Monitoring & Analytics met machine learning op de pieren van Luchthaven Schiphol

Luchthaven Schiphol in Amsterdam zet zich in voor een prettig ontvangst en verblijf van duizenden reizigers per dag. Dit stelt hoge eisen aan de installaties die de ruimten verwarmen, koelen en de lucht schoon houden en daarmee een aangenaam binnenklimaat creëren. Schiphol wil dat op een efficiënte en duurzame wijze blijven doen en gaf DWA de opdracht het functioneren van de installaties te monitoren en te verbeteren met behulp van machine learning.

Slimme monitoring

Om de beoogde efficiency en duurzaamheid te realiseren is het noodzakelijk om het functioneren van de installaties en het energiegebruik te monitoren. DWA bewaakt al meer dan tien jaar de energiecentrales van de pieren. Deze centrales, die de benodigde warmte en koude leveren, werken met ondergrondse opslag van warmte en koude, warmtepompen en voorzieningen om ’s winters koude uit de buitenlucht te oogsten. Schiphol bespaart hiermee circa 50% fossiele brandstof in vergelijking met conventionele installaties.
Door deze beschikbare data te combineren met diepgaande kennis van de installaties, werd een slimmere en doeltreffende bewaking mogelijk. Dit gaat verder dan het volgen van temperaturen of het maken van trendlijnen voor een energieverbruik. Voor het bewaken van het technisch en energetisch functioneren van de warmte/koude-centrales heeft DWA een groot aantal regels en berekeningen geïmplementeerd in het softwarepakket Simaxx, zodat de analytics volautomatisch verloopt en eventuele afwijkingen automatisch worden gemeld. Deze rule-based analyse vereist een goed inzicht in de fysische processen. De methode werkt alleen doelmatig als de inzichten worden vertaald in uitgekiende regels waarmee het verschil tussen ‘goed’ en ‘niet goed’ functioneren kan worden onderscheiden.

Van rule-based naar data-based

Sinds een aantal jaren werkt DWA aan nieuwe analysetechnieken, gebaseerd op artificial intelligence en machine learning. DWA voerde voor Luchthaven Schiphol een pilot uit met behulp van machine learning. Schiphol heeft in het hele terminalgebied circa 600 luchtbehandelingskasten staan. Het is praktisch onhaalbaar en kostbaar om die elk individueel op basis van rule-based technieken te monitoren. Algoritmes op basis van machine learning bleken hier echter wél heel behulpzaam te zijn.

De pilot bestond uit het trainen van een algoritme om een bepaald type luchtbehandelingskast te analyseren. In zo’n luchtbehandelingskast vinden een groot aantal processen plaats: verse buitenlucht aanzuigen, filteren, eventueel mengen met retourlucht, verwarmen of koelen, en transporteren naar de afnemers. De besturing is complex. Er wordt geregeld op CO2-gehalte in afnamegebied. Hoe meer personen, hoe meer CO2-productie, hoe meer ventilatielucht. En omgekeerd.

Tegelijkertijd moet de ventilatielucht ervoor zorgen dat de ruimten op de gewenste temperatuur blijven door warme of juist gekoelde lucht in te blazen. De temperatuur en het debiet van de ventilatielucht worden derhalve ook gedicteerd door de ruimteregeling.

Trainen om tot betrouwbare voorspellingen te komen

Voor de E-pier zijn in deze pilot zeven luchtbehandelingskasten van hetzelfde type geanalyseerd. Het machine learning algoritme leerde hoe de luchtbehandelingskast zich gedraagt aan de hand van de historische data van één luchtbehandelingskast. De kwaliteit van deze data is uiteraard van groot belang. Vervolgens werden de overige luchtbehandelingskasten, waarvan ook de historische data beschikbaar was, geanalyseerd met het getrainde model. Hieruit kwamen ‘rapportcijfers’ die aangeven of het feitelijke gedrag en het voorspelde gedrag met elkaar overeenkomen.

De pilot leverde heel bruikbare resultaten. Met name voor één luchtbehandelingskast waar de luchttoevoer afwijkend gedrag leek te vertonen. Op grond van de analyse is de betreffende luchtbehandelingskast in het veld opgezocht en geïnspecteerd. Hieruit bleek dat er inderdaad met de aanvoer van verse lucht problemen waren, doordat een andere component in het luchttoevoerkanaal (die niets met de luchtbehandelingskast te maken heeft), niet goed werd aangestuurd. De omvang van deze pilot was beperkt, maar het toont aan dat op deze manier afwijkingen in luchtbehandelingskasten efficiënt kunnen worden opgespoord en verholpen.

Het vinden van het onvindbare

Het interessante is dat deze afwijkingen met traditionele inspecties niet te vinden is, maar door data-analyse aan het licht komt. Het laat zien dat machine learning een krachtig hulpmiddel is om het functioneren van installaties te bewaken. Overigens betekent dit niet dat rule-based analyse ouderwets is. Machine learning is een toevoeging aan het arsenaal van analysetools waar DWA monitoring & Analytics over beschikt.

In vervolg op de pilot doen Schiphol en DWA momenteel een Proof of Concept waarin de relatie wordt onderzocht tussen passagiersstromen in een pier en het energieverbruik en de aansturing van de klimaatinstallaties. Uit vluchtinformatie kunnen passagiersstromen in een pier voorspeld gaan worden. Die informatie wil Schiphol gebruiken om klimaatinstallaties nog slimmer en energiezuiniger aan te sturen.