Predictive maintenance: de voor- en nadelen van de verschillende technieken

Tijdens projecten in de watersector komen we vaak in aanraking met zogenaamde tijdsreeksdata van bijvoorbeeld (riool)gemalen. In een eerdere blog bespraken we drie voorbeelden van analyses op basis van dit soort data. Een van de toepassingen die we vaak gebruiken is het detecteren van afwijkingen (anomalies) op basis van tijdsreeksen. Een afwijking kan slaan op een sensorfout of een verstopping van de pomp. Maar een afwijking kan ook te maken hebben met ernstigere problemen zoals een kapotte/versleten pomp of een pomp die relatief veel stroom verbruikt voor het water dat verpompt wordt.

Het tijdig opsporen van dit soort afwijkingen is onderdeel van het werkveld predictive maintenance; technieken om de conditie van apparatuur te bepalen en in te schatten wanneer onderhoud moet worden uitgevoerd. Voor rioolbeheerders is het erg waardevol om te weten wanneer onderhoud uitgevoerd moet worden, in plaats van pas onderhoud te plegen als er een duidelijke storing heeft plaatsgevonden.

Lieke van Uden heeft tijdens haar afstuderen met ons gekeken naar het detecteren van afwijkingen op rioolgemalen en het vergelijken van verschillende technieken. Hierin heeft ze gekeken naar de verschillen tussen de meer traditionele physical performance indicatoren en virtual performance indicatoren. In deze blog leggen we deze technieken uit.

Performance indicator

Om de toestand van een machine (in dit geval gaat het om een rioolgemaal) te monitoren moeten we een performance indicator bepalen. Dit kan een physical performance indicator zijn of een virtual performance indicator. In het eerste geval wordt er gebruik gemaakt van de fysieke eigenschappen van de machine. In het tweede geval wordt er een indicator gemaakt op basis van een combinatie van verschillende gemeten sensorwaarden. Een virtual performance indicator heeft geen fysieke betekenis, maar kan wel gebruikt worden om de toestand van een machine te monitoren. 

Physical performance indicator

Voor gemalen is een physical performance indicator bijvoorbeeld de pump efficiency. Om de pump efficiency te berekenen hebben we het debiet (hoeveelheid verpompt water), de druk en de energieconsumptie nodig van het gemaal. Als de pomp ook nog eens een variabele frequentie heeft, dan moet daar ook mee rekening worden gehouden. 

Het komt erg vaak voor dat niet al deze waarden live worden bijgehouden, waardoor het real-time monitoren van een gemaal op deze manier erg lastig is. Een alternatief is het voorspellen van een fysiek kenmerk om vervolgens te meten of de voorspelde waarde afwijkt van de gemeten waarde. In dit geval is het energieverbruik een goede indicator van het functioneren van een pomp. Als het gemaal meer energie gebruikt dan verwacht, dan kan dat een indicatie dat er iets fout gaat. Om dit te kunnen voorspellen maken we gebruik van een lineair regressie-model of van quantile regression forests.

Virtual performance indicator

De vorige twee technieken (pump efficiency en het voorspellen van energieverbruik) hebben als nadeel dat er veel domeinkennis nodig is om een model te ontwikkelen en dat het slecht schaalbaar is naar gemalen waar toevallig net iets anders gemeten wordt. Het kan daarom handig zijn om ook te kijken naar virtual performance indicators. Een manier om zo’n virtual performance indicator te maken is met een autoencoder. Een autoencoder is een neuraal netwerk waarvan de output een reconstructie is van de input. Het model probeert door middel van een laag met weinig neurons een zo goed mogelijke ‘samenvatting’ te maken van de input. Deze samenvatting wordt vervolgens weer omgezet naar een output. Hoe meer de input en output op elkaar lijken, hoe beter het model is. Door vervolgens gebruik te maken van een Recurrent Neural Network (RNN) is het mogelijk om een autoencoder te maken, die ook overweg kan met tijdseries data. 

Als we dit model trainen op ‘normale’ data (data zonder storingen), leert de autoencoder dus de normale situatie zelf samen te vatten. Als het model vervolgens abnormale data ziet, is het model niet goed in staat om een goede samenvatting te maken De autoencoder zal meer fouten maken bij het reconstrueren van de input, waardoor de in- en output te veel van elkaar verschillen. Deze fouten zijn een indicatie van de virtuele conditie van de machine, hoe meer fouten in het model hoe minder normaal de data is en het rioolgemaal dus abnormaal gedrag vertoont Dit kan een indicatie zijn dat er mogelijk een storing aan komt. 

Snel inzicht in de conditie van een gemaal

Uit onze experimenten bleek dat het gebruiken van een virtual performance indicator met behulp van een autoencoder vooral goed werkte op rioolgemalen waar wat meer data van werd bijgehouden. Op rioolgemalen waar bijvoorbeeld alleen energieconsumptie en waterhoogte werd bijgehouden bleek dat het kiezen voor een physical performance indicator met lineaire regressie beter werkte. 

Deze uitkomst is logisch: een gemaal dat minder variabelen meet, heeft een minder ingewikkeld model nodig om de relaties tussen de gemeten waarden te modelleren, terwijl een ingewikkeldere techniek als autoencoders zich beter leent voor een groter gemaal waar meer waarden worden gemeten. Beide aanpakken hebben als voordeel dat ze kunnen worden toegepast in veel verschillende situaties, terwijl de klassieke manier van pump efficiency berekenen alleen werkt op een gemaal waarvan je alle waarden meet. 

Dit soort technieken kunnen rioolbeheerders erg helpen om meer grip te krijgen op hun gemalen. Physical en virtual performance indicators geven snel inzicht in de conditie van de gemalen en maken het mogelijk om proactief onderhoud te plegen, waardoor sommige storingen mogelijk kunnen worden voorkomen. Wil je meer weten over deze technieken of toepassingen hiervan? Neem dan met ons contact op!

Geef een reactie

Het e-mailadres wordt niet gepubliceerd. Vereiste velden zijn gemarkeerd met *