ENGIE Laborelec heeft Agoria-lid Yazzoom onder de arm genomen voor de geautomatiseerde detectie van afwijkingen in energiestromen van installaties voor warmtekrachtkoppeling. De gebruikte tool, Yanomaly, is een mooi staaltje technologie dat gebruikmaakt van artificiële intelligentie om vroegtijdig technische problemen op te sporen en om de diagnose van storingen in processen te versnellen. Een extra woordje uitleg.


In een notendop  

  • Datagestuurde detectie van afwijkingen in energiestromen.
  • Samenwerking tussen complementaire partners is meest efficiënt in tijd en kosten.
  • Snellere diagnose van machine- of processtoringen.
  • Beter inplannen van predictief onderhoud.

Waarom zijn jullie dit project gestart, wat was de aanleiding binnen Engie Laborelec?

Anomaliedetectie is in het verleden met succes gebruikt voor het opsporen van afwijkingen van in- en uitgaande energiestromen van WKK-installaties en bij conditiebewaking van draaiende machines. We zochten naar een efficiënte oplossing om zeven industriële WKK-installaties in België te blijven bedienen door afwijkingen van het energieproces in een vroeg stadium op te sporen met een geautomatiseerde oplossing. De oplossing moest bovendien configureerbaar zijn door een domeinexpert die ook in staat moet zijn om anomalieën te interpreteren zonder dat het nodig is om terug te keren naar een datawetenschapper.

Datagestuurde anomaliedetectie heeft in het verleden zijn efficiëntie bewezen voor een geautomatiseerde monitoring van specifieke fysische processen met een beschikbaarheid van waarneembare degradatieparameters. Dit is ook hier het geval. De tools die in het verleden door ENGIE Laborelec werden gebruikt, waren echter niet meer commercieel beschikbaar als alleenstaande oplossing. Het gebruik van een compleet softwarepakket, waarvan uiteindelijk slechts een beperkt deel van de functionaliteit werd gebruikt, bleek te duur te zijn.

Hoe zijn jullie bij Yazzoom terecht gekomen?

Eén optie was om zelf de functionaliteit voor anomaliedetectie te implementeren, maar ook dat zou duur uitvallen en was niet de beste oplossing voor een stuk software dat hier een onderdeel van de totaaloplossing is. Het leek ons beter in zee te gaan met een bedrijf dat dit als een kernactiviteit heeft. Op deze manier maken we maximaal gebruik van de complementariteit tussen ENGIE Laborelec, dat de domeinexpertise aanbrengt op vlak van monitoring, en Yazzoom, dat met Yanomaly een gespecialiseerde oplossing heeft voor op artificiële intelligentie gebaseerde anomalie-detectie. ENGIE Laborelec ontwikkelt sommige monitoringoplossingen ook zelf van A tot Z, maar deze samenwerking werd in dit geval beschouwd als het meest efficiënt wat betreft timing en kosten.

Hoe verliep de samenwerking?

Yanomaly moest geïntegreerd worden in het bestaande web-based platform OneBoard van ENGIE Laborelec, dat vandaag al operationeel is voor de monitoring van elektriciteitstransformatoren.


De bovenstaande figuur toont een voorbeeld van de geïntegreerde oplossing van Yanomaly in het OneBoard platform voor één van de bewaakte eenheden. Afwijkingen tussen een reële proceswaarde (in blauw) en de waarde die wordt voorspeld door Yanomaly (in groen) geven aanleiding tot een verhoogde anomaliescore per parameter (in paars). Het recurrent optreden van anomaliescores voor één of meerdere parameters geeft aanleiding tot een verhoging van een algemene foutindicator (BURST), die als melding wordt teruggekoppeld.

ENGIE Laborelec en Yazzoom werkten samen om ten eerste de Yanomaly algoritmes te integreren in de cloudomgeving van ENGIE Laborelec, waarbij de gegevens in realtime uit de cloud database oplossing (in AWS) worden gehaald en alarmen in ons OneBoard platform worden aangeboden. Ten tweede diende de gebruikersinterface beter geschikt gemaakt te worden voor domeinexperten. 

Deze twee aspecten van Yanomaly stonden sowieso op de roadmap van Yazzoom. De nauwe samenwerking met ENGIE Laborelec bracht voor beide partijen een meerwaarde.

Yazzoom had al ervaring met het integreren van specifieke data-analyse-algoritmes in een gebruikersplatform, meestal in een procestechnische omgeving. Maar het bedrijf was in het begin van dit project nog maar net begonnen met het ontwikkelen van de grafische gebruikersinterface om Yanomaly als oplossing te bieden voor klanten die op zoek zijn naar een eenvoudige toepassing die geschikt is voor niet-datawetenschappers. Daarnaast werd de robuustheid t.o.v. slechte datakwaliteit bij live streaming, bv. als gevolg van gestoorde of onvolledige data, tijdens het project verder verbeterd.

