Hvordan kan vedligeholdelsesplanlægning optimeres og gøres mere effektiv og dynamisk?

Vordingborg Forsyning har over 500 pumpestationer, der transporterer spildevand og regnvand til deres rensningsanlæg. Pumpestationer kræver alle løbende vedligeholdelse for at sikre driften. Mens pumper i mere lukkede systemer oplever et mere homogent miljø, rammes spildevandspumper af flere udfordringer, såsom klude, sten og andre fremmedlegemer, som påvirker deres ydeevne, og dermed kræver et uplanlagt vedligeholdelsestjek.

Vordingborg Forsyning har et ønske om at transformere deres vedligeholdelse fra planlagt og reaktiv vedligeholdelse til en databaseret, dynamisk vedligeholdelsesplanlægning.

I samarbejde med Neurospace har Vordingborg Forsyning gennemført en AI Camp, der demonstrerer, hvordan historiske data kan anvendes til at skabe en dynamisk planlægning af deres vedligehold.

AI og Data Drevet Vedligehold

Vordingborg Forsyning er ansvarlig for over 500 spildevandspumpestationer og vil gerne forbedre deres vedligeholdelsesproces fra reaktiv til proaktiv med prædiktivt vedligehold. I samarbejde med Neurospace har de brugt maskinlæring (AI) til at prioritere vedligeholdelse af pumpestationer baseret på historiske data.

Målet var, at modellen skulle opnå 50 % nøjagtighed i prioriteringen af, hvilke stationer der skulle vedligeholdes først. Dette giver Vordingborg Forsyning mulighed for at modtage en daglig, prioriteret liste over de stationer, der kræver opmærksomhed. En databaseret vedligeholdelsesplan frigør ressourcer, som normalt ville være afsat til planlagt vedligeholdelse.

Når spildevandsstationer ikke fungerer efter hensigten, er der risiko for, at områder oversvømmes, og at medarbejderne skal udføre reparationer uden for arbejdstiden. Der kan også være efterfølgende skader som en direkte følge af oversvømmelserne. Det tager op mod to år at gennemgå alle spildevandsstationer, og med en nøjagtighed på 50 % vurderes det, at uønskede situationer vil kunne reduceres signifikant.

Næste skridt i projektet er implementering, overvågning og forbedring af modellen. Derudover skal der oprettes en journalføring af operatørernes alarmer, så der kan indsamles data om problemerne på stationerne. Disse data kan på sigt bruges til at forbedre machine learning modellens evne til at identificere alarmer.

Værdien for Vordingborg Forsyning

Problemstilling og Målsætning

Vordingborg Forsynings nuværende system giver kun alarmer, når der opstår en termofejl på en motor til pumperne. Termofejl er et resultat af, at motoren, der driver pumpen, overbelastes. Dette kan for eksempel være, hvis pumpehjulet bliver blokeret, eller at det bliver for tungt for den at trække pumpehjulet rundt. Denne type alarm giver kun en indikation af, at der er et problem på motoren, og kan ikke fortælle, om der bliver pumpet nok vand, eller om en kontraventil sætter sig fast.

Alternativet til at bruge AI er, at vedligeholdelsesteamet kan trække data på alle pumpestationer og manuelt gennemgå fejl, hvilket er tidskrævende og ikke altid værdiskabende sammenlignet med planlagt vedligehold.

Vordingborg Forsyning og Neurospace har sat sig for at løse denne komplekse problemstilling. Derfor blev der defineret klare målsætninger for, hvornår modellen kan betragtes som en succes, og hvad der ville udgøre en værdiskabende forbedring i forhold til den nuværende situation.

Det primære mål i projektet er, at modellen med 50 % nøjagtighed skal kunne prioritere, hvilke pumpestationer der først skal undergå vedligeholdelse.

Denne målsætning er baseret på antagelsen om, at en 50 % effektivisering af vedligeholdelsespersonalets arbejdsgange teoretisk set vil føre til en fordobling af antallet af rettidige vedligehold – hvilket i sig selv er en betydelig forbedring.

Resultater

I Proof of Concept fasen (PoC) viste modellen en nøjagtighed på 60%, hvilket oversteg det oprindelige mål for modellens nøjagtighed. Selvom 60% nøjagtighed kan lyde lavt, er det på denne komplekse problemstilling et virkeligt godt resultat. Vordingborg Forsyning og Neurospace agter at øge dette yderligere ved at fortsætte fra PoC til et pilotprojekt hvorpå modellen bliver beriget med flere eksterne datakilder for at gøre den endnu mere præcis.

Ved at anvende machine learning (AI) til at identificere abnormaliteter kan Vordingborg Forsyning nu dagligt modtage en prioriteret liste over de stationer, der har behov for vedligeholdelse. Denne prioritering er baseret på historisk data fra pumpestationerne og kigger kontinuerligt på de aktuelle tal fra bl.a. SCADA. På den måde har Vordingborg Forsyning altid det nyeste overblik tilgængeligt.

Dynamisk planlægning frigør ressourcer, da medarbejderne kan arbejde mere målrettet frem for reaktivt. Hvis der er 50% chance for en komplikation på en station, er det allerede 50% mere sandsynligt og dermed frigivet spild kørsel til stationerne.

Samtidigt kan den dynamiske planlægning også afhjælpe de stadigt stigende klimaproblematikker i spildevandssektoren med store nedbørsmængder i korte perioder. Ekstremnedbør er en del af spildevandsselskabernes hverdag og at have vedligeholdte pumper til disse situationer er nødvendigt for at lave klimatilpasning.

Samarbejdet i AI Camp

Samarbejdet mellem Vordingborg Forsyning og Neurospace er transparent og effektivt, hvilket vakte innovative tanker omkring anvendelsen af machine learning (AI). Der var initialt mange projekter oppe at vende, og selvom det i starten var meget abstrakt, blev det valgte spildevandsprojekt identificeret som det mest værdifulde, håndgribelige og eksekverbare. Ved at kombinere domæneviden inden for maskinlæring og spildevand, blev det klart, at dynamisk planlægning ville være den nuværende løsning med potentiale for at skabe mest værdi på tværs af sektoren.

“

Vi startede vores AI Camp med Neurospace uden en konkret case, men med bred repræsentation fra hele vores multiforsyning. Vi blev mødt af en stærk faglighed og dyb forståelse for vores hverdag. Neurospace var skarpe til at hjælpe os med at identificere en værdiskabende business case, som vi i dag er i fuld gang med at implementere.

”

Jesper Bolin