Eerder inzicht in afwijkende situaties
Opdrachtgever: Platform Water Vallei en Eem
De vraag
Hoe kan Platform Water Vallei en Eem in een vroeg stadium signalen ontvangen over afwijkende situaties in het rioolstelsel?
Platform Water Vallei en Eem is een samenwerkingsverband op het gebied van waterbeheer tussen Waterschap Vallei en Veluwe en verschillende gemeenten in de regio. Het platform beschikt over software waarmee centraal alle kunstwerken (zowel gemeentelijke riolering als die van het waterschap) kunnen worden gemonitord en aangestuurd. De data afkomstig van sensoren uit kunstwerken wordt gevisualiseerd en veelal handmatig uitgelezen. Veel werk, waardoor afwijkende situaties over het hoofd gezien kunnen worden. Denk aan instromend oppervlakte water, een sensor die kapot gaat of een verstopping. De vraag is daarom: kunnen we automatisch signaal krijgen als een waarde gezien de omstandigheden, bijvoorbeeld neerslag of droogte, afwijkend is?
De aanpak
Platform Water Vallei en Eem wil naast het beantwoorden van de vraag ook meer leren over data science en de verschillende technieken. Ze hebben daarom gebruik gemaakt van Y-Flex, een manier om snel je data science capaciteit te vergroten. Gezamenlijk met de betrokken collega’s heeft data scientist Loes een aantal basistechnieken gebruikt om meer waarde uit de data te halen. In deze fase hebben we de scope nog beperkt gehouden en ons gericht op één specifiek kunstwerk, namelijk overstorten.
De oplossing
Als oplossing is een anomaly detection model ontwikkeld waarmee ‘outliers’ kunnen worden gesignaleerd in de data. Dit model is specifiek gericht op overstorten, maar ook met enige finetuning toepasbaar op andere kunstwerken. Het model voorspelt de waterstand bij een overstort aan de hand van verschillende kenmerken zoals het weer en het seizoen. Deze data wordt vergeleken met de actuele meting. Zodra de twee waardes substantiëel van elkaar afwijken, noemen we dit een outlier. Dit kan meerdere dingen betekenen: de sensor is aan vervanging toe óf er is iets aan de hand, zoals instroom van oppervlaktewater of een verstopping in het systeem.
Hier zie je een outlier: het model verwacht dat de waterstand na de bui zakt (blauwe lijn), terwijl de gemeten waterstand op hoger niveau blijft steken (zwarte lijn). Oorzaak: een verstopping.
” Met het model kun je al in vroeg stadium zien aankomen wanneer een sensor kapot gaat “
De impact
Met het model kunnen situaties als het kapotgaan van een sensor al ver van tevoren worden voorspeld. Samen met het Platform en haar leden onderzoeken we hoe we dit kunnen doorontwikkelen en implementeren in softwaresystemen, zodat onnodige kosten worden vermeden en er meer inzicht in het rioolsysteem ontstaat.
MEER WETEN?
