Van repareren naar realtime onderhouden

Het onderhoud van Rijkswaterstaat-objecten moet slimmer. Voorspelbaar onderhoud op basis van sensortechnologie en big data moet uitkomst bieden. Het principe hiervan is dat het niet periodiek plaatsvindt, maar realtime, vertelt Ruud de Bruijne, programmamanager Vitale Assets. ‘Onder vitale assets verstaan we bruggen, sluizen en gemalen met beweegbare onderdelen. Door object- en omgevingsinformatie voortdurend te monitoren en met elkaar in verband te brengen aan de hand van big data, weten we precies hoe een object eraan toe is. Dat kunnen allerlei data zijn, zoals energieverbruik, trillingen, druk, temperatuur, luchtvochtigheid, windkracht of waterstanden. Met deze manier van werken voorkomen we dat we periodiek onderhoud uitvoeren terwijl dat wellicht nog niet nodig is en zorgen we er bovendien voor dat we niet te laat actie ondernemen. Correctief onderhoud – repareren wat kapot is – verschuift zo naar preventief onderhoud op maat. Dat maakt het efficiënter, goedkoper en duurzamer en de dienstverlening van Rijkswaterstaat richting gebruiker beter, want er zijn minder storingen.’

Datagedreven organisatie

Het werken met voorspelbaar onderhoud past volgens Anton Sytsema, kwartiermaker Industriële Automatisering (IA), helemaal in de strategie van Rijkswaterstaat om een datagedreven organisatie te worden. ‘Wij werken al heel lang met sensoren, bijvoorbeeld als het gaat om gladheidsmeldingen, filemeldingen of belasting van het wegdek. Maar werken met big data voor voorspelbaar onderhoud is andere koek. Ook hierin werken we naar generieke toepassingen en zoeken we de samenwerking met de markt en kennisinstituten. Zij zetten hier volop in en hebben waardevolle kennis ontwikkeld op dit gebied.’

Unieke objecten, uniforme aanpak

Binnen het programma Vitale Assets is de afgelopen jaren al in veel verschillende projecten gewerkt aan voorspelbaar onderhoud. Er zijn onder andere pilots geweest met bruggen, sluizen en gemalen in de IJssel en het Twentekanaal. Om vanuit deze bevindingen tot 1 standaard te komen, werkt Rijkswaterstaat sinds anderhalf jaar in de regio West-Nederland Noord samen met installatiebedrijf SPIE. Sytsema: ‘Onze objecten zijn bijna allemaal uniek en vragen nu dus om maatwerk als het gaat om onderhoud. Daarin willen we verandering aanbrengen met de ontwikkeling van generieke en uniforme toepassingen voor de bediening, besturing en bewaking en een generieke toepassing om het verzamelen van data voor voorspelbaar onderhoud mogelijk te maken. Hiermee dragen we bij aan de doelstellingen die Rijkswaterstaat zich heeft gesteld voor veiligheid, bereikbaarheid en duurzaamheid.’

Meer fasen

Bij het onderhoud in West-Nederland Noord gaat het feitelijk om 2 objecten: het gemaal De Stolp en de Middensluis van de Oranjesluis in het Noordzeekanaal. De start met gemaal De Stolp werd ingegeven door onverwacht falen van 1 van de 6 pompen. Om dit soort zorgelijke situaties in de toekomst te voorkomen doorloopt Rijkswaterstaat een traject dat uit meerdere fasen bestaat, legt De Bruijne uit. ‘We beginnen met het identificeren van de kritieke componenten, stellen de faalmechanismen vast en bekijken of dit falen een fysieke eigenschap heeft. Zo ja, dan kunnen we met sensoring belangrijke data inwinnen, analyseren en omzetten naar een waarschuwing dat er een preventieve actie moet worden uitgevoerd.’

Samenwerking is spil

SPIE heeft inmiddels sensoren aangebracht en verbonden met het Internet of Things (IoT). Robbert de Ridder, manager assetmanagement bij SPIE, vertelt dat de spil van voorspelbaar onderhoud de samenwerking is tussen de data-analist en de objectdeskundige, ofwel de service engineer. ‘De oude wereld ontmoet de nieuwe wereld. Een mooi voorbeeld hiervan is De Stolp. Onze data-analist constateerde afwijkende waarden in energieverbruik bij de koelventilatoren van de omvormers. De service engineer koppelde deze afwijking aan zijn ervaring met pompen en omvormers en wist al wat de afwijking zou kunnen veroorzaken. Vervolgens zijn de koelventilatoren grondig geïnspecteerd en bleek zijn vermoeden te kloppen: versleten lagers van de as van de koelventilator. Door deze tijdig te vervangen kon het gemaal in bedrijf blijven, is er een storing voorkomen en was er geen hinder voor de scheepvaart.’

Leren van correctief onderhoud

Ondanks alle big data en algoritmen kan het natuurlijk soms toch mis gaan. ‘Ook het interpreteren van big data en het ontwikkelen van algoritmen is uiteindelijk mensenwerk’, aldus De Bruijne. ‘In het geval van een storing gaan we over tot correctief onderhoud en leren we hoe het anders moet. Zo kunnen we het algoritme doorontwikkelen en net zo lang perfectioneren totdat er hopelijk uiteindelijk geen correctief onderhoud meer nodig is.’ Omdat preventief onderhoud op andere principes rust dan correctief onderhoud, moet de markt met een ander verdienmodel gaan werken. ‘Nu is het zo dat een aannemer voor het onderhoud per reparatie betaald krijgt, maar dat geeft niet bepaald de juiste prikkel voor preventief onderhoud’, vertelt De Bruijne. ‘Uiteindelijk gaat het om de beschikbaarheid van een kunstwerk, dus willen we dit ook zo in het contract verwerken.’

Open source

Om samen met de markt te kijken hoe dit soort zaken, ook het eigendom van de data en algoritmen, een plek gaat krijgen in de contracten, heeft Rijkswaterstaat een community opgericht met 5 grote aannemers. SPIE doet ook mee aan deze community. De Ridder: ‘Het is heel bijzonder en vruchtbaar om samen met collega-marktpartijen te kijken wat precies onze behoeften zijn bij het hanteren van een open source databeleid van Rijkswaterstaat en hoe we dat goed kunnen vastleggen. We beseffen dat het in ieders belang is – ook die van de markt – om een vorm te vinden die voor iedereen goed werkbaar is. We willen allemaal de datakwaliteit verder verbeteren, dus daarom werken we hier graag aan, samen met Rijkswaterstaat.’