Effectief voorspellen faaltijden tunneltechnische systemen

Tegenwoordig is voorspelbaar onderhoud steeds belangrijker vanwege de overheersing van verouderende assets in de nationale infrastructuur. Om falen te voorkomen zonder onnodige investeringen, wordt er gestreefd naar zo veel mogelijk precies op tijd ingrijpen, voordat een systeem verwacht zou falen. Yoanna Nedelcheva heeft voor haar afstuderen aan de TU Delft onderzoek gedaan naar methoden voor het effectief voorspellen van faaltijden voor systemen in tunnels.

Een ontwikkeling in infrastructureel onderhoud is prestatiegericht onderhoud. Het nadeel van deze aanpak is kennisasymmetrie. Omdat de aannemer zelfstandig de onderhoudsactiviteiten definieert en verricht, deelt de klant weinig kennis. Wanneer de klant de data-eigenaar is, kan de aannemer beperkt worden in het inzichtelijk maken van systeemproblemen, omdat ze vaak geen toegang tot de bijbehorende data hebben.

Data-gestuurde prognoses zijn een veelbelovende techniek om bovenstaande uitdagingen te beheersen. Ten eerste, het analyseert het faalgedrag van systemen. Daarom leveren de resultaten van de analyses de benodigde informatie om voorspelbaar onderhoud mogelijk te maken. Ten tweede, een dergelijke analyse kan helpen om de communicatie tussen de klant en de aannemer te optimaliseren wanneer de klant de data-eigenaar is. De klant kan data-gestuurde prognostische analyses verrichten en zijn analyseresultaten delen met de aannemer. Dat helpt de aannemer om zijn plannen te optimaliseren, zonder de gegevens van de klant direct te zien.

De resultaten van analyses de benodigde informatie om voorspelbaar onderhoud mogelijk te maken.

Tunnels in Nederland hebben de hoge beschikbaarheidseis van 98%. Verder hebben de kritieke systemen binnen tunnels vaak een complex faalgedrag. Ze worden beïnvloed door diverse externe factoren en andere systemen waarvan ze afhangen. Daarom is voorspelbaar onderhoud relevant en kunnen prognoses nuttige informatie over tunnelsystemen leveren.

Onderzoek

De vraag is: welke categorie van data-gebaseerde prognostische methoden kan worden gebruikt voor het effectief voorspellen van faaltijden voor systemen in tunnels? Om een antwoord hierop te geven, is onderzoek verricht aan de hand van de data van vier grote tunnels in Nederland over een periode van acht jaar. Rijkswaterstaat is daarbij de data-eigenaar. Falen, operatie, storingen en conditiemonitoring worden als datapunten in eventlogs geregistreerd.

Twee categorieën prognostische methoden zijn geselecteerd als passende methodiek voor de gegeven context en het dataformat. Simpele tijdreeksmethodes (STRM) analyseren alleen op basis van faaltijden. Deze methodes zoeken een trend en extrapoleren de trend in de toekomst om faalvoorspellingen te maken. Proportional hazards modelling (PHM) gaat verder door rekening te houden met andere gebeurtenissen en en te zoeken naar het effect daarvan op faalgedrag.

De gekozen STRM zijn twee vaak gebruikte technieken binnen betrouwbaarheidstheorie: de homogene en niet-homogene poissonprocessen, en drie bekende voorspellingstechnieken, namelijk simple exponential smoothing, de Holt-methode en de Holt-Winters-methode. Voor PHM wordt de veel gebruikte klassieke Cox-methode toegepast, evenals de varianten met lasso, ridge en elastic net regularisation. De geregulariseerde varianten hebben als doel om de relatieve effecten van andere gebeurtenissen op faalgedrag te corrigeren in gevallen waar het model weinig faalregistraties heeft om van te leren.

Resultaten

Om de prestaties van deze methoden te meten, is gekeken naar de toepassing op pompsystemen. Dit zijn kritieke systemen in tunnels die direct van invloed zijn op de algehele beschikbaarheid van een tunnel. Hierbij is een faal gedefinieerd als ‘water op het wegdek’; ook als de hoeveelheid water klein is en het de verkeerdoorstroming niet verstoort.

De prestaties van de methoden zijn gemeten op basis van hun voorspellende kracht. Die bestaat uit twee componenten, namelijk de gemiddelde kwadratische fout van de faalvoorspellingen en de dekkingskans van hun betrouwbaarheidsinterval. De gemiddelde kwadratische fouten per methode voor de vier tunnels zijn verbeeld in de onderstaande figuur. De PHM-methoden presteren opmerkelijk goed met kleine gemiddelde kwadratische fouten en hoge dekkingskansen. Voor 93% van de falen was er een faalindicatorgebeurtenis. Verder vonden 71% van deze faalindicaties plaats binnen een paar uur voor de faalgebeurtenis. Deze informatie zou voorspelbaar onderhoud faciliteren. STRM daarentegen, presteren slecht vanwege hun grote gemiddelde kwadratische fouten en kleine dekkingskansen. Voor drie van de vier tunnels was de gemiddelde kwadratische fout vergelijkbaar met de gemiddelde tijd tussen twee falen. Daarom zijn STRM voor deze context geen effectieve faalvoorspellingsmethoden.

Concluderend is PHM de prognostische categorie die effectief kan worden toegepast voor systemen in tunnels met eventlogs. Verder heeft PHM de toegevoegde waarde van aanvullende informatie over andere gebeurtenissen. Die kan worden gebruikt om het fysieke systeem beter te begrijpen en te onderhouden. Daarnaast kan het verschil van de effecten tussen de faalindicatoren numeriek vergeleken worden. Deze verschillen kunnen gebruikt worden om de kansschattingen in betrouwbaarheidsanalyses (zoals FMECA en FTA) objectiever te maken en daardoor de onderhoudsplannen te optimaliseren.

De verticale as toont de fouten in dagen (400 tot -300 dagen), de horizontale as geeft de falen in de originele volgorde weer. Het is duidelijk te zien dat de PHM-methoden (de laatste vier kolommen) goed presteren: de faalindicaties kloppen zeer goed met de  daadwerkelijke falen. (Bron: scriptie Yoanna Nedelcheva)