Focus op AI bij minicongres Maintaining the Future in Groningen

Gasunie, NVDO (Nederlandse Vereniging voor Doelmatig Onderhoud) en World Class Maintenance organiseerden in november vorig jaar opnieuw een minicongres. 'Maintaining the Future' was de titel van deze editie die plaatsvond in het kantoor van Gasunie in het noordelijke Groningen, en grotendeels in het teken stond van — hoe kan het ook anders — AI. Twee onderzoeken werden bekroond met de prestigieuze Maintenance PhD Thesis Award (PTA) en de Maintenance Master Thesis Award (MTA). Wij spraken uitgebreid met de winnaars. 

Fabian Wientjes & Lisandro Jimenez-Roa

Hoewel de wereld van industrieel onderhoud vandaag de dag niet meer om AI heen kan, is het nog niet zo dat de implementatie van de technologie louter een succesverhaal is. Die implementatie, bijvoorbeeld in Condition Based Maintenance en Predictive Maintenance, vergt nog het nodige onderzoek. Denk maar aan zaken als de relatie tussen mens en AI, de beschikbaarheid van voldoende data, controleerbaarheid, kosten en duurzaamheid. 

Gelukkig vindt dat onderzoek al volop plaats. Daar werd deze editie van het minicongres uitvoerig bij stilgestaan tijdens het hoogtepunt van de dag: de uitreiking van de Maintenance PhD Thesis Award (PTA) en de Maintenance Master Thesis Award (MTA), een samenwerking tussen de NVDO en WCM.

Deze prestigieuze prijzen belonen de meest innovatieve onderzoeken die bijdragen aan de verbetering van de Nederlandse onderhoudssector. De vakgenoten op het minicongres verkozen de studies van Fabian Wientjes (Hogeschool Utrecht) en Lisandro Jimenez-Roa (Universiteit Twente) tot winnaars. Hieronder volgt een interview met beiden. 

Winnaar MTA: 'Inzet AI voor betere rioolinspectie'

Iedereen is blij als de gemeente de riolering op orde heeft en met minimale onderbrekingen voor onderhoud op orde houdt. Tegelijk is het een forse uitdaging om niet te veel onderhoud te doen. Met zijn prijswinnende Master Thesis "Semi-Supervised Learning for Detecting Sewer Pipe Defects Using 360-degree Inspection Images" verkent Fabian Wientjes, student aan de Hogeschool Utrecht, hoe AI kan helpen bij het vaststellen van een slimmer en beter inspectieproces van het riool.

Goed onderhoud begint met tijdige inspectie van alle 37 verschillende structurele elementen die in de Europese standaard voor rioolinspecties NEN 13508-2 beschreven staan. Met een gemiddelde leeftijd van een jaar of 70 of 80, zijn veel rioleringen in Nederland wel toe aan onderhoud of zelfs vervanging.

Het werk begint wanneer een gecertificeerde rioolinspecteur een robot het riool in stuurt. Die schiet om de zo veel centimeter 360°-foto’s om de conditie van de buis te bepalen. De rioolbeheerder bepaalt dan waar er welk onderhoud gedaan moet worden. Het bekijken en beoordelen van de foto’s is tijdrovend en daarmee erg duur.

Maar ook aan het geautomatiseerde alternatief van computer vision kleven nadelen. Dit is data-intensief en vereist datasets waar bij elk beeld exact omschreven (gelabeld) moet staan wat er te zien is. Maar hier gaat het mis. De datasets zijn vaak onvolledig en geven dus een incompleet beeld van de feitelijke conditie.

Completer en betrouwbaarder

Kan AI helpen om een completer en betrouwbaarder beeld van het riool te krijgen? Dat vraagt een methode die min of meer zelfstandig kan leren de bestaande data juist te 'labellen'. Als AI een kleine hoeveelheid gelabelde data heeft verwerkt, dan zou het als een soort leraar een grote hoeveelheid ongelabelde data moeten kunnen verwerken om verstoppingen of lekkages te vinden en die te classificeren. Gebruik je uniforme protocollen, zoals de NEN-norm, dan kunnen de verschijnselen op dezelfde manier binnen de hele rioolbranche geordend worden.

