Slimmer onderhoud door voorspelbare nivelleertijden

Als een schip door een sluis vaart, verloopt dit altijd volgens hetzelfde proces van sluiten, nivelleren en openen. Dit wordt ook wel het SNO-proces genoemd. ‘Zodra een schip de sluiskolk is ingevaren, sluiten de sluisdeuren’, legt Jelle Scholman, maintenance engineer in de Rijkswaterstaatregio West-Nederland Noord, uit. ‘Daarna begint het nivelleerproces: water wordt toegevoegd of afgevoerd tot het waterniveau in de kolk gelijk is aan het niveau aan de andere kant van de sluis. Daarna gaan de deuren open en kan het schip verder varen.’

Normaal gedrag

Juist het nivelleerproces is interessant voor datagedreven assetmanagement. ‘Voor bijna elke sluis geldt dat nivelleren een kritisch onderdeel is van het schutproces’, vertelt Christian Oberdorfer, product owner assetspecifieke dashboards bij DGAM/Rijkswaterstaat. ‘Als je de nivelleertijd nauwkeurig kunt voorspellen, krijg je ook inzicht in afwijkingen. Die kunnen namelijk een indicatie zijn voor mogelijke problemen, zoals slijtage, vervuiling of een technisch probleem.’ Reden genoeg om hier dieper in te duiken. In de praktijk is het echter nog niet zo makkelijk om te voorspellen hoe lang het nivelleren duurt. ‘De nivelleertijd hangt af van het verschil in waterstand’, vertelt Scholman. ‘Bij sommige sluizen fluctueert dit behoorlijk door seizoensinvloeden, regen of getijden. Daardoor zijn de nivelleertijden steeds weer anders. Wat is dan “normaal” gedrag? Dat hebben we in eerste instantie zelf proberen uit te vinden met behulp van een simpel regressiemodel. Dit leverde helaas geen betrouwbare resultaten op.’

Afwijkingen zijn waardevol

Vervolgens zetten Scholman en Oberdorfer hier een opdracht voor uit bij het Data & AI Lab van Rijkswaterstaat. Data scientist Puck Imants vertelt dat er eerst een proof of concept werd uitgevoerd. ‘Daarin hebben we onderzocht of het mogelijk zou zijn om op basis van historische data nivelleertijden betrouwbaar te voorspellen. Dit bleek verrassend goed te lukken.’ Daarna ging het team door met een MVP, een minimum viable product: het ontwikkelen van een werkende toepassing die in de praktijk draait bij meerdere sluizen, waaronder de Oranjesluizen, sluis Empel en de Volkeraksluizen. Inmiddels voorspelt het model op basis van actuele en historische data hoe lang het nivelleerproces van een sluis normaal gesproken duurt. Vervolgens kijkt het naar het verschil tussen de voorspelde en de werkelijke tijd. Die afwijkingen waarnemen is waardevol, omdat een groter wordende afwijking reden kan zijn om in te grijpen. ‘Als een nivelleerschuif bijvoorbeeld niet helemaal opent, zie je dat terug in de data’, legt Scholman uit. ‘In het verleden merkten we dit vaak pas bij een daadwerkelijke storing. Nu zien we eerder dat prestaties langzaam achteruitgaan.’

Intensieve samenwerking

Een belangrijke succesfactor bij de totstandkoming van het model was de intensieve samenwerking tussen alle verschillende disciplines binnen Rijkswaterstaat. Data-experts brachten kennis over machine learning en modellering in, terwijl onderhoudsspecialisten en assetmanagers context toevoegden vanuit de praktijk. ‘Je kunt een model bouwen, maar als je niet begrijpt hoe een sluis fysiek werkt, mis je cruciale inzichten’, zegt Cas van Rijn, data engineer bij het Data & AI Lab. ‘Een bezoek aan een sluis tijdens de kick-off van het project maakte voor ons echt het verschil. Dan zie je ineens hoe sensoren werken, welke onderdelen bewegen en wat bepaalde signalen in de data daadwerkelijk betekenen.’ Ook de korte lijnen tussen de teams waren essentieel. Als de mensen van het Data en AI Lab vragen hadden over installaties of het interpreteren van data, werden die snel opgepakt door objectdeskundigen uit de Rijkswaterstaatregio’s. Oberdorfer noemt dat heel waardevol. ‘In plaats van werk over de schutting te gooien, werkten we samen als één team. Daardoor ontstond veel begrip en boekten we sneller resultaten.’