De ervaring van ENGIE Laborelec met industriële monitoringactiviteiten en datawetenschap heeft ervoor gezorgd dat zij snel een vertaling van de technische vragen in duidelijke specificaties hebben gevonden.

Waar staan jullie nu en wat zijn de toekomstige ambities?

De oplossing werd uitgerold op live data op de twee eerste pilots en in de komende maanden worden de monitoring activiteiten van het bestaande commerciële platform overgenomen. 

Er zijn gezamenlijke incentives gedefinieerd om andere kansen in de energiesector te identificeren, waarbij ENGIE Laborelec een goed inzicht heeft in de technologie en de behoeften van de eindgebruiker. Yazzoom heeft een stevige reputatie in de procesindustrie en de maakindustrie. Yazzoom en ENGIE Laborelec kunnen elkaars competenties inzetten voor een gezamenlijk dienstenaanbod.

Eens ingebed in OneBoard wil ENGIE Laborelec de oplossing ook actief presenteren als oplossing voor het monitoren van andere types energieproductie-eenheden.

Er is veel te doen rond artificiële intelligentie. Is dit nu een typisch voorbeeld van wat dit kan betekenen? 

Yanomaly steunt inderdaad op artificiële intelligentie en meer bepaald op machinaal leren om automatisch de normale werking van machines en productielijnen te karakteriseren. Wanneer er iets abnormaals optreedt in de sensorgegevens of in de event logs van de machines, zal dat een hoge anomaliescore opleveren en ook aangeven waarom die anomaliescore hoog is. Yanomaly wordt  gebruikt voor het continu bewaken van  industriële productielijnen, van machines zoals medische beeldvormingsapparatuur, van IoT-netwerken, enz.. De toegevoegde waarde bestaat uit het vroegtijdig opsporen van technische problemen, bijvoorbeeld voor predictief onderhoud, en uit het versnellen van de diagnose van machine- of processtoringen.

Het is niet in alle gevallen nodig om met zelflerende algoritmes te werken. Wanneer het proces en de belangrijke parameters goed gekend zijn, kan je al veel realiseren met klassieke computermodelleringstechnieken en statistische methodes. Het voordeel hiervan is dat deze methodes minder blackbox zijn en minder historische data vereisen om uit te leren. In andere toepassingen, waar de processen minder gekend of minder stabiel zijn, of waar de relaties tussen de verschillende sensoren complex zijn, heeft machinaal leren een meerwaarde. Ook in dat geval is het nog mogelijk menselijke expertise over het toepassingsdomein te integreren, namelijk door de oordeelkundige keuze van welke sensorsignalen gemonitord dienen te worden en welke voorverwerking die signalen ondergaan alvorens aangeboden te worden aan de AI-algoritmes.

De keuze van de juiste aanpak voor een specifieke toepassing is dus afhankelijk van heel wat factoren. De belangrijkste zijn de kennis van het technologische domein, de beschikbare data en de mate waarin het gewenst is om de oorzaak van de aanbeveling of het alarm in detail te kennen.

Over ENGIE Laborelec

ENGIE Laborelec is een internationale consultant en dienstverlener in elektrische energietechnologie. Het evolueerde sinds zijn oprichting in 1962 tot een toonaangevend onderzoeks- en competentiecentrum, dat vandaag deel uitmaakt van de operationele research organisatie van de ENGIE groep. Het bedrijf voert wereldwijd projecten en dienstverlenende activiteiten uit in de gehele waardeketen van elektrische energietechnologie: opwekking, transmissie en distributie, opslag en eindgebruik. Het hoofdkantoor is gevestigd in de buurt van Brussel en maakt deel uit van een internationaal netwerk van andere ENGIE Labs (Parijs, Nederland, Duitsland, het Midden-Oosten, Chili en Singapore).

Over Yazzoom

Sinds 2011 past Yazzoom artificiële intelligentie en geavanceerde procescontrole toe om de uitdagingen van industriële bedrijven op te lossen. De diensten en software-oplossingen van Yazzoom worden onder andere gebruikt voor diagnostische, predictieve en prescriptieve data-analyse, voor computervisie, en voor anomaliedetectie op machinedata en data van productielijnen. In sectoren zoals (automobiel) assemblage, metallurgie, chemie, energie productie, voeding, papier en pulp en meer.

Vind uw digitale dienstverleners

Bij de digitalisatie van uw onderneming is het niet altijd evident om de juiste gespecialiseerde leveranciers te vinden. Met onze tool DigiConnect vindt u in een handomdraai de perfecte contacten voor uw digitale transformatie. Probeer het zelf!

Ontdek DigiConnect!