Machine learning-technologie die is uitgeprobeerd op een deel van het rioleringsnetwerk van Wessex Water heeft vroegtijdige rioolverstoppingen in realtime geïdentificeerd met een nauwkeurigheid van 92%, terwijl ook een operationele verschuiving naar conditiegebaseerde onderhoudsaanpak mogelijk is, legt Brian Moloney, algemeen directeur van StormHarvester, uit , een bedrijf gespecialiseerd in de geautomatiseerde monitoring en controle van drainage-infrastructuur.
Het potentieel van kunstmatige technologie (AI) om het beheer van rioolnetwerken te transformeren is aangetoond tijdens een drie maanden durende proef van StormHarvester's Intelligent Sewer Suite met Wessex Water in de stad Bath. De technologie demonstreerde snel zijn waarde: meer dan 60 vroegtijdige blokkades werden in realtime gedetecteerd en waarschuwingen in de controlekamer daalden met maar liefst 97 procent.
Het beheren van rioolverstoppingen vormt een aanzienlijke operationele uitdaging voor water- en afvalwaterbedrijven. Naast problemen die voortkomen uit de verstoppingen zelf, veroorzaken hevige regenval vaak ook honderden alarmen, simpelweg vanwege de hoge niveaus in het rioolnetwerk, veroorzaakt door de afvoer van regen. Het volume van deze alarmen tijdens natte weersperioden kan overweldigend zijn voor operationele en onderhoudsteams.
Het bestaande, op regels gebaseerde alarmsysteem dat in de controlekamer van Wessex Water werkte, genereerde tijdens de proefperiode zo'n 4,500 alarmen, maar de Intelligent Sewer Suite van AI-tools van StormHarvester kon alarmen dempen wanneer de hoge rioolniveaus door de AI-software werden voorspeld als gevolg van regenval. , waardoor het totaal werd teruggebracht tot 138, waarvan 124 echte blokkades of sensorfouten waren. Dit gaf de operationele en onderhoudsploegen van het nutsbedrijf de mogelijkheid om snel op elk alarm te reageren, zelfs tijdens perioden van hevige regenval.
Het initiatief begon in het voorjaar van 2020 toen Wessex Water 16 technologiebedrijven van over de hele wereld uitnodigde om de waarde van de toepassing van kunstmatige intelligentie op het afvalwaternetwerk te demonstreren. Als finalist werd het in Belfast gevestigde StormHarvester uitgenodigd om een proefperiode van drie maanden uit te voeren om een proof of concept uit te voeren.
De proef vond plaats van juni tot augustus 2020 in het afvalwaterstroomgebied van de historische stad Bath, Somerset, dat 3,500 km riolering omvat, wat neerkomt op 10% van het totaal van Wessex. Intelligent Sewer Suite werd toegepast op een reeks van 98 niveausensoren die al in het netwerk aanwezig waren: 89 op gecombineerde riooloverstortlocaties (CSO) en de rest bij pompopvoerstations.
machine learning
Intelligent Sewer Suite maakt gebruik van machine-learning, een AI-toepassing waarmee systemen automatisch kunnen leren en verbeteren op basis van ervaringen zonder dat ze daarvoor expliciet zijn geprogrammeerd. De slimme machine learning-algoritmen en voorspellende analysetools van het StormHarvester-systeem werden toegepast op stroomgebiedsensorgegevens en bijbehorende hyperlokale regenvoorspellingen om de afvalwaterstroomniveaus te voorspellen en potentiële vroege verstoppingsformaties in realtime te detecteren.
Wessex Water wilde het vermogen van machinaal leren testen om:
• Voorspel vroegtijdig verstoppingsvormingen in rioolbuizen en pompstations en grijp in voordat deze uitmonden in servicestoringen
• Een beter onderscheid tussen echte alarmen in de controlekamer en alarmen die worden geactiveerd vanwege grote regenval tijdens nat weer
• Verbeter de responstijd bij servicestoringen aanzienlijk
Verstoppingen kunnen leiden tot kostbare servicestoringen, waaronder vervuiling of overstromingen, maar als ze vroeg genoeg worden opgemerkt, kunnen ze snel worden verholpen. Nat weer maakt het moeilijk om een onderscheid te maken tussen verwachte hoge rioolniveaus als gevolg van hevige regenval en de hoge rioolniveaus die voortvloeien uit beperkingen zoals gedeeltelijke of totale verstoppingen.
Door AI in te zetten met het vermogen om onderscheid te maken tussen deze verschillende gebeurtenissen, wordt zowel een verbetering van de alarmkwaliteit als alarmrationalisatie mogelijk gemaakt.
Eenvoudige set-up
De installatie van Intelligent Sewer Suite duurde slechts drie weken voordat het bruikbare resultaten begon op te leveren en er waren geen hydraulische modellen voor nodig.
Het proces omvatte de extractie van historische gegevens op rioolniveau en neerslagniveaus binnen een raster van 1.5 km2 voor elk van de 98 bewaakte activa. Vervolgens werden tientallen miljoenen iteratieve machinale leerberekeningen uitgevoerd om het gedrag van rioolvoorzieningen in zowel droge als natte weersperioden te 'leren'.
Nauwkeurige drempelvoorspelling
Veilige operationele vensters voor activa in het netwerk werden bepaald op basis van een aantal factoren, waaronder het tijdstip van de dag, de dag van de week, hyperlokale regenval en lokale rivierstanden. Deze dynamische drempelwaarden worden voor zes uur in de toekomst voorspeld en worden elke 15 minuten bijgewerkt, op activaniveau, wat een van de sleutels is tot dergelijke nauwkeurige voorspellingen.
De realtime voorspellingen en verstoppingswaarschuwingen worden gebruikt om potentiële niet-conforme vervuilingsgebeurtenissen buiten het riool te identificeren voordat ze zich voordoen. Onderhoudsploegen kunnen proactief naar deze locaties worden gestuurd om problemen op te lossen voordat ze zich voordoen of verergeren, waardoor servicestoringen worden beperkt.
Edmund Willatts, Asset Reliability Engineer bij Wessex Water zei: “Het StormHarvester-systeem maakte gebruik van machine learning om veilige bedieningsvensters of drempels voor elk asset in te stellen. Elke keer dat er sprake was van een significante inbreuk, ontvingen we waarschuwingen, die op hun beurt werden doorgegeven aan het operationele team, zodat zij konden reageren.”
Vermindering van vervuiling
De Environment Agency streeft naar een nulniveau van vervuilingsincidenten voor de waterindustrie in Engeland en deelt incidenten in vier categorieën in, waarbij categorie 4 de minst ernstige is en geen impact heeft op de prestaties van het bedrijf. Categorie 3-incidenten kunnen van invloed zijn op de prestatieverplichtingen en kunnen inbreuken op de wetgeving inzake milieubescherming en waterindustrie met zich meebrengen. Ze kunnen ook tot aanzienlijke kosten leiden, waaronder kosten voor noodhulp en boetes van toezichthouders.
De resultaten van de drie maanden durende proef toonden een significante alarmrationalisatie en een hoge mate van nauwkeurigheid bij het detecteren van verstoppingen. Meer dan 60 vroege blokkadeformaties werden in realtime gedetecteerd, waarvan er minstens twee waarschijnlijk vervuilingsincidenten hadden veroorzaakt – Environment Agency Categorie 3 of erger. Er werden ook meer dan 60 telemetrie- en sensorfouten gedetecteerd.
Jody Knight, asset technology manager bij Wessex Water zei: “Het StormHarvester-team heeft rioolverstoppingen geïdentificeerd die we bij gebruik van onze normale werkprocessen misschien pas hadden opgemerkt toen ze hadden geresulteerd in ongewenste riooloverstortingen.”
De inzet van de AI-aanpak van StormHarvester bleek 92% nauwkeurig te zijn, zonder dat er blokkades werden gemist. Bovendien werd een vermindering van 97% van het aantal controlealarmen bereikt, met slechts 138 in totaal – iets meer dan één per dag gedurende de periode.
