Bouwliften verzamelen veel sensordata, maar die data laat nog niet zien hoeveel een lift echt wordt gebruikt. Erjan Steenbergen onderzocht voor zijn bachelorscriptie aan de Universiteit Twente hoe je met process mining toch de benuttingsgraad van een bouwlift kunt bepalen. Ook keek hij of die benutting iets zegt over het verloop van het liftproces.
Een bouwlift vervoert mensen en materiaal langs de gevel van een gebouw in aanbouw. Voor een verhuurder van bouwliften is het waardevol te weten hoe vaak en hoe lang liften in gebruik zijn. Daarmee kan het onderhoud beter worden gepland en kan worden voorspeld hoeveel liften een bouwproject nodig heeft. De verhuurder in dit onderzoek (anoniem) verzamelt per lift ruim 180 verschillende signalen, van de verdieping waar de lift staat tot het openen en sluiten van de deuren. Uit die data kon de benuttingsgraad tot nu toe niet worden afgeleid.
Doelstelling en aanpak
Process mining is een techniek die uit gebeurtenissen in een systeem automatisch een procesmodel opbouwt. Daarvoor moet elke gebeurtenis bij een ‘geval’ (case) horen, bijvoorbeeld een liftrit of een passagier. In de data van de bouwliften ontbrak zo’n indeling. Dat is een bekend probleem bij bedrijven waarvan de data-infrastructuur niet op process mining is ingericht.
Het onderzoek had twee doelen:
- De benuttingsgraad van een bouwlift bepalen uit de bestaande data: het percentage van de werktijd waarin de lift actief is (in beweging, of bezig met in- en uitstappen of laden en lossen).
- Onderzoeken of liften met een vergelijkbare benuttingsgraad ook een vergelijkbaar procesmodel hebben. Als dat zo is, zou het controleren van processen sneller kunnen.
Steenbergen gebruikte een dataset van ongeveer 3 miljoen gebeurtenissen over een maand (oktober 2023). Als referentie berekende hij de benutting direct uit het signaal dat bijhoudt hoe lang de lift actief is: 57 procent. Daarna stelde hij zeven manieren op om gebeurtenissen te groeperen, onder meer per actieve periode, per dag, per rit en per gesimuleerde passagier. Voor elke indeling werd een procesmodel opgebouwd, de benuttingsgraad berekend en vergeleken met de referentie. Ook werden de procesmodellen onderling vergeleken.
Belangrijkste resultaten
De indeling per actieve periode van de lift benaderde de referentie het best, met een verschil van minder dan 1 procentpunt. Ook indelingen die het gedrag van een passagier nabootsen kwamen dichtbij, met een afwijking van 5 tot 6 procentpunt. Daarbij werd rekening gehouden met meerdere passagiers tegelijk in de lift. Indelingen per dag (98 procent) of alleen op basis van rijtijd (13 procent) gaven een vertekend beeld.
Dat laatste leverde wel een praktisch inzicht op: een bouwlift is naar schatting zo’n 36 procent van de tijd bezig met wachten op en laden of lossen van passagiers en materiaal, en niet met rijden.
De veronderstelde samenhang tussen benuttingsgraad en procesmodel werd niet bevestigd. De meeste procesmodellen kwamen voor 40 tot 65 procent overeen, ook als de benutting vergelijkbaar was. Alleen de drie ‘passagiersindelingen’ leken sterk op elkaar (rond 89 procent overeenkomst). De statistische samenhang was zwak tot matig (correlatiecoëfficiënt van −0,45).
Conclusie en bijdrage
Het onderzoek laat zien dat ook zonder kant-en-klare procesdata de benuttingsgraad van een bouwlift goed te bepalen is. Dat lukt door de data slim in te delen in actieve perioden of passagiersbewegingen. Process mining wordt zo toepasbaar voor bedrijven die hun data-infrastructuur niet volledig willen omgooien. Een vergelijkbare benutting betekent echter niet dat het liftproces er hetzelfde uitziet.
De verhuurder ontvangt de resultaten. Daarbij hoort een variant van de berekening die ook het gewicht van de lading meeneemt, de voorkeur van de betrokken partijen. Beperkingen zijn dat het onderzoek op één dataset van één maand is gebaseerd en dat het aantal passagiers per rit niet exact te bepalen is. Als vervolg noemt de auteur het vergelijken van meerdere liften en het bouwen van een digital twin van de lift, om onderhoud en het benodigde aantal liften per bouwproject te voorspellen.
Volledige publicatie
De volledige scriptie (Engelstalig) lees je in de repository van de Universiteit Twente: Determining Case Identifiers in Event Logs from Hoists in Construction Sites to Estimate the Correlation between Usage Rates and BPMNs.
Meer over het project lees je op de projectpagina van ECOLOGIC.
Mede mogelijk gemaakt door
Dit onderzoek is onderdeel van ECOLOGIC, een programma van de Universiteit Twente over de optimalisatie van bouwlogistiek, gefinancierd door het Ministerie van Infrastructuur en Waterstaat en TKI Dinalog. De projectpartners zijn Dura Vermeer, BauWatch, Datacadabra, CAPE Groep, Aannemingsmaatschappij Hegeman en Pioneering.
