Predictive maintainance: data science voor utilities

Bij Geospatial Data Science denk je mogelijk aan grote innovatieve ideeën van vooruitstrevende dromers, die soms even vergeten dat je data moet gebruiken voor een praktisch doel. Predictive maintenance is een voorbeeld van een extreem waardevolle praktische toepassing van data science. In deze blog vertel ik je meer over assetmanagement op basis van voorspellende inzichten.

Assetmanagement op basis van voorspellingen

Efficiënt assetmanagement heeft baat bij goede onderhoudsvoorspellingen. Als je tienduizenden assets beheert die over verschillende provincies verspreid liggen en zich boven, onder of op de grond bevinden, dan is onderhoud zonder een planning op hoog niveau onmogelijk. Ik zie grote archiefkasten voor me in de tijd dat er nog geen computers bestonden. En busjes met onderhoudsmedewerkers die op basis van steekproef ‘even gingen kijken hoe het erbij lag’. Ik ben er niet bij geweest, dus zeker weten doe ik het niet. Maar ik kan me zo voorstellen dat assetmanagement anno 1979 aardig arbeidsintensief was.

Predictive maintenance is bedacht vanuit het idee dat er simpelweg geen tijd en geld is om onderhoudsploegen op pad te sturen met een risico op ‘loos alarm’. Daarnaast is ‘buiten is binnen’ steeds meer het streven van organisaties waarvan een groot deel van het werk in de buitenruimte plaatsvindt. De tijd dat digital twins in realtime de staat van je al je assets realtime weergeven is nog niet aangebroken, maar de GIS-wereld beweegt zich snel in die richting.

Dashboard met lekanalyse (fictief)

Voorspellend assetmanagement, dus, oftewel predictive maintenance. Ik maak het fenomeen graag concreet aan de hand van een voorbeeld: een dashboard met een alert score die het risico op falen van pijpleidingen in één oogopslag toont. Zodat de onderhoudsploeg weet waar ze eerst naartoe moeten en niet op basis van een (gedeeltelijk) subjectieve inschatting de hoogste urgentie hoeven te bepalen.

Afbeelding 1: predictive maintenance dashboard voor onderhoud van pijpleidingen. Tekst gaat verder onder de afbeelding. 

Dit dashboard is niet gebaseerd op actuele data. Onder de motorkap bevindt een voorspellend model. Wanneer je een dashboard inricht op basis van actuele data is het risico dat je achter de feiten aanloopt groter.

Ik heb dit voorspellende model gemaakt met PyCaret, een low code machine learning library waarmee je geavanceerde machine learning workflows kan maken. In PyCaret heb ik voor ieder attribuut een voorspellend model gemaakt die het dashboard van input voorziet. Daarnaast heb ik een emailalert ingesteld voor alle pijpleidingen die een te hoge Alert Score hebben. Wanneer dit het geval is, ontvangt de betreffende onderhoudsploeg dus meteen een mail met de locatie van de pijpleiding.

Een veelgehoorde uitspraak in de GIS-wereld is ‘een lijntje is een lijntje’. Dit is ook absoluut waar als het predictive maintenance betreft. Je kunt dit dashboard ook gebruiken om de staat van elektriciteitskabels, gasbuizen of andere assets in één oogopslag te tonen. Technisch gezien is het principe hetzelfde. Tensing is erkend Esri Utility Network Specialist (een geavanceerd ArcGIS-datamodel voor onder andere nuts-, telecom- en infrastructurele bedrijven). Dus ik bevind me in een luxepositie: als ik specifieke zaken wil weten over een bepaald assettype heb ik altijd een hulplijn beschikbaar!

De waarde van predictive maintenance neemt toe

Het aantal te beheren assets neemt al jaren toe bij vrijwel al onze klanten in verschillende branches. Nederland is nog niet uitgegroeid, er wordt gebouwd en daarmee neemt het aantal assets en ook de totale hoeveelheid assetdata toe. Daarnaast blijft de arbeidsmarkt krap en daarom zijn organisaties constant op zoek naar middelen om meer te doen met minder personeel.

En dan is er nog de invloed van klimaatverandering. Gemeenten, provincies, het rijk, nutsbedrijven: ze zijn allemaal innovatief bezig om een bijdrage te leveren aan een duurzame wereld. Klimaatveranderingen hebben daarnaast ook een directe invloed op de levensduur van assets.

Afbeelding 2: onderhoud van asfalt kan per land of zelfs per gebied verschillen. Tekst gaat verder onder de afbeelding.

Neem asfalt als voorbeeld. De samenstelling van asfalt is in het Midden-Oosten anders dan in Lapland, aangezien verschillende weersomstandigheden om andere productie- en onderhoudsmethoden vragen. Ik kan me zo voorstellen (ik ben een Geospatial Data Scientist, geen wegenbouwkundige, dat zeg ik er wel bij) dat dit soort extra factoren de vraag naar slim datagebruik nog verder opstuwt.

Strategic Market Research, een Amerikaans marktonderzoeksbureau, concludeert dat de totale marktwaarde van predictive maintenance van industriële machines in de VS tussen 2021 en 2030 gaat groeien van $4.32 biljoen naar $45.75 biljoen. Dus als de relatieve groei van de marktwaarde voor het voorspellend onderhoud van assets ook maar een fractie van deze cijfers is, dan is er al sprake van een kleine revolutie.

De wereld wordt steeds complexer en voller. Ik ben er zeker van dat predictive maintenance op dit moment nog in de kinderschoenen staat en dat organisaties op dit vlak nog heel veel kunnen winnen. Interesse om de mogelijkheden van predictive maintenance te verkennen? Neem gerust contact op!