nieuws

Luchtbehandeling Schiphol efficiënter dankzij machine-learning

bouwbreed Premium 767

Luchtbehandeling Schiphol efficiënter dankzij machine-learning

De luchtbehandelkasten bij de terminals van Schiphol moeten tijdens piekuren zorgen voor warmte, koude en schone lucht, maar ook als er weinig volk over de vloer is. Een pilot met machine learning technieken door DWA levert interessante aanknopingspunten op om de efficiency van de installaties verder te verhogen.  

De duurzaamheids-adviseurs uit Bodegraven bewaken al meer dan tien jaar de energiecentrales van de pieren op Schiphol. Dat gebeurt met zogeheten rule based analyse waarbij ze een groot aantal regels en berekeningen hebben geïmplementeerd in het softwarepakket Simaxx. Dat maakt volautomatisch analyses en meldt afwijkingen.

Algoritmes gericht trainen

Monitoren van de 600 luchtbehandelingskasten in het terminalgebied op deze manier is echter praktisch onhaalbaar en veel te kostbaar. Daarom startte DWA een pilot om algoritmes op basis van machine learning te trainen om een bepaalde luchtbehandelingskast te analyseren.

Het algoritme leerde hoe de luchtbehandelingskast zich gedraagt aan de hand van de historische data van één luchtbehandelingskast. De kwaliteit van deze data is uiteraard van groot belang. Vervolgens werden zeven identieke luchtbehandelingskasten van de E-pier, waarvan ook de historische data beschikbaar waren, geanalyseerd met het getrainde model. De uitkomst was dat één kast flinke afwijkingen vertoonde. Inspectie ter plekke leerde dat er inderdaad met de aanvoer van verse lucht problemen waren. Dat was te wijten aan een andere component in het luchttoevoerkanaal. Die heeft niets te maken met de luchtbehandelingskast, maar doordat hij niet goed werd aangestuurd, zorgde hij wel voor een storing.

Aan de hand van vluchtinformatie gaan installaties anticiperen

Deze afwijking was volgens Hans Buitenhuis van DWA met een traditionele inspectie nooit aan het licht gekomen. Het laat wat hem betreft zien wat voor krachtig hulpmiddel machine learning is om het functioneren van installaties te bewaken. “Dat betekent niet dat rule-based analyse verouderd is en gedateerd, maar machine learning vormt wel een mooie aanvulling.”  In een vervolg gaan Schiphol en DWA aan de hand van vluchtinformatie de passagiersstromen in een pier voorspellen en de installaties zo aansturen dat die daarop anticiperen. De verwachting is dat de luchthaven daarmee meer energie kan besparen.

Reageer op dit artikel