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

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 géén 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.

 

De 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.

 

case1 anomalies 

 

Een dashboard geeft de uitkomsten van voorspellingen. Monteurs gaan deze in de praktijk evalueren. 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!

h2ologoprimair    PARTNER CONTENT

De content op deze pagina is gemaakt door partners van H2O Media. De inhoud valt buiten de redactionele verantwoordelijkheid van H2O.

Wilt u hier uw content presenteren? Bel naar 070 3234 070 of mail naar h2o@mooijmanmarketing.nl.

Aanmelden voor H2O Nieuws
Ontvang twee keer per week het laatste waternieuws in je mailbox!