Artificiële intelligentie helpt ons bij het opsporen van lekken
We maken volop de overstap naar natuurlijke koelmiddelen. Tot we volledig omgeschakeld zijn, minimaliseren we de uitstoot van onze bestaande installaties op synthetische middelen zoveel mogelijk. Om lekken vroegtijdig op te sporen zetten we artificiële intelligentie in.
Lekken opsporen
Over al onze winkels en centrale gebouwen beheren we ongeveer 2200 individuele koelinstallaties. Een groot deel daarvan draait momenteel nog op synthetische middelen. Jaarlijks lekt ongeveer 4% van die schadelijke stoffen weg, wat een negatieve impact heeft op onze omgeving. Met die 4% doen we wel beter dan anderen in onze sector, waar de lekpercentages soms oplopen tot 20%.
Al die installaties vervangen door alternatieven die met natuurlijke koelmiddelen werken is een stevige opdracht. Tot het zover is, doen we er alles aan om lekken te vermijden én zo snel mogelijk op te sporen. Makkelijker gezegd dan gedaan. Lekken opsporen is traditioneel immers erg arbeidsintensief: een technieker moet met een detectieapparaat de volledige installatie rondgaan. Dat kan beter, en dus zochten onze ingenieurs een manier om sneller lekken te detecteren. Zo kunnen we ook sneller een technieker sturen om het lek te lokaliseren en te repareren.
Snel en gericht ingrijpen
Een automatisch waarschuwingssysteem voor lekken ontwikkelen, dat was het doel. Zo kunnen onze techniekers snel en gericht ingrijpen. Projectingenieurs Margo Parmentier en Margot Van den Brande kwamen meteen een eerste complicatie tegen: je kon aan de werkingsparameters van de installatie niet zien of er een lek was. Er trad immers pas een storing op wanneer het buffervat – een meestal vrij groot bemeten opslag die schommelingen in de hoeveelheid vloeibaar koelmiddel opvangt – volledig leeg was. Op dat moment was er al een stevige hoeveelheid koelmiddel ontsnapt.
Margot Van den Brande: “Een logische eerste stap is om gewoon het koelmiddelniveau in het buffervat op te volgen. We installeerden daarom niveaumeters bij enkele installaties. Uit die tests bleek dat de procedure te omslachtig was om tot betrouwbare resultaten te komen. Om al onze installaties op een efficiënte manier te monitoren, moesten we dus op zoek naar een eenvoudigere methode.”
Werken met sensoren
In het buffervat zitten twee eenvoudige sensoren die een signaal geven als het vloeistofniveau hoger dan de sensor ligt: een onderaan en een halverwege het vat. Met de sensor halverwege kunnen we ons een idee vormen van de evolutie van de hoeveelheid koelmiddel, op voorwaarde dat er een juiste hoeveelheid in zit. Als er immers zoveel koelmiddel in zit dat het niveau nooit onder de helft zakt, ben je weinig met die sensor. Na overleg met onze techniekers bleek dat we de hoeveelheid koelmiddel daaraan konden aanpassen.
Nu beschikte het team over een reeks signalen die aangaven of het koelmiddelpeil boven of onder de halfwegsensor was. De volgende vraag was dan wat dit zei over de toestand van de installatie, en of men daaraan een lek kon herkennen. Dat laatste is een cruciaal punt. Is het alarm te weinig gevoelig, dan zal er nog veel koelmiddel ontsnappen eer men iets merkt. Stelt men het echter te gevoelig af, zullen er valse alarmen gegenereerd worden.
Artificiële intelligentie
We maakten daarom gebruik van artificiële intelligentie om een model te trainen dat het verwachte koelmiddelpeil in het buffervat voorspelt. Dat hield rekening met een aantal parameters die de werking van de installatie beïnvloedden, waaronder de buitentemperatuur, de openingsuren van de winkel en het schema van de ontdooicycli (dat gebeurt telkens op vaste tijdstippen).
Dit model valideerden we aan de hand van de installaties die al voorzien waren van een niveaumeter. Op basis van die reeks parameters voorspelt het model hoe het niveau in het buffervat zal schommelen. Wijken de gemeten waarden te sterk af van de voorspelde, wordt er alarm geslagen. Omdat elke installatie anders is, moeten we een apart model trainen voor elke installatie. Pas na een week hebben we hiervoor voldoende gevarieerde data.
Van theorie naar praktijk
Een veelbelovend model, dat ook in de praktijk meteen een groot succes bleek. Het detectiesysteem sloeg een eerste keer alarm, en na controle bedroeg het lekverlies 3,66%. Ruim binnen de doelstelling om lekken onder de 5% te detecteren. Die uitstekende start bevorderde de uitrol van het systeem naar alle betrokken installaties en gaf vertrouwen aan onze technische ploegen.
Projectingenieur Bram Neckebroeck: “Het is belangrijk dat we onze techniekers niet nodeloos op pad sturen. Een lek zoeken kost immers heel wat manuren. Het systeem is op dat vlak een grote meerwaarde: telkens het een alarm geeft, is er ook effectief een lek. We konden ondertussen al een vijftiental lekken vroegtijdig opsporen. Wanneer we nu een signaal van het detectiesysteem ontvangen, krijgt die ingreep dan ook meteen topprioriteit.”
Interne kennis en ervaring
Een belangrijke factor in het succes van dit project was onze grote interne technische dienst. Al de kennis en ervaring over de werking van onze installaties zit gewoon in huis. Margo Parmentier: "Door de terugkoppeling uit de praktijk konden we een systeem ontwikkelen dat ook werkbaar was. De koeltechnische ploeg maakt het mogelijk om dingen uit te testen, zoals het plaatsen van niveaumeters in de buffervaten.”
Dat bleek uiteindelijk niet de oplossing, maar het zette ons op weg om iets te zoeken dat wel werkte. Margo: “Hun expertise was ook belangrijk om de koelmiddelinhoud van de installaties aan te passen, zodat we de bestaande sensoren konden gebruiken. De inbreng van de technici was cruciaal om tot een effectief systeem te komen. Ondertussen zijn we op koers om onze doelstelling te halen: het lekverlies halveren tegen eind 2021."
