Voorspellend onderhoud aan de openbare ruimte: welke data je minimaal nodig hebt
Raymon Somford zet uiteen welke databasis daadwerkelijk nodig is voordat voorspellend onderhoud aan wegen en assets zinvol wordt.
Voorspellend onderhoud begint niet met een algoritme
Veel gemeenten en beheerorganisaties starten een traject voor voorspellend onderhoud met de vraag welk model of welk softwarepakket ze moeten inzetten. Dat is de verkeerde volgorde. Voorspellend onderhoud staat of valt met de databasis die eronder ligt, en die basis ontbreekt bij de meeste beheerorganisaties nog grotendeels. Raymon Somford werkt aan de kruising van assetbeheer, geodata en machine learning, en ziet in de praktijk dat trajecten voor voorspellend onderhoud vaak vastlopen niet op de modellering, maar op de datavoorbereiding.
Wat voorspellend onderhoud precies vraagt
Predictive maintenance combineert monitoringdata met machine learning-methoden om voorspellende modellen te ontwikkelen over het falen van fysieke assets (Sensors and Machine Learning for Predictive Maintenance, Global Infrastructure Hub). Voor de openbare ruimte betekent dit concreet: kunnen inschatten wanneer een wegvak, een kunstwerk, een lichtmast of een rioolonderdeel onderhoud nodig heeft, vóórdat een storing of gevaarlijke situatie ontstaat. Een raamwerk gebaseerd op machine learning voor voorspellend onderhoud van gebouwinstallaties benoemt expliciet dat zo'n raamwerk pas werkt als er voldoende gestructureerde, historische data beschikbaar is om patronen in te leren (Predictive Maintenance in Building Facilities, PMC). Dat principe geldt onverkort voor infrastructuur in de openbare ruimte.
De vier databronnen die minimaal nodig zijn
1. Een actuele en volledige assetregistratie
Zonder een betrouwbare registratie van wát er ligt en staat — met locatie, type en kenmerken — is voorspellend onderhoud niet mogelijk. In Nederland is de basis hiervoor de Basisregistratie Grootschalige Topografie (BGT), met het Informatiemodel Geografie (IMGeo) als informatiemodel voor objectgerichte geografische informatie (Docs Geostandaarden, BGT catalogus). De BGT beschrijft de verplichte onderdelen van deze registratie en vormt de kern van IMGeo (GISIB, BGT en IMGeo). In de praktijk is deze basisregistratie op zichzelf vaak niet voldoende gedetailleerd voor onderhoudsvoorspelling: gemeenten bouwen daarom een eigen, uitgebreidere kernregistratie van assets bovenop de BGT, met aanvullende attributen die relevant zijn voor beheer (Gegevensbeheer BGT en IMBOR in Amsterdam).
Het bepalen van de precieze informatiebehoefte voor beheer van de openbare ruimte op basis van de BGT is zelf al een apart traject, met een aanpak van vijf hoofdstappen: inrichtingsvariant kiezen, informatiebehoefte bepalen, processen inrichten, bestanden op elkaar laten aansluiten en dit borgen in de organisatie (VNG, Informatiebehoefte beheer openbare ruimte bepalen). Zonder deze stap ontbreekt de basis waarop elke volgende databron moet aansluiten.
2. Historische onderhouds- en storingsdata
Een voorspellend model kan alleen patronen leren als er voldoende historische gevallen zijn van assets die zijn gefaald, onderhouden of vervangen, gekoppeld aan het moment en de conditie waarin dat gebeurde. Onderzoek naar data-acquisitie voor voorspellend onderhoud van civiele constructies benoemt dit expliciet als randvoorwaarde: de manier waarop data wordt verzameld en gestructureerd, bepaalt of een voorspellend model daadwerkelijk bruikbare uitkomsten kan leveren (Towards Data Acquisition for Predictive Maintenance of Civil Infrastructure, ScienceDirect).
In de praktijk is dit precies waar veel organisaties tekortschieten: onderhoudshistorie ligt verspreid over werkbonnen, oude Excel-bestanden, meldingensystemen van de klantenservice en documentatie van aannemers, zonder centrale koppeling aan het assetobject waarop het onderhoud is uitgevoerd. Zonder die koppeling is de data wel aanwezig, maar niet bruikbaar voor modellering.
