Challenges

Data-analyse optimale onderhoudsmoment

Zuid-Holland

 

CLICK HERE TO APPLY FOR THIS CHALLENGE

 

Een uitdaging bij het plannen van groot en klein onderhoud van wegen is de timing (ofwel planning). Zowel te vroeg als te laat kan veel overlast veroorzaken en kosten met zich meebrengen.

Voor de planning zijn grofweg twee overwegingen van belang: wanneer past het binnen het totaal van werkzaamheden, en wanneer is het technisch vereist om te onderhouden. Door middel van data-analyse willen we een beter inzicht krijgen in het technische aspect van het plannen van onderhoud van wegen.

De kwaliteit en de verwachte (resterende) levensduur van wegen wordt bepaald op basis van inspectiegegevens, ouderdom, verkeersintensiteit en veel andere factoren. De provincie plant het beheer en onderhoud van de wegen o.a. op basis van deze factoren. Het verwerken van de informatie is een complexe taak, en zal in de toekomst alleen maar complexer worden door de toenemende hoeveelheid gegevens. We willen graag de beschikbare gegevens over de verhardingen inzetten met geautomatiseerde analyses, oftewel data-analyse en modellering.

 

Waar zijn we naar op zoek?
Het doel is om systematisch meer informatie te kunnen overwegen bij het bepalen van het ideale onderhoudsmoment. Daarmee willen we onnodig, achterstallig of juist prematuur onderhoud voorkomen. Wij zien zelf twee mogelijkheden:

  1. Het ontwikkelen van een datamodel (bv. een beslisboom, neuraal netwerk, regressiemodel, etc.) waarbij een aantal variabelen worden meegenomen om de levensduur van wegen te voorspellen, of beter nog, het ideale onderhoudsmoment.
  2. Het inzetten van nieuwe meetmethoden, extra sensoren, als toevoeging op de data die we nu al verzamelen (zie het lijstje hieronder).

 

Meer informatie nodig? Stel een vraag.

 

Waar zijn we niet naar op zoek?
De stip op de horizon is predictive maintenance, een ambitieuze visie om de onderhoudsprogrammering van wegen in vergaande mate te ondersteunen met data-analyses. De scope daarvan is veel groter en omvat meer systemen dan de huidige uitvraag. We zijn op dit moment niet op zoek naar een allesomvattende oplossing. Voor deze challenge is het van belang om klein te beginnen en dan (eventueel) uit te bouwen. Veel afstemmen over het resultaat en bijsturen is van waarde.

 

Wat is er te winnen?

  • Toegang tot data van de provincie.
  • Een laagdrempelige manier om met een wegbeheerder samen te werken.
  • Een intensieve samenwerking met de data scientists van de provincie.

 

Daarnaast bieden we:

  • Een kans op een opdracht om een prototype/pilot te realiseren.
  • Een uitgebreid programma met trainingen.
  • Een kans op een vervolgopdracht of duurzame samenwerking bij een succesvolle pilot.
  • Toegang tot financiering voor het ontwikkelen van een prototype/pilot.

 

Meer informatie over het Startup in Residence programma en het selectieproces.

 

Achtergrondinformatie
We maken op dit moment gebruik van de volgende gegevens, ook wel predictoren genoemd:

 

Bestaande databronnen

ARAN-meting
Valgewicht deflectiemeting
Globale Visuele Weginspectie
Bouwjaar
Onderhoudsmomenten en categorie
CROW beeldkwaliteit van de verhardingen programmeren
Stroefheidsmetingen

 

Andere parameters, bron n.t.b.

Verkeersintensiteiten
Weergegevens
GMS-sensors
Weegpunten (problematisch)
Centrale database met ondergrondgegevens