منصة للتنبؤ بأعطال أنابيب المياه الرئيسية مدعومة بالذكاء الاصطناعي (MLOps وإدارة الأصول التنبؤية)

باستخدام Vertex AI وXGBoost، تُنشئ المنصة درجة احتمالية الفشل لكل مقطع من مقاطع الأنابيب. ويتم دمج هذه الدرجة مع عوامل أهمية الأصول — العملاء المتأثرون، والقرب من البنية التحتية الحيوية، والتأثير البيئي، وتكلفة الإصلاح المقدرة — لإنتاج درجة مخاطر مركبة:

درجة المخاطر = احتمال الفشل × عواقب الفشل

وهذا يوفر لفرق الهندسة قائمة مرتبة حسب الأولوية بمرشحي التدخلات التي يتعين مراجعتها، بدلاً من التعامل مع كل تنبؤ ذي احتمالية عالية على أنه سبب تلقائي لإجراء إصلاح.

قمنا بتنفيذ مسار عمل MLOps متكامل باستخدام Vertex AI Pipelines وFeature Store وModel Registry وCloud Composer وCloud Build. يعمل مسار العمل هذا على أتمتة معالجة البيانات، وهندسة الميزات، وتدريب النموذج، والتحقق من صحته، ونشره، ومراقبته، وإعادة تدريبه بشكل دوري. وتقوم حلقة التغذية الراجعة بتسجيل الأعطال الجديدة، وإجراءات الصيانة، والبيانات التشغيلية المحدثة، بهدف تحسين النموذج بمرور الوقت.

تتضمن المنصة ميزات CI/CD، ومراقبة نماذج الإنتاج، وكشف الانحرافات في الميزات، وإدارة إصدارات النماذج، ولوحة تحكم مزودة بنظام المعلومات الجغرافية (GIS) مخصصة لمديري الأصول والمهندسين. وقد تم تصميم كل مكون من مكونات المنصة بهدف دعم العمليات الجارية.

خلال فترة الاختبار الرجعي والمحاكاة التي استمرت 12 شهراً، والتي استندت إلى بيانات الأصول وحالات الأعطال على مدى 5 سنوات، أظهرت الأصول التي تم توقع أنها عالية المخاطر وتم تحديدها للتدخل الاستباقي انخفاضاً بنسبة 42% في حالات الأعطال غير المتوقعة مقارنةً بالخط الأساسي.

من المتوقع أن يؤدي التدخل الاستباقي بشأن الأصول عالية المخاطر إلى خفض تكاليف الإصلاحات الطارئة بنسبة 28% — مما يؤدي إلى تحويل الإنفاق من الاستجابة الطارئة غير المخطط لها إلى صيانة مخططة وأقل تكلفة.

يوفر مسار العمل الآلي، وإطار حوكمة النماذج، والبنية التحتية للرصد، للمؤسسة أساسًا قابلاً للتكرار لمبادرات الذكاء الاصطناعي والتعلم الآلي المستقبلية على مستوى محفظة الأصول.