenmerken van een dataset met storingen is de binariteit (wel of géénn storing) en de scheve verdeling van de data (veel metingen en weinig storingen). Bij dergelijke kenmerken van de data, passen machine learning technieken als random forests, support vector machines en k-nearest neighbors.

Onze oplossing

In deze studie is eerst onderzocht welke informatie storingen kunnen verklaren. Hiervoor is één gemaal, rioolgemaal Zuidbroek, voorzien van extra sensoren voor het hoogfrequent registreren van trillingen, temperatuur en motorstroom naast de gebruikelijke variabelen (energieverbruik, debiet, vullingsgraad, persdruk, etc.). Hiervoor hebben we de verklarende eigenschappen van de verschillende variabelen onderzocht. De verklarende eigenschap van een variabele geeft aan hoeveel een variabele bijdraagt aan het optreden van een storing.

Op basis van de meest verklarende variabelen zijn de storingen voorspeld aan de hand van een random forest regression model. Hiervoor is, zoals gebruikelijk, de dataset opgesplitst in twee delen: een trainings- en testset.

Het resultaat

In een dashboard zijn de uitkomsten van voorspellingen beschikbaar voor de monteurs en deze worden momenteel in de praktijk geëvalueerd. Na een succesvolle praktijktoets op basis van een hoge betrouwbaarheid wil HHNK een kosten-batenanalyse uitvoeren. Indien de kosten voor het plaatsen en beheren van de extra sensoren zijn weg te strepen tegen de baten van het voorkomen van storingen (buiten werktijd), dan kan de risico-gestuurde onderhoudsstrategie verder uitgerold worden naar meerdere gemalen. Predictive maintenance in de afvalwaterketen komt zo weer een stap dichterbij!

Alle cases

Voor meer informatie praten we u graag bij over dit onderzoek.

  • Dit veld is bedoeld voor validatiedoeleinden en moet niet worden gewijzigd.
close