Categorieën
Cases

Hoe je met Predictive Maintenance storingen van rioolgemalen voorkomt

Hoe je met Predictive Maintenance storingen van rioolgemalen voorkomt

HHNK vingerafdruk in data

In Nederland zijn vrijwel alle huishoudens en bedrijven aangesloten op het rioleringsstelsel. Daarnaast komt er in ons regenachtige landje ook een flink aandeel regenwater terecht in het riool. Dit afvalwater wordt gezuiverd om weer in de kringloop van het water terecht te komen.

Het Hoogheemraadschap Hollands Noorderkwartier (HHNK) werkt hier met:
  • 15 rioolwaterzuiveringsinstallaties
  • 1 slibdrooginstallatie
  • 300 rioolgemalen
en 610 kilometer persleiding aan mee. Deze installaties verwerken elk jaar ruim honderd miljoen kubieke meter water. In deze keten kunnen er problemen of storingen optreden. Denk aan een verstopte rioleringsbuis, maar ook kan een gemaal defect raken. Dit kan leiden tot overlast, zoals rioolwater dat in het oppervlaktewater terecht komt. Je wilt daarom ongeplande storingen voorkomen en gepland onderhoud doen.
predictive-maintenance-NNHK-Kimplusdelta-cases

Onderhoud uitvoeren op het juiste moment

Maar hoe weet je nu wanneer je welk onderhoud moet uitvoeren? Het is belangrijk het op het goede moment te doen. Ben je te vroeg, dan leg je het proces voor niets stil en maak je onnodige kosten. Ben je te laat, dan krijg je een ongeplande storing. Dat kost misschien nog wel meer.

Deze problematiek doet zich ook voor bij het Hoogheemraadschap Hollands Noorderkwartier (HHNK). Daarom gebruiken zij data voor predictive maintenance. Vanuit KIM Plus Delta is Consultant Predictive Asset Management Johan Koopman betrokken bij dit project.

Wat is een hoogheemraadschap?

Een hoogheemraadschap heet ook wel een waterschap. Het is een overheidsorganisatie, net zoals de Rijksoverheid, provincies en gemeenten. Een waterschap zorgt voor het waterbeheer in een bepaald gebied. In tijden van droogte, maar ook wanneer er sprake is van wateroverlast. Het gaat dan om de bescherming tegen het water, maar ook dat het rioolwater schoon terug kan in het oppervlaktewater en veilige vaarwegen. 

Over Hoogheemraadschap Hollands Noorderkwartier

Het gebied dat HHNK beheert is het Noord-Hollandse gebied boven het Noordzeekanaal: Hollands Noorderkwartier.

HHNK werkt nauw samen met andere instanties die met water te maken hebben, zoals Rijkswaterstaat, de Provincie Noord-Holland, de gemeenten en het drinkwaterbedrijf. Maar ook is er veel contact en samenwerking met verenigingen van agrariërs, ondernemers, bewoners, sportvissers, schaatsers, natuurbeheerders, enzovoort.

Predictive maintenance voor de gemalen voor waterbeheer

Het HHNK heeft de gemalen in het gebied in beheer. Werkt een gemaal niet goed? Dan kan dat dus tot grote problemen leiden. Je wilt uitval voorkomen door predictive maintenance. Predictive maintenance kan op verschillende manier helpen. Je monitort doorlopend, ziet faalgedrag eerder ontstaan en kunt storingen potentieel dus voorspellen. Daarmee kun je een preventive maintenance programma deels vervangen door conditioned-based, omdat je het onderhoud meer specifiek uitvoert.

De ene storing is de andere niet

De doelstelling van het project is het voorkomen van storingen. Daarom wil je kunnen weten wat een storing veroorzaakt en dat mechanisme kunnen voorspellen, zodat je weet wanneer een storing gaat plaatsvinden. Maar daar is uitgebreide analyse voor nodig. De ene storing is de andere niet, tenslotte. Zo kan er een mechanisch onderdeel in het gemaal versleten zijn, maar kan een storing ook worden veroorzaakt door vuil (zgn. ‘pruikvorming’), of droogloop wanneer het waterpeil te laag is. De oorzaak van de storing is dan heel verschillend en het type storing daarmee ook.

Op zoek naar de juiste data om te voorspellen

Als de oorzaak van en het type storing verschilt, dan verschilt ook de output van die storing. De opbouw naar een storing en natuurlijk de storing zelf kan in bepaalde signalen of in data een spoor achterlaten. Dit noemen we ook wel de ‘vingerafdruk’ in de data. Data die we gebruiken om storingen te voorspellen zijn bijvoorbeeld de procesdata. Daarin zien we bepaalde storingen of gedrag terug. Ook stroomdata – de stroom die naar de elektromotor gaat – levert zo’n vingerafdruk. Je moet dus op zoek naar de juiste data om te voorspellen en moet die vervolgens ontsluiten om te gebruiken.

Maak gebruik van Motor Current Signature Analysis (MCSA)

Databronnen die direct van de machine komen hebben het voordeel dat er geen extra sensoren geplaatst hoeven te worden. Voorbeeld hiervan is Motor Current Signature Analysis (MCSA), waarbij de aandrijfstroom van een elektromotor wordt gebruikt als primaire databron. Deze techniek stamt al uit de vroege jaren ’70 en was oorspronkelijk bedoeld om elektromotoren te monitoren die in moeilijke omgevingen staan. Denk bijvoorbeeld aan kernreactoren.

MCSA en Predictive Maintenance

Analyse van motorstroom is één van de technieken om de toestand van een motor te bekijken, zonder de productie te verstoren. MCSA kan echter ook gebruikt worden om faalgedrag verderop in de aandrijftrein te detecteren. Dit maakt het tot een heel belangrijke techniek binnen het domein van Predictive Maintenance.

Testen en experimenteren is minimaal 70% van het hele project

Om te zien of de data de juiste informatie geeft, is er veel analyse nodig. Globaal kan je zeggen dat zo’n 70% van het totale project zit in testen, verzamelen en opschonen van de data.

In de testfase kun je specifieke experimenten uitvoeren. Denk bijvoorbeeld aan het opzettelijk introduceren/veroorzaken van een defect waardoor een ‘vingerafdruk’ van dat defect in de data kan worden opgewekt.

Als dat niet in een productieomgeving kan, dan is een testomgeving een optie. Zo wordt er nu een miniatuur gemaal gebruikt om te testen. De werking is hetzelfde, alleen kun je hier gemakkelijk experimenten mee doen.

De eerste resultaten zijn veelbelovend

Op basis van de analyses bouw je een model waarmee voorspellingen gedaan kunnen worden voor het uiteindelijke predicitve maintenance programma. Met behulp van een testgemaal zijn verschillende experimenten uitgevoerd zoals het opwekken van cavitatie en droogloop, waarbij modellen opgezet zijn op basis van de eerder beschreven MCSA. De motorstroom analyse wordt hierbij vergeleken met trillingsdata.

Testen of het voorspellende model werkt

De modellen worden op dit moment getest en de eerste resultaten komen binnen. De volgende stap is controleren of ons voorspellend model inderdaad werkt. Daarvoor hebben we wat geduld nodig. Een gemaal gaat immers niet maandelijks stuk. Gelukkig maar!

Johan Koopman, Consultant Predictive Asset Management bij KIM Plus Delta, werkte bij HHNK aan een model waarmee je voorspellingen kunt doen over het onderhoud aan rioolgemalen.

Wil je meer informatie over deze case?

Lees meer over de technische achtergronden in onze kennisbank.