Hoe AI het onderhoud van pijpleidingen drastisch verandert
In Rotterdam staat de grootste raffinaderij van Europa en daarmee één van de grootste ter wereld. Op het terrein van 550 hectare (1000 voetbalvelden) staan ongeveer zestig fabrieken waarin olie op allerlei manieren wordt verwerkt. Naast de fabrieken is er ook een immense hoeveelheid pijpleidingen om de producten te vervoeren. In totaal gaat het om 160.000 kilometer aan leiding, dat is vier keer de aarde rond. Om die regelmatig te controleren op onder andere roest en slijtage is een enorme uitdaging. Maar wel eentje die binnenkort een stuk makkelijker wordt.
Onderzoekscentrum
Voor een ‘oplossing’ moet je een stukje verder naar het noorden. Naar Amsterdam om precies te zijn. In een immens gebouw dat volledig is toegewijd aan onderzoek en ontwikkeling wordt de laatste jaren volop onderzoek gedaan naar de immense mogelijkheden van predictive maintenaince door het gebruik van AI en Machine Learning. Kort gezegd: het onderhouden van die vele duizenden kilometers aan pijpleiding moet makkelijker, goedkoper en veiliger worden.
Voorspellend onderhoud
De beste manier om dat voor elkaar te krijgen is door onderhoud te voorspellen op basis van big data. Hoe meer en hoe beter de data, des te beter het voorspellend vermogen van het achterliggende algoritme en des te betrouwbaarder het resultaat is.
Samenwerking LINKIT
Ergens verstopt in dit immense onderzoekscentrum werken data engineers Anis Boudih (25) en William Geuns (25) van LINKIT sinds respectievelijk vier en zes maanden druk mee aan predictive maintenaince projecten. Vanwege de toenemende interesse in AI en Machine Learning is er behoefte aan extra talent. Na hun eerste periode durven ze wel iets te vertellen over hun bijzondere werk.
Pijpleidingstoplicht
Anis vertelt als eerste over het project waar hij mee bezig is: het meten van verschillen tussen twee sensoren in een pijpleiding. “We hebben een soort van stoplicht die de verschillen beoordeeld. Als bijvoorbeeld het temperatuurverschil tussen twee opeenvolgende sensors te groot is, gaat hij van groen naar oranje of rood. Dat is een indicatie dat er een inspecteur heen moet voor controle.”
Dataspeurneus
Dat klinkt als een simpel traject, maar heeft zo zijn haken en ogen legt Anis uit. “Ik heb zelf een supportrol. Ik kom in actie als er data ontbreekt, of als er een probleem is met het dashboard dat de data presenteert. Ontbrekende data wordt trouwens maar zelden veroorzaakt doordat een sensor niet werkt. In veel gevallen ligt het aan het transport van de data via de pijplijn, de dataverbinding tussen de sensor en het dashboard. Als data ‘zoek raakt’ ga ik op zoek naar de oorzaak en het ontbrekende stuk.”
Foto-inspectie
William werkt aan een heel ander project, dat een introductie vereist. “Al zo lang als ze bestaan gaan inspecteurs routinematig de pijpleidingen langs om ze te controleren op bijvoorbeeld roest en om te checken of de kleppen nog goed genoeg werken. Dit is erg arbeidsintensief en vanwege de enorme hoeveelheid aan pijpleidingen kunnen ze natuurlijk nooit overal tegelijk zijn. Wat we al wel hebben is een algoritme dat foto’s, die de inspecteur maakt van een stuk pijpleiding, zelfstandig kan beoordelen. Hij kan zien waar roest zit en veelvoorkomende afwijkingen opsporen. Voor de inspecteur werkt dit als een hulpmiddel voor het geval hij zelf iets over het hoofd ziet.”
Drones
Dit algoritme vormde het startpunt voor een veel groter project waar William nu aan werkt. “Door met drones heel veel foto’s te maken en die automatisch door een algoritme te laten beoordelen hopen we complete terreinen in kaart te brengen en doorlopend te kunnen beoordelen. Dat is natuurlijk een enorme klus. Het zijn ook zeker geen normale foto’s. het idee is om ze als het ware op een 3D model van het terrein te plakken, waardoor we heel precies kunnen zien waar risico’s ontstaan.”
Honderdduizend foto’s taggen
Maar daarmee ben je er nog lang niet. Want om het algoritme goed te laten werken, moet het eerst gevoed worden met de juiste data. In dit geval, de al bestaande foto’s die in het verleden zijn gemaakt. “We hebben nu ruim honderdduizend foto’s die allemaal worden ‘getagt’. Een monsterklus waarbij mensen handmatig per foto aangeven waar de fout zit. Op die manier ‘voedt’ je het algoritme als het ware met steeds meer en betere data, waardoor hij steeds slimmer wordt en steeds beter zelfstandig fouten kan ontdekken. Inmiddels is het algoritme zover dat hij het materiaal op de foto kan herkennen, kan beoordelen en in meerdere lagen kan weergeven. De volgende fase is het daadwerkelijk gaan testen.”
Zelf(standig) leren ‘rijden’
“Je kunt die fase redelijk vergelijken met hoe Tesla haar auto’s zelfstandig leert rijden,” legt William uit. “In het begin maakt hij nog allerlei fouten en ‘ziet’ hij dingen niet. Maar door de fouten in de data te verbeteren en vooral ook door heel veel data te verzamelen werk je steeds verder toe naar het punt waarop de auto echt zelfstandig de weg op kan. Voor ons geldt hetzelfde. Hopelijk wordt ons algoritme op een bepaald moment echt zo goed dat hij het onderhoud van terreinen zelfstandig kan voorspellen en beoordelen. En dat zou een enorme stap vooruit zijn.”
Stijle leercurve
Voor William zelf is het hoe dan ook een superleuk project. Helemaal omdat hij nog maar zes maanden in het vak zit. Hij volgde in 2019 de bootcamp van LINKIT, waarna hij als data engineer aan de slag ging. “In zes maanden heb ik hier ongeveer alles geleerd wat ik nu weet. Een enorm steile leercurve. Noem het maar op: Backend development, Python, Cloud (Azure en AWS), Docker, Scrum en nog veel meer. Ik leer nog steeds iedere dag bij en naarmate dit project in nieuwe fases terecht komt wordt ik iedere keer weer voor nieuwe, leerzame uitdagingen gesteld. Een ideale start van mijn carrière als data engineer!”
Wil je meer weten over de ‘hoe’ van het implementeren van AI en machine learning in een industriële setting? Lees dan ook onze whitepaper ‘van ongestructureerde data tot waarde voor je bedrijf’. Of bel met één van onze experts voor meer informatie.