YOLOv11-detectie

Voor zijn onderzoek had Wientjes van Rolsch Assetmanagement (onderdeel van het Primavera Project) een dataset van rioleringsbuizen in Apeldoorn als basismateriaal gekregen. Hij maakte gebruik van de one-stage YOLOv11-detectieprogrammatuur als interpretatie-instrument, maar stuitte op twee hindernissen: onvolledige labeling en een uitgesproken klassenonbalans.

Scheuren en lekkages bijvoorbeeld zijn zeldzaam. Die zijn minder aanwezig in de dataset, terwijl ze misschien wel aanwezig zijn in de rioolbuis. Bovendien kon je in de stilstaande beelden moeilijk lekkages ontdekken omdat op stilstaand beeld geen stromend of druppelend water zichtbaar is.

Onvoldoende herkenning

Verdere experimenten met gelijke klassenverdeling, focus op moeilijk te classificeren voorbeelden en technieken om betrouwbaardere labeling te bereiken, brachten hem nog een stap verder. Toch bleef het herkennen van zeldzame defecten onvoldoende. Aanvullende onderzoeksstappen waaronder interviews met ervaren rioolinspecteurs leerden dat werkelijk betrouwbare AI voor rioolinspectie gevalideerde, consistent toegepaste annotatieprotocollen vereist.

Die moeten opgesteld zijn door domeinexperts en worden afgestemd op de unieke beeldvormingsuitdagingen van rioolstelsels. AI kan een aantal defecten zoals inlaten en verschoven voegen al nauwkeurig detecteren. Dat komt omdat zij een consistent en herkenbaar uiterlijk hebben.

De laatste ontbrekende of onbetrouwbare informatie dient uiteindelijk toch met inspecteursogen aangevuld of gecorrigeerd te worden. Alles bij elkaar en samen met gestandaardiseerde annotatieprotocollen en bredere data-uitwisseling blijkt nu het maken van robuuste en reproduceerbare AI-systemen beter mogelijk.

Gericht en kostenefficiënt

Zo kan AI een betrouwbare wegbereider worden voor een tijdiger, gerichter en kostenefficiënter rioolonderhoud. Maar het dient wel geïntegreerd te worden in de bestaande inspectie- en maintenanceworkflows. Onnodige ingrepen en onontdekte problemen zullen met deze aanpak minder voorkomen. AI kan zo ook relevant zijn bij inspecties van tunnels, bruggen en watersystemen die met vergelijkbare inspectie- en onderhoudsuitdagingen te maken hebben.

"De volgende stap is nu om deze onderzoeksfase in een pilot in de praktijk verder te ontwikkelen. Net zo noodzakelijk is het dat gemeenten landelijk rioleringsbuisdata met elkaar delen voor verder onderzoek. Het zal het werk van de inspecteur kunnen completeren en vergemakkelijken. Ik nodig iedereen uit om contact op te nemen om samen verder te denken over deze ontwikkelingen", stelt Wientjes.

Winnaar PTA: 'Beter degradatietrends formuleren in industrieel onderhoud'

Hoe weet je bij moderne infrastructuur, machines en productieprocessen precies wanneer je je onderhoudsoverall moet aantrekken? Het antwoord van dr. ir. Lisandro A. Jimenez-Roa leverde hem de prestigieuze prijs op voor het meest innovatieve onderzoek ter verbetering van de Nederlandse onderhoudssector.

Momenteel werkt Jimenez-Roa bij het Koninklijk Nederlands Lucht- en Ruimtevaartcentrum (NLR) als medior R&D engineer. Zijn werk in Prognostics and Health Management (PHM) helpt bij het intelligent beheren en onderhouden van technische systemen.

Het integreren van alle beschikbare data is echter vaak nog steeds problematisch. Een belangrijk kenmerk van zijn promotieonderzoek is het samenbrengen van betrouwbaarheidsmodellering, degradatiemodellering en onderhoudsoptimalisatie. Zo kunnen monitoringgegevens worden vertaald naar een concrete beslissingsvraag: wanneer en hoe moet er worden ingegrepen?

Jimenez-Roa illustreert dit, in goede Nederlandse traditie, met koffie. Wie ook morgen weer koffie wil, moet het koffiezetapparaat operationeel en veilig houden. Gebruik hiervoor dan sensoren die continu data leveren over bijvoorbeeld opwarmtijden en het vermogen van de waterpomp. Dit laat zien hoe 'gezond' het apparaat nog is. In PHM-termen is dit de monitoringfase. "Monitoring voegt alleen waarde toe als het de beslissing ondersteunt over wanneer en hoe in te grijpen," zegt Jimenez-Roa.

