arrow btn arrow right arrow left chevron chevron mouse pulser checkmark date calendar calendar

Pilot machine learning bij Hellebrekers

11 januari 2023
Ferro Koorrnberg

Door installaties in productieprocessen te koppelen aan de IT-wereld op kantoor, vallen grote efficiëntieslagen te behalen. FME-lidbedrijf Hellebrekers voerde recent een pilot uit met machine learning en liet algoritmes uitzoeken wat de oorzaak van matige waterkwaliteit was in een zwembad. Met de ervaring die het bedrijf zo opdoet, kan Hellebrekers vele productieprocessen verregaand automatiseren.

Hellebrekers is specialist in totaaloplossingen voor proces- en gebouwinstallaties. Het bedrijf uit Nunspeet ontwerpt, realiseert en beheert technische installaties voor zwembaden en leisure accommodaties en industriële productiebedrijven. Daarnaast ontwikkelt Hellebrekers software voor het zo efficiënt mogelijk inzetten van deze installaties. Hellebrekers zelf is meer dan vijftig jaar geleden gestart als installatiebedrijf en startte ruim 45 jaar geleden met de technische inrichting van zwembaden. Zij zien nu grote kansen in de toepassing van kunstmatige intelligentie om installaties efficiënter in te zetten.

Automatisering in de zwembad- en leisurebranche

In een zwembad zag Hellebrekers in het voorjaar van 2022 dat de waterkwaliteit steeds net binnen de marge bleef. "Op zich niet alarmerend, maar het viel wel op," aldus Ferro Koornberg, manager software engineering bij Hellebrekers. "Dat leek ons een mooie case om een pilot machine learning op los te laten en een algoritme door de data heen te laten gaan." De data waar Hellebrekers naar keek, varieerden van kassagegevens en hoeveel mensen er binnen waren, tot gegevens over het weer en de neerslag in het buitenbad. Verder loggen de systemen van Hellebrekers de zuurgraad en het chloorgehalte en kunnen ze gegevens over pompen en kleppen monitoren.

"Zeker in deze tijd zijn dit soort kosten- en milieuoverwegingen erg belangrijk en dan kan machine learning een verschil maken."

Als je met machine learning een probleem wilt aanvliegen, kent dat drie belangrijke fases waar je doorheen moet. Allereerst de data-engineering. “Je moet met jouw specialisten zorgen dat data uitgelezen wordt. Daarbij  is het van belang dat je datasets uit periodes zonder problemen kunt vergelijken met de huidige situatie. Als derde heb je domeinkennis nodig," aldus Koornberg. "Sommige verbanden tussen datasets zijn heel logisch en anderen juist volstrekt onmogelijk. Daar wil je de software niet eindeloos op laten rekenen. Daar komt onze ruime ervaring in het leveren en onderhouden van zwembadinstallaties goed van pas."
 
De enige variabele die Koornberg in het geval van het zwembad opmerkte, was een verbouwing in een bepaalde periode. Zo zorgde waarschijnlijk een stuk 'dode leiding' voor een negatief effect op de waterkwaliteit. Koornberg: "Dat lijkt natuurlijk logisch, maar het aan elkaar koppelen van die data, en algoritmes laten zoeken naar onbekende verbanden is een compleet nieuwe aanpak in deze branche."

Voordelen machine learning 

Wat kan machine learning deze sector brengen? Het levert volgens Koornberg in eerste instantie kennis op om energie en kosten te besparen. "Als je weet dat een bepaalde groep gebruikers netjes doucht en het water schoon blijft, kun je daar rekening mee houden met het filteren van het water. Als je bij het verwarmen vooraf meeweegt of de buitentemperatuur stijgt, kun je efficiënter een zwembad of saunacomplex verwarmen. Zeker in deze tijd zijn dit soort kosten- en milieuoverwegingen erg belangrijk en dan kan machine learning een verschil maken." Daarnaast is er ook een relatie met de krappe arbeidsmarkt. Als je systemen op afstand goed kunt uitlezen en monitoren, dan hoeft een monteur alleen langs te komen wanneer het echt nodig is. Ook scheelt het in het lopen van een inspectieronde van het reguliere personeel wanneer je data via apps inzichtelijk maakt.

Automatisering in de procesindustrie

De mogelijke toepassingen van data verzamelen, vergelijken en met machine learning conclusies trekken zijn eindeloos. Voorspellend onderhoud is dan een term die je vaak hoort en dan niet alleen in de zwembadwereld, maar ook in de procesindustrie. Toch zijn in de aanloop daar naartoe volgens Koornberg nog grote stappen te maken. De koppeling tussen de OT-wereld (operation technology) in een productielijn en IT-wereld op kantoor is nog lang niet vanzelfsprekend. Koornberg: "Zo zien we regelmatig dat er handmatig instelwerk gebeurt. Een voorbeeld is een ouderwetse lotcode-printer die de houdbaarheidsdata op de verpakking printte bij een producent van voedingsmiddelen. Het betrof een handmatig proces met kans op fouten. Als je dat kan automatiseren en aan de productieorder die op kantoor langskomt kunt koppelen, scheelt dat enorm. Daar leveren wij via onze Manufacturing Execution System (MES) softwareoplossingen voor."

Tot slot was Hellebrekers nog betrokken bij het verregaand automatiseren van een kwekerij van meelwormen. Meelwormen zijn een waardevolle bron van proteïnen in vele voedingsmiddelen. Ze hebben voor 98% dezelfde eiwitsamenstelling als rundvlees, maar vergen een fractie van het gebruik van land, water en voedingsmiddelen. Koornberg: "In verschillende bakken zitten meelwormen in verschillende stadia van ontwikkeling, met elk een eigen behoefte aan bijvoorbeeld voeding, temperatuur en vochtigheid. Robots herschikken de bakken, verzorgen de meelwormen. Op deze wijze produceer je met vermalen meelwormen proteïnen voor de voedselverwerkende industrie met een fractie van de CO2-uitstoot van een reguliere boerderij met vleesrunderen." Om dit soort verregaande vormen van automatisering in je proces te verwerken, moet je dus wel je data uitlezen en de OT-wereld in je productieproces koppelen aan de IT-wereld op kantoor.

Inloggen in MijnFME

Exclusief voor leden
Sluiten