Datawetenschap: van zwarte doos tot glazen doos

Digitale oplossingen hebben de manier waarop nutsbedrijven werken getransformeerd, waardoor ze hun bedrijfsmiddelen beter kunnen begrijpen en op hun beurt betere, beter geïnformeerde beslissingen kunnen nemen. Hoewel gegevens en analytische technieken veelgebruikte hulpmiddelen zijn geworden in activabeheer, is het zinvol om grote dataverzamelingen te begrijpen en deze informatie te gebruiken om de het beste beslissingen kunnen een complex proces zijn.

Dat is waar datawetenschap om de hoek komt kijken. Als een unieke manier om traditionele statistieken samen te brengen in een zelfherkennend patroon, kan datawetenschap een buitengewoon krachtig hulpmiddel zijn in de oplossingenset van een hulpprogramma. Het kan echter ook extreem gevaarlijk zijn als je niet over het recht beschikt vriendelijk Van de gegevens. Data uit connected digitale oplossingen genereren allerlei patronen die allerlei interessante dingen onthullen, maar als die data niet kloppen, zegt het eigenlijk niets.

Als datawetenschappers is het onze taak om de waarde in data te vinden – verder kijken dan de oppervlaktecijfers om de benodigde informatie te vinden. Vervolgens helpen we onze klanten deze informatie in hun voordeel te gebruiken. Om deze waarde met succes te achterhalen, is het belangrijk om eerst de meest effectieve methode van datawetenschap te gebruiken. Deze methoden zijn in de loop van de tijd geëvolueerd, van storingsregistratie tot conditiebeoordeling.

Storingsrecords, een primaire gegevensbron die wordt gebruikt in activabeheer, is gericht op het gebruik van fouten uit het verleden om toekomstige uitvalpercentages te voorspellen. Conditiebeoordelingsgegevens gaan nog een stap verder en bieden een schatting van de huidige staat van een activum, in tegenstelling tot de staat van een activum op het punt van falen. Met behulp van conditiegegevens kunnen we degradatiesnelheden schatten en nauwkeurig toekomstige degradatiesnelheden voorspellen die kunnen worden gebruikt om de juiste interventie te identificeren – voordat er storingen optreden.

Als het gaat om het beheren van activa, moet het doel altijd zijn om mislukkingen te projecteren, in plaats van te wachten op mislukking. Door een analytische benadering te volgen met behulp van conditiebeoordelingsgegevens, kunnen we de snelheid begrijpen waarmee een asset zijn huidige staat bereikt en van daaruit kunnen we beter inschatten wanneer het waarschijnlijk is dat er een storing optreedt. We kunnen ons dus niet alleen identificeren: als ingrijpen nodig zal zijn, kunnen we nu ook bij benadering inschatten wanneer dat ingrijpen nodig zal zijn.

Denk er zo over. Als je het interpreteren van gegevens vergelijkt met het bestuderen van de voetstappen van een olifant – de voetafdrukken zijn als gegevens, die niet veel informatie onthullen behalve het feit dat waar je naar kijkt groot en zwaar is. Het zijn gewoon de overblijfselen van wat was. Conditiebeoordeling stelt ons in staat veel dieper te graven en een betere context en inzicht te krijgen met betrekking tot de vorm en grootte van de olifant, wat uiteindelijk meer waarde oplevert.

Datawetenschap is een van de vele tools in de gereedschapskist van een hulpprogramma, maar er zijn veel andere dingen waarmee rekening moet worden gehouden als het gaat om het maximaliseren van het potentieel ervan. Er is een multidisciplinair team met uiteenlopende vaardigheden nodig om gegevens te interpreteren. Ons team combineert civiele techniek en datatools zoals machine learning om probleemoplossende oplossingen te maximaliseren. We helpen klanten hun problemen en de gewenste resultaten te lokaliseren. Vervolgens werken we met hen samen om bestaande beschikbare gegevens te identificeren en eventuele lacunes in de gegevens op te vullen en te beoordelen hoe we die gegevens kunnen omzetten in inzichten.

Gewapend met deze waardevolle context en inzichten, moeten we de kracht hebben om deze lessen toe te passen om transformatieve resultaten voor klanten te leveren – voordelen die uiteindelijk worden doorgegeven aan hun klanten.

Hoe hulpprogramma’s datawetenschap gebruiken

Gemeentelijke watersystemen leveren essentiële diensten aan miljoenen huizen en bedrijven, maar een groot deel van de infrastructuur waarop deze systemen vertrouwen, werd halverwege de 20e eeuw geïnstalleerd. Het bedienen en onderhouden van deze verouderde systemen is daarom buitengewoon uitdagend en het hebben van een effectief plan voor activabeheer is van cruciaal belang.

