Datagedreven onderhoud voor rijkswegtunnels in Nederland

De wereld om ons in heen verandert in rap tempo, alle digitale ontwikkelingen veranderen de mogelijkheden die we hebben. Daarbij stijgt het aantal verkeersbewegingen en wordt een steeds hogere beschikbaarheid verwacht van de (ondergrondse) infrastructuur. Met de opkomende renovatie-opgave ligt er een unieke kans om verbeteringen of innovaties op het gebied van onderhoud te introduceren.

De dagelijkse praktijk leert dat beschikbare databronnen niet of onvoldoende worden benut voor onderhoud en dat aanvullende datavraagstukken nauwelijks worden meegenomen in renovatie- of nieuwbouwprojecten. Deze uitdagingen worden onder meer onderschreven door het Institute of Asset Management [1] en het tunnelprogramma van het COB [2].

Johan Bel heeft voor zijn afstuderen aan de Hogeschool Utrecht onderzocht in hoeverre data vanuit de tunnelbesturing kan bijdragen aan het onderhoudsproces. Het onderzoek is opgesplitst in vier fases. Allereerst is het huidige onderhoudsproces en het verbeterpotentieel onderzocht, vervolgens is gekeken naar het toekomstperspectief van onderhoud, waarbij gebruikgemaakt is van kennis uit andere sectoren. Hierna is een analyse gemaakt van de reeds aanwezige data en de manier waarop deze in het onderhoudsproces kan bijdragen aan zowel de verbeterpunten in de huidige situatie als aan het realiseren van het toekomstperspectief. Om verandering naar een meer datagedreven onderhoudsproces in gang te zetten, zijn tot slot de ‘drivers en barriers’ in kaart gebracht. De uitkomst van het onderzoek is vervolgens samengevat in een groeimodel voor datagedreven onderhoud.

Huidige onderhoudsproces

Met een proces-FMEA (failure modes and effects analysis) is gekeken naar de faalmechanismes in het huidige onderhoudsproces. Uit de analyse blijkt dat door het toevoegen van (realtime) data vanuit de tunnelbesturing de volgende verbeterpunten kunnen worden gerealiseerd:

• Verhogen van kwaliteit en betrouwbaardere uitkomst RAMS-rapporten/
• Verschuiving van key performance indicators van lagging naar leading.
• Sluiten van PDCA-loop en het continu verbeteren van de onderhoudsbehoefte(s).

Door deze punten te verbeteren, verandert het traditionele onderhoudsproces naar een meer datagedreven manier van werken. En worden beslissingen genomen op basis van (realtime) data uit het veld, wat ook wel wordt beschreven als conditiegestuurd onderhoud op basis van procesparameters [3].

Toekomstperspectief

Bij het analyseren van het toekomstperspectief van het onderhoudsproces is gebruikgemaakt van experts uit de tunnelsector. Uit de studie volgden drie conclusies:

• Programmeren van onderhoud zal gebeuren op basis van feiten en data.
• Assets en/of systemen zullen de onderhoudsbehoefte aangeven.
• Onderhoud zal uitgevoerd worden op basis van voorspellende technologie.

Daarnaast zijn sectoren onderzocht die een stap verder zijn met het toepassen van data in het onderhoudsproces. Hiervoor is gebruikgemaakt van onder andere de kennis van ProRail, het Rijkswaterstaat DataLab (sluizen/asfalt) en nutsbedrijven.

Om het toekomstperspectief te verwezenlijken, zal data uit het veld moeten worden verrijkt met contextdata. Hierbij moet gedacht worden aan gegevens over het weer, operationele data en vervoersstromen. De onderliggende technieken hiervoor zijn machine learning en pattern recognition [4]. Aangezien deze technieken nog in de kinderschoenen staan voor onderhoudsprocessen en de predictors (voorspellende factoren) onbekend zijn, zal aanvullend onderzoek nodig zijn.

Analyse

In de analysefase is de data vanuit tunnelbesturing, zoals voorgeschreven in de Landelijke Tunnelstandaard (LTS) [5][6], gekoppeld aan het onderhoudsproces. Hierbij is gebruikgemaakt van FMECA’s (failure mode, effect and criticality analysis) waarmee de onderhoudsbehoefte per deelinstallatie is bepaald. Hieruit zijn onderhoudstaken geformuleerd en is de databehoefte per onderhoudstaak vastgesteld.

Aan de hand van de LTS is onderzocht of deze data voorgeschreven en dus beschikbaar is. Daarbij is ook bekeken of er aanvullende data beschikbaar is, afkomstig van bijvoorbeeld ‘slimme’ assets en expertsystemen. Uit de analyse kan worden geconcludeerd dat door toevoeging van data zoals voorgeschreven door de LTS het onderhoudsproces verandert van een reactief naar een realtime proces; door toevoeging van data uit ‘slimme’ assets en expertsystemen gaat het naar een ‘leading’ proces. Het toevoegen van data aan het onderhoudsproces draagt direct bij aan de verbeterpunten zoals geformuleerd in de huidige situatie.

Drivers en barriers

In de laatste fase van het onderzoek zijn de drivers en barriers onderzocht voor datagedreven onderhoud; stimulansen en obstakels. Hierbij is gebruikgemaakt van een tweetal brainstormsessies. De grootste drivers voor het implementeren van datagedreven onderhoud zijn:

• Assets genereren steeds meer data.
• Kosten voor data verzamelen, verwerken en opslaan nemen snel af.
• Openheid en transparantie naar opdrachtgever en gebruikers.
• In-control raken, leidend in plaats van reactief onderhoudsproces.
• Kostenreductie, LCC, operationele kosten, etc.

De grootste barriers voor het implementeren van datagedreven onderhoud zijn:

• Sector/organisatiecultuur is niet ‘data-minded’.
• Huidige kwaliteit van data is onvoldoende.
• Ophalen van data uit systemen is niet mogelijk (bijv. cybersecurity).
• Bijscholing van maintenance-engineers (investeringskosten).

Conclusie

Door het verbeteren van het huidige onderhoudsproces middels het gebruik van data wordt een bijdrage geleverd aan het verbeteren van RAMS-rapporten/onderhoudsplannen, kan de PDCA-loop worden gesloten, kan er op het continu verbeteren van onderhoudsbehoefte(s) worden ingezet en verschuift het proces van reactief naar leidend.

Of data van tunnelbesturing kan bijdragen aan het toekomstperspectief is niet met zekerheid te zeggen. Machine learning en pattern recognition staan in zijn kinderschoenen voor onderhoudsprocessen. Wel kan een basis worden gelegd door het vergaren van data uit tunnelbesturing en het toevoegen van contextdata.