We gebruiken de realtime data, verwerken en valideren deze om zo het zelf gemaakte algoritme steeds slimmer te maken. Het is dus in staat om realtime de machine curves bij te werken en voorspellingen te doen. Indien deze afwijken weten we ook nog dat er onderhoud nodig is om na te kijken waar dit zit. De hele stack heeft ons R&D team zelf gebouwd om dit te faciliteren en staat los van onze reguliere infrastructuur.

Het oplossen van meerdere problemen

We lossen meerdere problemen tegelijkertijd op met dit algoritme:

• We reduceren de energetische behoefte zo hoog als fysiek mogelijk met de opstelling met alleen software wijzigingen.
• We kunnen kijken aan de hand van de afwijking met voorspellingen of er onderhoud nodig is en kunnen gebaseerd hierop fouten detecteren. (Op een andere manier dan dure trillingsmetingen).
• We stellen het gemaal in staat om een aansturing op basis van onbalans op het elektranet vele malen eenvoudiger te maken door alles te normaliseren.

Besparing van de pilot

Het R&D team heeft gekeken naar schaalbaarheid en eenvoud. Het is zelf zo eenvoudig dat je de voorgedragen oplossing als "external" device kan inzetten om advieswaarden te geven op de huidige PLC infrastructuur en niet noodzakelijk terugkoppeling moet krijgen van het systeem. Uiteraard hoe dommer je het systeem maakt hoe minder het kan leren uit de actuele situaties.
De besparing op onze gemaakte pilot was maar liefst 28% tov conventionele aansturingen van dezelfde aantal machines. De besparing is vooral afhankelijk van de beschikbare assets. Als deze elkaar in bereik kunnen overlappen zal de besparing groot tot zeer groot kunnen zijn.
De businesscase is dus afhankelijk van de assets maar gezien het grote potentieel en de relatief lage kost van onze stack maakt dat het in bijna alle situaties een "no-brainer" moet zijn.

Verbruik maximaal terugbrengen

De grootste snelste en beste manier is om verbruik van huidige technieken maximaal terug te brengen. Dat kan alleen maar door middel van het optimaliseren van de aansturing of door de machines zelf efficiënter te maken. Gezien we geen controle hebben als waterschap op het laatst genoemde focussen we op het eerste.
Door het feit dat we voornamelijk met software werken hebben we sowieso al een hele lage CO2 impact met ons project aan zich.

Samenwerking

Het R&D team bestaat uit een intern netwerkteam van verschillende disciplines die elk hun expertise mee nemen. Dit maakt ons sterk. Daarenboven werken we ook samen met hogescholen om studenten als klankbord te gebruiken en om mee te werken in de opbouw van onze testopstellingen.

Artificieel Intelligente RealTime Control (AIRTC) is waar we hard aan werken in het R&D lab bij de brabantse delta. Zo hebben we voor het project met codenaam 'Carbon' dmv een eigen gemaakt algoritme ervoor gezorgd dat we grote efficientie winsten boeken in het aansturen van meerdere machines op 1 proces. (Denk aan 3 pompen met een gezamelijke header van een gemaal of 4 compressoren op een header van de beluchting).
In het R&D lab hebben we om dit te kunnen testen vervolgens een mini gemaal opstelling gemaakt waar we verschillende scenarios op kunnen draaien. Zo kunnen we onmiddelijk zien of onze modellen (digital twin) en algoritmes leveren wat wij ervan verwachten. Dit is de digitale transformatie in alle aspecten.