Predictive maintenanceplatform voor gemaalonderhoud en afvalwaterbeheer

De wereldwijde klimaatverandering kent een breed scala aan nadelige gevolgen. Zo maken extreme neerslag en lange, droge periodes onze huidige afvalwatersystemen kwetsbaar. De bestaande infrastructuur van rioolgemalen is immers niet afgestemd op deze verschijnselen. Dit leidt tot een geïntensiveerde onderhoudsbehoefte bij rioolgemalen en kan leiden tot wateroverlast. Burgers ondervinden ernstige hinder van zowel onderhoudswerkzaamheden als wateroverlast. De waterschappen en gemeenten die verantwoordelijk zijn voor onze rioolsystemen krijgen op hun beurt de bijbehorende rekening gepresenteerd.

Deze ontwikkelingen steken schril af tegen het innovatieprogramma van het topcluster Maintenance. Dit innovatieprogramma mikt juist op het bereiken van een efficiëntieslag in onderhoudsprocessen, gestoeld op de implementatie van predictive maintenance. Door het vergaren en analyseren van (sensor)data kan de onderhoudsbehoefte voorspeld worden en zijn werkzaamheden te optimaliseren. Dit voorkomt onnodig werk, stilstand van de apparatuur en maakt het mogelijk om snel en proactief op storingen in te spelen. Dankzij ontwikkelingen op het gebied van Machine Learning in de topsector High Tech Systemen en Materialen worden predictive maintenancesystemen bovendien steeds krachtiger en effectiever.

Penvoerder Kanters herkent als installateur en serviceorganisatie voor gemalen en rioleringsstelsels de geschetste onderhoudsproblematiek. Bovendien merkt zij dat de huidige arbeidsintensieve aanpak veel mankracht vergt, terwijl het zoeken van gekwalificeerd personeel steeds moeilijker wordt. Daarom ontwikkelt zij met partners Squadra Machine Learning Company en Rational Solutions in dit project een predictive maintenanceplatform voor het effectiever en efficiënter onderhouden van gemalen en afvalwatersystemen.

In dit R&D samenwerkingsproject zijn drie essentiële deelresultaten gedefinieerd. Allereerst ontwikkelen de partners een oplossing waarmee data uit gemalen kan worden verzonden via bestaande elektriciteitsnetwerken. De gewonnen data zal daarna worden geanalyseerd door een voorspellend model dat de onderhoudsbehoefte bepaalt op basis van de actuele data. De resultaten worden vervolgens via een dashboard en/of onderhoudsmanagementsysteem (OMS) getoond aan de eindgebruiker. Rational Solutions BV is verantwoordelijk voor de dataoverdracht, Squadra Machine Learning Company voor de softwareoplossing en Kanters zal als domeinexpert de validatie van de oplossing verzorgen bij drie pilotlocaties in Zuid-Nederland.

Om het predictive maintenanceplatform te realiseren is een innovatieproject nodig. Er zijn op dit moment nog geen hard- en softwareoplossingen beschikbaar om data via het bestaande elektriciteitsnet te verzamelen en om op basis van deze data voorspellingen te doen over de onderhoudsbehoefte van gemaalinstallaties. Met dit samenwerkingsproject draagt het consortium bij aan een effectiever en efficiënter afvalwatermanagement. Daarnaast levert zij een bijdrage aan de doelstellingen van de Topsectoren HTSM, Water en van het topcluster Maintenance. Zuid-Nederland profiteert bovendien van de financieel-economische voordelen, een groei in werkgelegenheid en de optimalisering in het afvalwaterbeheer die dit project oplevert.

Projectinformatie

Programma:
Prioriteit
R&D samenwerking (R&D)
Regio
Noord-Brabant
Projectlocatie
VEGHEL
Startdatum:
1-10-2019
Einddatum:
30-9-2021

Begunstigde:

Adres:
Doornhoek 3745
VEGHEL
Nederland
Partner(s):
Kanters B.V.; Rational Solutions B.V.; Squadra Machine Learning Company B.V.

Financiering

Rijk:
€ 99.351
Noord-Brabant:
€ 99.351
Overig :
€ 99.351
Totaal publiek:
€ 298.053
Totaal privaat:
€ 369.018
Totale subsidiabele kosten:
€ 667.071

Statistieken

Totale subsidiale kosten

Totaal publiek