kunnen
bijdragen
aan
voorspelbaar
onderhoud. Datagericht werken speelt hierin een belangrijke rol en daarvoor zijn binnen Rijkswaterstaat ook diverse initiatieven opgericht, waaronder
het
Datalab. “Veel van de kunstwerken zijn verouderd en bevinden zich aan het eind van hun levenscyclus. Dan is een slimme aanpak vereist om die opgave tot een goed eind te brengen”, stelt Gilbert Westdorp, die in 2014 aan de wieg stond van de ontwikkelingen richting voorspel- baar onderhoud binnen Rijkswaterstaat en sindsdien een vaste waarde is in het Vitale Assets-programmateam. “Als we de staat van kunstwerken goed in beeld hebben, dus welke kunstwerken nog een aantal jaar meekunnen en welke meteen vervangen moeten worden, dan kan voorspelbaar onderhoud ons helpen de grote golf over de komende decennia uit te smeren en af te vlakken. Daarbij is het opbouwen en vasthouden van ken- nis heel belangrijk voor Rijkswaterstaat.”
Centrale data-infrastructuur De eerste stap bij voorspelbaar onder- houd komt voor rekening van de asset- manager; die moet bepalen welke elek- trotechnische installaties cruciaal zijn voor het functioneren van een kunst- werk. “Met welke maatregelen is falen van deze installaties te voorkomen of heel snel te herstellen? Dat kan bijvoor- beeld door onderdelen op voorraad te hebben, maar ook door het functione- ren te monitoren met behulp van aan- vullende sensoren. Bij Sluis Eefde, en ook bij andere pilotprojecten binnen het
“MET VOORSPELBAAR ONDERHOUD ZIJN WE IN STAAT PRECIES OP TIJD IN TE GRIJPEN”
Het goed functioneren van kunstwerken zal een modal shift in vervoer voorkomen. ] Foto: Rijkswaterstaat
Vitale Assets-programma, meten deze aanvullende sensoren bijvoorbeeld het vermogen of de trillingen in pompen of motoren en helpen ze ons te voorkomen dat kunstwerken gaan falen”, verklaart De Bruijne. De data uit de sensoren wor- den digitaal ingewonnen en in een cen- trale
data-infrastructuur
Daar worden ze gecombineerd met de zogeheten SCADA-data – Supervisory Control And Data Acquisition – data uit het besturingssysteem van de kunst- werken zelf. “Ook daarin bevinden zich sensoren, zeker in de modernere objec- ten, die bijvoorbeeld trillingen en water- standen meten. Die data zeggen soms al heel veel”, aldus Westdorp.
Vervolgens worden alle data geana- lyseerd en worden met behulp van machine
learning algoritmen ontwik-
keld, op basis waarvan afwijkingen in een kunstwerk worden getoond in een dashboard.
“Assetmanagers moeten opgeslagen.
dus in staat zijn het dashboard goed te interpreteren en daarop actie te onder- nemen, zoals besluiten of er onderhoud noodzakelijk is”, zegt De Bruijne, die aan de hand van een praktijkvoorbeeld bij Sluis Eefde het nut van SCADA-data illustreert. “Uit een analyse kwam naar voren dat twee van de vier pompen al langere tijd niet werden ingeschakeld, zonder dat men dat
in de gaten had.
Dat ongelijkmatig gebruik betekent dat de slijtage aan twee pompen heel groot is en deze eerder dan verwacht onder- houd nodig zullen hebben. Als dit euvel niet was ontdekt, had het op den duur tot mindere beschikbaarheid van het kunstwerk geleid.”
Bij Sluis Eefde meten aanvullende sensoren bijvoorbeeld het vermogen of de trillingen in pompen of motoren. ] Foto: Rijkswaterstaat
Leercyclus Voorspelbaar onderhoud op basis van data vergt dat assetmanagers leren hoe hiermee te werken. “Sensoren meten bij- voorbeeld het stroomverbruik en als dat wijzigt, moet je dat afzetten tegen andere indicatoren zoals temperatuur en een hoge of juist lage waterstand. Dat laatste kan leiden tot verklaarbare afwijkingen, dat moet een assetmanager goed kun- nen interpreteren”, aldus De Bruijne. Een
OTAR Nr.1 - 2021 19
Page 1 |
Page 2 |
Page 3 |
Page 4 |
Page 5 |
Page 6 |
Page 7 |
Page 8 |
Page 9 |
Page 10 |
Page 11 |
Page 12 |
Page 13 |
Page 14 |
Page 15 |
Page 16 |
Page 17 |
Page 18 |
Page 19 |
Page 20 |
Page 21 |
Page 22 |
Page 23 |
Page 24 |
Page 25 |
Page 26 |
Page 27 |
Page 28 |
Page 29 |
Page 30 |
Page 31 |
Page 32 |
Page 33 |
Page 34 |
Page 35 |
Page 36 |
Page 37 |
Page 38 |
Page 39 |
Page 40 |
Page 41 |
Page 42 |
Page 43 |
Page 44 |
Page 45 |
Page 46 |
Page 47 |
Page 48 |
Page 49 |
Page 50 |
Page 51 |
Page 52 |
Page 53 |
Page 54 |
Page 55 |
Page 56