Degradatietrends

In de bekroonde studie onderzoekt hij hoe verschillende wiskundige modellen in de daaropvolgende prognosefase kunnen bijdragen aan de analyse en integratie van de verzamelde data in degradatietrends. De prognosefase is de taak binnen PHM die zich bezighoudt met het begrijpen van het verloop van degradatie over de tijd. Vervolgens is het mogelijk om de resterende levensduur (Remaining Useful Life - RUL) van kritieke componenten te voorspellen.

Dat specifieke aspect viel buiten zijn proefschrift. Dat richtte zich op multi-state degradatiemodellen om de ernstniveaus in componenten vast te leggen. Wanneer de RUL onder een kritieke drempel dreigt te zakken, kan er een preventieve onderhoudsafspraak worden ingepland. Het lijkt dan ook veilig om te stellen dat wie PHM verrijkt met AI, nooit meer zonder koffie komt te zitten.

Roadmap voor moderne infrastructuur

De vernieuwde PHM-roadmap heeft een groot potentieel voor moderne infrastructuur, machines en productieprocessen. Deze zijn zo complex, kostbaar en vitaal dat storingen tijdig, beter en zoveel mogelijk voorkomen moeten worden. Denk aan drinkwater, elektriciteit, riolering of internet. Om nog maar te zwijgen van industriële productieprocessen die catastrofaal kunnen ontsporen. "De studie geeft aan dat AI de systematische PHM-aanpak helpt om meer controle over dergelijke systemen te krijgen dan het huidige reactieve en geplande onderhoud."

Falen voorspellen

Deze aanpak levert kostenbesparingen, betere veiligheid, hogere beschikbaarheid en een langere levensduur op. In zijn studie onderzocht hij hoe PHM technologie, wiskunde en data-analyse combineert om het onderhoud van systemen strategisch te beheren. Jimenez-Roa: "Het uiteindelijke doel is om de overstap te maken van gepland of reactief onderhoud naar voorspellend (predictive) en voorschrijvend (prescriptive) onderhoud."

Deep Reinforcement Learning is een vakgebied binnen de informatica dat zich richt op algoritmen die patronen uit data kunnen leren. Het wordt vaak beschouwd als een subklasse van AI-algoritmen die een steeds beter beeld krijgen van de gezondheid van een systeem. Ze leren degradatiepatronen in de verzamelde informatie te herkennen en te extrapoleren. Wiskundige modellen beschrijven bekende fysieke degradatieprocessen zoals vermoeidheid, slijtage en corrosie.

Fault Trees (Foutbomen) bijvoorbeeld zijn wiskundige modellen gebaseerd op waarschijnlijkheidsrekening. Ze helpen te begrijpen hoe falen zich door een systeem verspreidt en worden veelvuldig gebruikt in de betrouwbaarheidstechniek en bij de validatie van moderne slimme onderhoudsmodellen. Zo ben je niet te vroeg met het vervangen van onderdelen die nog prima werken, maar ook niet te laat met het vervangen van defecte onderdelen.

Het bekroonde proefschrift beslaat drie hoofdgebieden van PHM: betrouwbaarheidsmodellering, op Markov-processen gebaseerde prognostiek en onderhoudsoptimalisatie. De resultaten tonen aan dat op deze manier aanzienlijk betere onderhoudsbeslissingen kunnen worden genomen. Een voorwaarde is echter wel de beschikbaarheid van de juiste data-'ingrediënten'.

Lezen, redeneren en uitleggen

Het proefschrift van Jimenez-Roa gebruikt rioolpersleidingen als onderdeel van de casestudy's. Deze systemen degraderen langzaam, zijn kritiek, maar moeilijk en duur om te monitoren. Hij kon gebruikmaken van historische inspectiedatabases van Rolsch Assetmanagement in een casestudy over het rioolnetwerk van Breda.

Hij benaderde het probleem vanuit twee invalshoeken: enerzijds richt hij zich op het selecteren van de beste wiskundige modellen om degradatie te modelleren; anderzijds ontwikkelt en traint hij 'agents' om de strategische onderhoudsplanning te bepalen door verschillende scenario's te simuleren. Hieruit selecteren zij vervolgens geleidelijk de optimale onderhoudsstrategie.

Bekijk via deze link alle presentaties terug.