Wessex Water beschouwde de waarschuwingen van StormHarvester als een grote verbetering ten opzichte van de status quo, waarbij het operationele personeel regelmatig werd overweldigd door het grote aantal hoogwater- en overloopalarmen die plaatsvonden tijdens perioden van hevige regenval. Het maakt ook de mogelijkheden voor voorspellend onderhoud in de nabije toekomst zeer realistisch.
Willatts zei: “Dit op de toestand gebaseerde rioolonderhoud versus het geplande reinigingsregime zal van cruciaal belang zijn om operationele teams in de toekomst productiever en efficiënter te maken.”
Het specificeren van mogelijkheden
Uit de Wessex-pilot bleek dat StormHarvester-technologie de mogelijkheid heeft voor:
• Hoge nauwkeurigheid bij het voorspellen van verstoppingen – 92% van de waarschuwingen was relevant en vereist en geen enkele verstopping die tot een vervuilingsincident leidde, werd gemist
• Weinig valse positieven – 8% van de waarschuwingen waren valse positieven
• Voorspelling van verstoppingen op lange termijn – vroegtijdige verstoppingsformaties worden geïdentificeerd tot acht weken voordat deze tot servicestoringen zouden hebben geleid
• Conditiegebaseerd onderhoud – de proefperiode van drie maanden heeft een verandering in aanpak mogelijk gemaakt.
• Rationalisatie van alarmen in de controlekamer – er werd een vermindering van 97% in het aantal alarmen in de controlekamer gerealiseerd vergeleken met de normale gang van zaken
Knight zei: “Een van de grootste problemen waarmee we onze klanten bedienen, is dat we niet weten waar en wanneer verstoppingen zullen optreden of waarschijnlijk zullen optreden in het afvalwaternetwerk. Tijdens de drie maanden durende proef heeft StormHarvester ten minste twee incidenten geïdentificeerd waarvan we er vrij zeker van zijn dat ze zouden hebben geresulteerd in lekkages van categorie 3, of erger nog, als er niet vroegtijdig waarschuwingen voor verstoppingsdetectie waren ontvangen en de daaropvolgende actie was ondernomen door het operationele personeel van Wessex. ”
Neil Macdonald, mede-oprichter van StormHarvester zei: “De resultaten waren uitstekend. Wessex Water was geweldig om mee te werken en deze proef heeft bewezen dat Intelligent Sewer Suite op grote schaal effectief is.
“Dit is een verdere bevestiging van ons vijfjarig traject en onze investering van miljoenen ponden om een effectieve AI-oplossing te bouwen die machinaal leren, voorspellende analyses en hyperlokale neerslagvoorspellingen combineert, wat leidt tot intelligente rioleringen die klanten, gemeenschappen en het milieu dienen.”
Predictief onderhoud
Hij voegde eraan toe: “Onze technologie bewijst dat voorspellend onderhoud mogelijk is, waarbij vroegtijdige detectie van verstoppingen uren tot weken van tevoren plaatsvindt. Dit betekent een aanzienlijke toename van de beschikbare tijd voor operationele bemanningen om activa te bergen en te repareren.
“StormHarvester ziet dit als een echte game-changer, met een duidelijke route naar het bereiken van efficiëntie voor afvalwatervoorzieningen, het verminderen van afvalwatervervuiling en zowel interne als lokale overstromingen.”
Op basis van de waarde die de StormHarvester-waarschuwingen tijdens de proof-of-concept-proef hebben opgeleverd, heeft Wessex Water de oplossing op het afvalwaterstroomgebied van Bath tot 2021 laten draaien.
Brian Moloney, algemeen directeur van StormHarvester, organiseert twee rondetafelgesprekken op de SWAN 11e jaarlijkse conferentie: Redefining Smart Water, waar hij zal spreken over het gebruik van AI om vroege vormingsblokkades in het netwerk van Wessex Water te detecteren. Het virtuele evenement vindt plaats van 24 tot en met 28 mei. Bezoek om u te registreren www.zwaan-2021.com #ZWAN2021
Coinsmart. Beste Bitcoin-beurs in Europa
Bron: https://envirotecmagazine.com/2021/05/06/ai-successfully-detects-blockage-formations-for-wessex-water/
