Technische Toepassingen

Data science, machine learning en kunstmatige intelligentie bieden nieuwe mogelijkheden om installaties en constructies te monitoren, aan te sturen en te onderhouden.

Digitalisering is een belangrijk thema in de industrie, bij nutsbedrijven en in de weg- en waterbouw. Data science is daarin een centrale technologie. Lees hoe data science wordt ingezet voor technische toepassingen.

De rol van data science in de technische sector

Digitalisering is een belangrijk thema in de technische sector. Digitial twins zijn de hype van de dag. Data science is een belangrijk element in deze ontwikkeling. Het verandert de manier waarop we assets monitoren en aansturen, optimaliseren en onderhouden.

Van sensor tot informatie

Sensoren worden almaar goedkoper, connectiviteit is ruimschoots voorhanden en data opslag is nauwelijks nog een issue. Dat alles maakt het relatief eenvoudig om allerhande informatie te verzamelen over de toestand van assets. Dat kunnen installaties of machines zijn. Maar ook distributienetwerken, bruggen, wegen, kanalen, gemalen en allerhande andere zaken.

Zulke sensorgegevens zijn notoir onbetrouwbaar. Sensoren zijn niet altijd goed gekalibreerd. Verbindingen vallen soms weg. En de systemen waarmee de gegevens ingezameld worden hebben soms hun eigen problemen. Bovendien worden soms grote hoeveelheden data gegenereerd (big data) terwijl maar een fractie daarvan echt nuttig is.

De taak van de data engineer is om deze ruwe data om te zetten in een betrouwbare datastroom. Dat omvat het terugbrengen van de gegevens tot de fractie die nuttig is en het detecteren van allerhande fouten en artefacten. Ook het repareren van fouten of het verwijderen van foutieve gegevens is onderdeel van data engineering. Waar nodig kunnen schattingen gegeven worden voor ontbrekende data (imputatie).

Data uit sensoren is niet altijd numeriek. Vaak is heel veel nuttige informatie te vinden in logfiles. Data science in combinatie met text mining is de beste manier om de relevante gegevens te vinden in logfiles. Data kan ook de vorm hebben van beelden. In dat geval kunnen geavanceerde beeldherkenningsmethodes gebruikt worden om uit die beelden informatie te halen die verder verwerkt kan worden.

Uitbreiden van sensor data naar een compleet 3D of 4D beeld

Hoewel sensoren relatief eenvoudig in te zetten zijn, blijven er vaak situaties waarbij men wil weten wat er tussen de sensoren gebeurt. Of wat er gaande is op plekken waar sensors niet ingezet kunnen worden.

In die gevallen kan een rekenmodel van de asset uitkomst bieden. Daarmee kunnen de meetgegevens geïnterpoleerd of geëxtrapoleerd worden op een fysische correcte manier.

De technieken om dat te doen staan bekend onder de term data assimilatie. VORtech heeft deze technieken in een groot aantal gevallen ingezet: van het verkrijgen van een real time 3D beeld van de temperatuurverdeling in een datacenter (zie onze nieuwsbrief van oktober 2017) tot het detecteren van problemen in rioolstelsels en waterdistributienetwerken.

Het monitoren van assets

Het verzamelen van gegevens is als zodanig niet nuttig. De meerwaarde ontstaat als de gegevens ook echt gebruikt worden.

Daarvoor moet de data vaak op een overzichtelijke manier gepresenteerd worden aan de operator. Dat gebeurt via een dashboard waarop de operator de belangrijke gegevens kan zien en kan doorklikken om ze te analyseren. Het ontwikkelen van een dashboard kan op basis van een standaard platform. Maar met moderne web technologie is het meestal net zo handig om een eigen dashboard te bouwen. Zo heeft VORtech bijvoorbeeld de WBViewer ontwikkeld voor Rijkswaterstaat.

