AI in de watersector: 3 manieren om meer te halen uit sensordata

We krijgen vaak vragen over hoe sensordata verwerkt kan worden tot inzicht. Watermanagers hebben beschikking over steeds meer metingen. Sensoren leveren een continue stroom aan data waar veel meer informatie in zit dan we er nu uit halen.  Bij Ynformed hebben we hier de afgelopen jaren veel ervaring in opgedaan. Dit heeft onder andere geleid tot het SAM-platform: een analytics platform voor sensordata, waarmee we snel betrouwbare inzichten en schaalbare oplossingen kunnen ontwikkelen. 

In deze blog geven we je drie voorbeelden van type analyses die we met behulp van SAM kunnen uitvoeren en hoe analyses op sensordata kunnen worden toegepast voor real-time monitoring & control.

3 technieken en toepassingen van sensoranalyses

Vanuit de branche komen vaak dezelfde soort uitdagingen naar voren als het gaat om sensor analytics. Deze zijn gericht op ofwel real-time monitoring of control. Monitoring gaat over het in de gaten houden of processen en assets: functioneren deze zoals ze horen te functioneren?. Hierbij kun je bijvoorbeeld denken aan het vroegtijdig signaleren van afwijkende gebeurtenissen en daarop alarmeren. Control gaat over het optimaliseren en verslimmen van aansturing op basis van data. Hierbij kun je bijvoorbeeld denken aan het aansturen van een gemaal op basis van een voorspelde waterstand, rekening houdende met historische en verwachte neerslag, verdamping en grondwaterstanden. En rekening houdende met aansturing van andere gemalen en stuwen in de omgeving. 

Ook al is de toepassing anders, technisch gezien lijken de vragen op elkaar. Onderdeel van ons werk als data scientists is een complex probleem te doorgronden en vervolgens vanuit de informatiebehoefte van de eindgebruiker de juiste techniek(en) te vinden om de data te verwerken. We lichten 3 technieken toe die we vaak toepassen. 

Voorbeeld 1: Incident voorspellen aan de hand van grenswaarden met classificatie

Bij veel processen in de watersector hebben we te maken met grenswaarden of bandbreedtes. Vaak zijn dit doelstellingen, maar soms zijn er serieuze gevolgen als een sensorwaarde boven deze grenswaarde uitkomt. Denk aan de waterstand in een rivier, of ernstige vervuiling van water in een waterzuiveringsinstallatie. Als sensorwaarden boven of onder de kritieke grenswaarde komen, noemen we dat een ‘incident’. 

Achteraf blijkt in sommige gevallen dat we door toepassing van data science technieken een incident al hadden kunnen aan zien komen, omdat er voorafgaand aan een incident sprake is van een herkenbaar patroon. Door in deze gevallen automatisch een waarschuwing af te geven over de kans op een toekomstig incident (binnen een tijdsinterval met handelingsperspectief), kunnen incidenten voorkomen of geminimaliseerd worden. 

Een techniek die wij hiervoor gebruiken is classificatie. We ontwikkelen een voorspelmodel dat real-time voorspelt op basis van huidige en historische sensorwaarden wat de kans is dat een waarde binnen een X aantal tijdseenheden boven/ onder de grenswaarden uit gaat komen.

Voorbeeld 2 : Toekomstige waarde voorspellen

Soms willen we meer weten dan of de sensor boven een grenswaarde gaat uitkomen. We willen weten hoe lang een incident gaat duren, hoe hoog de waarde boven de grens zal uitkomen, en wanneer de piek wordt bereikt. Dit kan door historische tijdsreeksen te analyseren en daar een model op te ontwikkelen dat actuele of toekomstige waarden voorspelt. Een model leert bijvoorbeeld hoe een bepaalde waterstand samenhangt met historische en actuele metingen van neerslag, andere waterstanden en verdamping. Hierdoor kan het model voorspellen welke impact verschillende intensiteit van regenbuien op verschillende tijdstippen gaat hebben. Een hevige regenbui na een periode van droogte heeft een andere impact dan na eenzelfde bui na een natte periode. 

Met machine learning kunnen we bij voldoende kwalitatief goede data, een volledig verloop van de toekomstige sensorwaarden voorspellen. Soms is het zelfs mogelijk om de impact van verschillende ingrepen te laten zien (wat gebeurt er met de waterstand als ik in deze situatie de klepstand verander van een stuw?). Zo kan een expert een beter onderbouwde  beslissing nemen over welke maatregel het beste resultaat zal hebben of leidt tot minimale overlast. 

Voorbeeld 3. Anomaly detection met quantile regression

Bij anomaly detection kijken we niet naar de toekomst, maar naar het heden of verleden. We signaleren wanneer het systeem zich anders gedraagt dan we op dat moment verwachten. Hiervoor is het nodig om met machine learning te leren hoe een ‘normaal functionerend’ systeem eruitziet. Een waterstand bij een rioolgemaal kan verhoogd zijn, maar als dit wordt veroorzaakt door regenafvoer is dit normaal gedrag. Als we genoeg data hebben over een normaal functionerend systeem in verschillende omstandigheden, kunnen we dit vergelijken met de werkelijke situatie aan de hand van gemeten en, op datzelfde moment, voorspelde sensorwaarden. Op het moment dat deze ver uit elkaar liggen spreken we van een anomaly: een afwijking. Misschien verwerkt het rioolgemaal een regenbui veel langzamer dan verwacht door een verstopping in het systeem. Of misschien is er sprake van ‘sensor drift’: een natuurlijke neiging van sensoren om te verslechteren over tijd vanwege het verouderen van componenten. 

Belangrijk om te noemen is dat we bij deze aanpak niet naar een specifiek bekend probleem op zoek zijn, maar juist naar onbekende problemen waardoor de sensoren afwijken van de norm. 

Meer waarde uit sensordata?

Dit zijn slechts 3 type analyses op sensordata, maar er zijn nog veel meer mogelijkheden. Wil jij ook meer inzicht halen uit sensordata? Wij denken graag met je mee over met welk type analyse jij meer inzicht uit sensordata kunt halen en hoe je deze inzichten kunt benutten in de praktijk.


Geef een reactie

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