Data science bureau Almere
We bouwen modellen die in meet- en sensordata herkennen wat afwijkt. Voor ProRail zetten we machine learning in op glasvezelmetingen van het spoor.
Voor ProRail zetten we machine learning in om treinen, spooronderdelen en wieldefecten te detecteren
In het Datalab van ProRail onderzochten we wat er kan met glasvezelkabels die geluidsgolven meten, met als doel een veiliger en duurzamer spoornetwerk. Gebouwd op Databricks en Azure.
Wat zeggen al die meetwaarden eigenlijk over de staat van onze installaties?
Sensoren, meters en logbestanden leveren elke seconde data. Meestal kijkt iemand pas als er een alarm afgaat. Een model kan eerder zien dat een patroon verandert, en waar.
Van ruwe meetreeks naar een signaal dat iemand oppakt
Detectie in signalen
Zoals we voor ProRail treinen en wieldefecten in geluidsgolven wilden detecteren, herkent een model gebeurtenissen in je eigen meetreeksen.
Afwijkingen zonder voorbeelden
Een model dat normaal gedrag leert, meldt wat anders is, ook als storingen zelden voorkomen en nooit gelabeld zijn.
Meetdata naast onderhoud
Sensordata gekoppeld aan werkorders en storingsmeldingen, zodat het model leert wat er na een afwijking gebeurde.
Een model dat blijft werken
Monitoring en hertrainen na livegang, zodat het model meegaat als sensoren, installaties of omstandigheden veranderen.
Eerst kijken wat de data laat zien, dan pas een model
-
Data en vraag
Welke metingen er zijn, hoe vaak en hoe schoon, en welke gebeurtenis je wilt herkennen.
-
Verkennen en bouwen
Patronen zoeken met je technici, en een eerste model toetsen op een periode die al voorbij is.
-
Draaien en volgen
Het model in productie, met signalen naar wie ze oppakt en een vaste blik op de prestaties.
Zegt onze meetdata genoeg voor een model?
Past als
Je verzamelt al meetdata uit installaties, voertuigen of netwerken, je wilt eerder zien dat iets misgaat, en er is iemand die een signaal kan oppakken.
Past niet als
Er wordt nog nauwelijks gemeten, of een vaste grenswaarde vangt alle problemen al. Dan begin je bij het meten of bij een eenvoudig alarm.
Waar de omvang van afhangt
Hoeveel sensoren en bronnen er zijn, hoe vaak ze meten, of er storingshistorie is en of het model live moet draaien of achteraf.
Wat als het model te vaak alarm slaat?
Dan stellen we de drempel bij met je technici. Een signaal dat steeds onterecht is, wordt genegeerd, dus dat meten we vanaf het begin.
Een vaste grenswaarde, een analyse achteraf of een model dat meekijkt?
Een vaste grenswaarde
Kies dit als problemen altijd boven of onder één waarde vallen. Het is simpel, maar mist patronen die langzaam ontstaan.
Een analyse achteraf
Kies dit als je wilt begrijpen wat er bij eerdere storingen gebeurde. Je leert veel, maar ziet het de volgende keer niet eerder.
Een model dat meekijkt
Kies dit als je afwijkingen eerder wilt zien dan een alarm. Ons advies: begin met één installatie waar storingshistorie van is.
Van spoor tot haven werkten we met sensor- en meetdata
Data Science Lab werkt vanuit de Westerdoksdijk in Amsterdam, ook voor Almere en Flevoland. Voor ProRail, Rijkswaterstaat en Port of Amsterdam werkten we met meetdata. We zijn Microsoft Partner en Databricks Partner.

De meting waar je het meeste van verwacht, is waar het eerste gesprek over gaat
Stef Stoelwinder
Business DevelopmentStef is je aanspreekpunt. In het eerste gesprek bespreken we welke data je meet en wat je eerder wilt zien.
E-mail info@datasciencelab.nl
Telefoon +31 (0)20 3636 724
Welke afwijking zou je graag eerder zien aankomen?
Vertel welke metingen er zijn en wat er nu met de data gebeurt. Je krijgt antwoord per mail, of we plannen een eerste gesprek.
Bericht verstuurd
Bedankt voor je bericht. We nemen zo snel mogelijk contact met je op.
Veelgestelde vragen
Het bouwt modellen die op je eigen data herkennen, voorspellen of afwegen, en zet ze in productie. Wij richten ons hier op meet- en sensordata uit installaties, voertuigen en netwerken.
Meer toepassingen lees je bij AI-toepassingen.
Trillingen, temperatuur, druk, stroom, geluid, debiet of posities, uit sensoren, meters of systemen die logbestanden schrijven. Bij ProRail ging het om glasvezelkabels die geluidsgolven meten.
Belangrijk is dat de tijd goed wordt vastgelegd.
Een model leert hoe normaal gedrag eruitziet en meldt wat daarvan afwijkt. Dat werkt ook als storingen zeldzaam zijn en er weinig voorbeelden van zijn.
Hoe we zulke modellen bouwen, lees je bij machine learning.
Bij grote hoeveelheden meetdata meestal wel, want die moeten ergens samenkomen en verwerkt worden. Voor ProRail werkten we op Databricks en Azure.
Is er nog niets, dan bouwen we het fundament eerst.
Data Science Lab werkt vanuit Amsterdam, en Almere ligt dichtbij. Voor de start en het werk met je technici komen we langs, de rest doen we op afstand.
Zo zitten we bij de mensen die de installaties kennen.
Door na livegang de prestaties te blijven meten en te hertrainen als sensoren of installaties veranderen. Dat beheer kunnen we voor je doen.
Lees daarover bij MLOps.
Dan past onze AI-consultant voor Almere beter. Daar helpen we kiezen welke vraag het eerst opgepakt wordt, bijvoorbeeld voor wagenpark, werkplaats of magazijn.
Daarna bouwen we het model.
Ja. Herkennen in beelden is een eigen vak, met eigen eisen aan camera en licht. Lees daarvoor over computer vision laten ontwikkelen.
Vaak combineren we beelden met andere metingen.