3. Conditiemetingen op regelmatige basis
Naast eenmalige registratie is periodieke conditiemeting nodig: hoe verandert de staat van een asset over tijd? Dit kan via periodieke inspecties, via sensoren, of via herhaalde geodata-inwinning zoals mobile mapping. Zonder tijdreeksen van conditiedata is het onmogelijk om een degradatiepatroon te leren — een model kan dan hoogstens een momentopname beoordelen, niet een verwachte levensduur voorspellen. IoT-sensoren en historische rapporten worden in de sector expliciet genoemd als combinatie waarmee analysemodellen storingen kunnen voorspellen voordat ze optreden (Scrydon, Voorspellend infrastructuuronderhoud).
4. Contextdata: gebruik, belasting en omgevingsfactoren
Assets falen niet in isolatie. Verkeersintensiteit, belasting, weersomstandigheden en bodemgesteldheid zijn allemaal factoren die de degradatiesnelheid beïnvloeden. Zonder deze contextdata levert een voorspellend model in het beste geval een gemiddelde risico-inschatting op, zonder onderscheid tussen een zwaarbelast wegvak en een rustige woonstraat die toevallig dezelfde asset bevatten. Deze data is meestal wel beschikbaar bij andere afdelingen — verkeerskunde, riolering, groenbeheer — maar wordt in de praktijk zelden gekoppeld aan de assetregistratie die voor onderhoudsvoorspelling wordt gebruikt.
Waarom dit zo vaak misgaat
Het CROW/VNG-programma voor datagedreven beheer van de openbare ruimte laat zien dat gemeenten zelf ook erkennen dat dit nog experimenteel terrein is: meerdere overheidsorganisaties werken samen om te ontdekken hoe deze databehoefte praktisch is in te vullen, precies omdat een eenduidige, kant-en-klare aanpak nog niet bestaat (Essit, Experimenteren met datagedreven assetmanagement). De Interprovinciale Organisatie beschrijft het bredere proces van bouw, aanleg en beheer van assets als in toenemende mate digitaal en datagedreven, met monitoren en het combineren van gegevens als kernactiviteit (IPO, Routekaart datagedreven assetmanagement).
In de praktijk zijn er twee terugkerende oorzaken waarom voorspellend onderhoud niet van de grond komt:
- De databronnen bestaan, maar zijn niet gekoppeld. Assetregistratie, onderhoudshistorie, conditiemetingen en contextdata zitten vaak in afzonderlijke systemen van verschillende afdelingen, zonder een gemeenschappelijke sleutel om ze aan elkaar te koppelen.
- Er wordt te snel naar modellering gesprongen. Organisaties investeren in een voorspellend model voordat de onderliggende databasis is gecontroleerd op volledigheid en kwaliteit, met als resultaat een model dat plausibele output geeft zonder dat de betrouwbaarheid daadwerkelijk is te onderbouwen.
Praktisch beginpunt
Voor beheerorganisaties die willen starten met voorspellend onderhoud is de volgorde niet: kies een model, verzamel data, voorspel. De volgorde is: bepaal de informatiebehoefte, breng de bestaande databronnen in kaart, koppel ze aan een centrale assetregistratie, en beoordeel pas dan of er voldoende historische diepgang is om een voorspellend model te trainen. Innovatie in assetmanagement wordt in de sector inmiddels ook zo omschreven: data als fundering voor de toekomst, gebruikt gedurende de volledige levenscyclus van assets, van ontwerp tot sloop (Straatbeeld, Innovatie in assetmanagement). Zonder die fundering blijft voorspellend onderhoud een ambitie op papier.
Raymon Somford werkt aan assetbeheer, geodata en machine learning-toepassingen in de openbare ruimte.
Over de auteur. Raymon Somford werkt in de infra en civiele techniek in de Randstad. Hij is founder van het datagedreven softwarebedrijf InfraBIDS. Lees het zakelijke profiel of neem contact op.
LiDAR Magazine, GPS World, Geospatial World, GIM International, Automation (DE) — volledig persoverzicht.