Achter een dashboard zit vaak een verzameling services die gebaseerd zijn op data science. Die verrijken de originele gegevens met afgeleide data ten behoeve van de operator. Met data science kunnen bijvoorbeeld abnormale situaties gedetecteerd worden waarop een alarm afgegeven kan worden. Een voorbeeld daarvan is het werk dat VORtech heeft gedaan aan de Dynamische Bandbreedtemonitor van Vitens. Die geeft een alarm bij indicaties van een lekkage in het leidingstelsel.

Technieken uit de hoek van kunstmatige intelligentie kunnen gebruikt worden om operators te ondersteunen. Daarmee kunnen geautomatiseerd handelingsadviezen gegeven worden. Hetzij op basis van bedrijfsregels, hetzij op basis van machine learning algoritmen die getraind zijn op basis van voorgaande informatie. Ook kunnen dit soort technieken helpen om snel een probleem te diagnosticeren, bijvoorbeeld met behulp van Bayesian networks.

Control en optimalisatie

Data science speelt een belangrijke rol in de aansturing van installaties. Een machine learning algoritme kan, op basis van voorgaande informatie, voorspellingen doen over de ontwikkeling van een systeem en daarbij de juiste acties ondernemen.

Een interessant voorbeeld (gebaseerd op reinforcement learning) is een neuraal netwerk dat wordt getraind door te spelen met de instellingen van een systeem en te kijken wat het effect daarvan is. Dit neurale netwerk leert dan vanzelf hoe het het systeem optimaal kan laten werken. Dit is een schoolvoorbeeld van een slim systeem dat de naam kunstmatige intelligentie zeker waard is.

Maar deze benadering kan niet gebruikt worden als de optimale instelling van het systeem buiten het bereik van het speelveld van het neurale netwerk ligt. Of als het systeem dermate kritisch is dat je het neurale netwerk er niet mee wilt laten spelen.

In zulke gevallen wordt vaak een rekenmodel gebruikt in de control loop (model predictive control of model based control). Het nadeel is dat zulke rekenmodellen vaak veel rekenwerk vragen. Dat probleem kan opgelost worden met benaderende of gereduceerde modellen. Ook daarbij kan machine learning weer gebruikt worden: in principe kan een neuraal netwerk getraind worden om zich te gedragen zoals het model zich gedraagt. In de control loop kan het neurale netwerk dan dienen als een efficiënte stand-in voor het echte model.

Tenslotte is het uiteraard ook mogelijk om een neuraal netwerk te trainen met een rekenmodel als stand-in voor het echte systeem. Dat maakt het mogelijk om ook situaties te trainen die men in praktijk nooit tegen hoopt te komen.

Onderhoud

Voorspellend onderhoud (predictive maintenance) was een van de eerste toepassingen van data sciene in de technische sector en is nog steeds een van de meest bekende.

Om dit te realiseren verzamelt de data scientist zoveel mogelijk gegevens over storingen in het verleden en probeert daar met behulp van data science signalen in te vinden die een aankomende storing voorspellen. Als het voorspellingsalgoritme nauwkeurig genoeg is dan kan het operationeel gebruikt worden om onderhoud in te plannen.

In veel gevallen kan deze benadering de onderhoudskosten enorm verlagen. Nu wordt onderhoud immers nog relatief veel gedaan omdat men niet kan inschatten wat het risico is als er langer gewacht wordt. Met voorspellend onderhoud valt dat bezwaar weg. Helaas blijkt het vaak wel lastig om een voldoende grote dataset van storingen te krijgen.

Bent u geïnteresseerd?

VORtech opereert aan het front van technologie voor voorspellingen en analyses. Data science is een belangrijke aanvulling op de gereedschappen uit de wiskunde en IT die we al meer dan 20 jaar inzetten. Als het bovenstaande voor u interessant is, neem dan contact op. We komen graag een keer langs om de mogelijkheden van deze technologie te bespreken.

Bent u geinteresseerd?
Neem contact met ons op voor een vrijblijvend kennismakingsgesprek
Neem contact op