Een van de meest voorkomende en effectieve toepassingen van datawetenschap die door nutsbedrijven wordt gebruikt, zijn risicobeoordelingen – het beoordelen van gegevens om zwakke punten te identificeren en actieplannen te ontwikkelen om deze te verminderen. De huidige risicobeoordelingen zijn bedoeld om problemen met specifieke individuele activa te identificeren en op te lossen. Het plannen van de vervanging van individuele activa om herhaalde onderbrekingen tot een minimum te beperken, is echter niet de meest efficiënte aanpak, vooral niet wanneer activa met een hoog risico verspreid zijn over het distributienetwerk.

Door rekening te houden met de ruimtelijke locatie van activa en activa met een hoog risico in clusters te groeperen, kunnen nutsbedrijven zich richten op een groep clusters in plaats van op individuele pijpleidingen, waardoor de installatiekosten en serviceonderbrekingen worden geminimaliseerd. Door deze risicovolle leidingclusters te gebruiken om kapitaalplanning te sturen, kunnen beheerders van nutsbedrijven de gezondheid van hun kritieke ondergrondse systemen beter beschermen.

Dit is de aanpak die is gevolgd met de afdeling openbare nutsvoorzieningen van de stad Raleigh. Het nutsbedrijf onderhoudt de water- en afvalwaterinfrastructuur voor zo’n 600.000 klanten in Raleigh, North Carolina, en zes omliggende gemeenschappen. Met het drinkwaterdistributiesysteem van de stad dat dateert uit 1887, moest de klant prioriteit geven aan kapitaalwerkzaamheden met behulp van analyse om het pijpleidingsrisico te bepalen en kapitaalinvesteringen te rechtvaardigen.

Door samen te werken hebben we een faalkansanalyse uitgevoerd met behulp van historische gegevens in hun GIS, en hebben we gebruik gemaakt van de Asset Performance Optimization-oplossing van Xylem om aaneengesloten clusters van individuele leidingen met een hoog risico te identificeren, waardoor hun selectie werd geoptimaliseerd voor maximale risicovermindering.

Door clusters met een hoog risico te identificeren, kon de klant prioriteit geven aan projecten voor het vervangen van pijpleidingen, de mobilisatiekosten verminderen, herhaalde onderbrekingen tot een minimum beperken en de kapitaalplanningstijd met 75 procent verminderen. We hebben ook geholpen bij het ontwikkelen van een efficiënter programma voor vermogensbeheer, zodat de klant in staat is om zijn systeem in de toekomst efficiënt te bedienen en te onderhouden.

In Californië heeft ons team een ​​soortgelijk risicobeoordelingsplan voor waternetwerken afgeleverd voor de waterafdeling van de stad Long Beach. Na het ontwikkelen van een risicomodel van elk van de pijplijnen van de klant, hebben we een robuust vijfjarenplan ontwikkeld waarin wordt uiteengezet hoe zij de toekomstige activa kunnen beoordelen om risico’s aan te pakken en te verminderen.

Als gevolg hiervan is het hulpprogramma overgestapt van een reactieve benadering van beoordelen en aanpakken naar een proactieve benadering van beoordelen en aanpakken, waardoor risico’s tijdig worden beperkt en verstoringen worden verminderd. Interactie met de klant en duidelijk uitleggen hoe de gegevens uit het conditiebeoordelingsprogramma kunnen worden gebruikt, waren van cruciaal belang voor het succes van het plan.

Van zwarte doos naar glazen doos

Krachtige resultaten zoals deze komen van geïntegreerde partnerschappen waarin datawetenschappers actief samenwerken met klanten en samenwerken om oplossingen te vinden voor complexe problemen.

Het is geen kwestie van grafieken, grafieken en statistieken aan klanten leveren. Als datawetenschappers moeten we uitleggen wat de informatie betekent en hoe klanten deze effectief in de praktijk kunnen toepassen. Het uiteindelijke doel is om de output altijd bruikbaar te maken voor de klant.

Toegankelijkheid, transparantie en de bereidheid om technische vragen te beantwoorden helpt bij het opbouwen van vertrouwen in oplossingen, waardoor klanten een volledig beeld krijgen van het hoe en waarom achter inzichten en de aanbevolen acties.

Kennis is macht en we zijn gepassioneerd om te helpen een licht te werpen op oplossingen die onze klanten kunnen helpen hun volledige potentieel te bereiken. Onze klanten meenemen op de reis, van analyse tot actie, van zwarte doos tot glazen doos – zodat niemand in het ongewisse blijft.

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert