AI-drevet forudsigelse af vandledningsbrud

Om kunden

Kunden er et stort britisk vand- og spildevandsselskab, der er ansvarlig for tusindvis af kilometer underjordisk distributions- og opsamlingsinfrastruktur. Det betjener millioner af private og kommercielle kunder på tværs af by- og landområder og forvalter en varieret portefølje af aldrende aktiver, herunder vandledninger, spildevandsrørledninger, pumpestationer og tilhørende netværksinfrastruktur.

Som en del af sine digitale transformations- og AMP-investeringsplanlægningsprogrammer satte organisationen sig for at bruge AI og prædiktiv analyse til at forbedre beslutninger om aktivforvaltning, reducere serviceafbrydelser og allokere kapital mere effektivt.

Udfordring

Svigt i vandledninger var et af forsyningsselskabets dyreste driftsmæssige problemer. Beslutninger om udskiftning byggede på aktivets alder, periodiske inspektioner og ingeniørmæssig vurdering — en proces, der gjorde det vanskeligt at identificere, hvilke underjordiske rør der med størst sandsynlighed ville svigte næste gang.

Når et rør sprang uventet, blev konsekvenserne forstærket: serviceafbrydelser, omkostninger til nødreparationer, vandtab, regulatorisk eksponering og påvirkning af kunderne. Organisationen rådede over store mængder historiske vedligeholdelsesoplysninger, GIS-data, miljøinformation og driftstelemetri — men havde ingen skalerbar måde at omdanne disse data til rangordnede, handlingsrettede risikoforudsigelser.

Datasættet tilføjede sin egen kompleksitet. På tværs af hundredtusindvis af rørsegmenter udgjorde faktiske svigt mindre end 1 % af aktiverne i et givet år. At forudsige sjældne svigthændelser præcist, samtidig med at falske positiver holdes håndterbare, krævede specialiseret feature engineering, samplingstrategier og modelevalueringsteknikker.

Kunden havde brug for en løsning, der ville:

Identificere højrisikoaktiver før svigt.
Give ingeniørteams en prioriteret interventionsliste.
Understøtte krav om forklarlighed.
Integrere med eksisterende virksomhedssystemer.
Etablere en gentagelig MLOps-ramme for fremtidigt AI-arbejde.

Løsningen vi leverede

Vi leverede en prædiktiv platform til aktivintelligens på Google Cloud, der omfattede:

Risikobaseret prioritering

Ved hjælp af Vertex AI og XGBoost genererer platformen en svigtsandsynlighedsscore for hvert rørsegment. Denne score kombineres med faktorer for aktivernes kritikalitet — berørte kunder, nærhed til kritisk infrastruktur, miljøpåvirkning og anslåede reparationsomkostninger — for at producere en sammensat risikoscore:

Risikoscore = Sandsynlighed for svigt × Konsekvens af svigt

Dette giver ingeniørteams en rangeret liste over interventionskandidater til gennemgang, i stedet for at behandle hver forudsigelse med høj sandsynlighed som en automatisk reparationsudløser.

End-to-end MLOps-pipeline

Vi implementerede en komplet MLOps-pipeline ved hjælp af Vertex AI Pipelines, Feature Store, Model Registry, Cloud Composer og Cloud Build. Pipelinen automatiserer databehandling, feature engineering, modeltræning, validering, implementering, overvågning og periodisk genoptræning. En feedback-loop opfanger nye fejl, vedligeholdelsesindgreb og opdaterede driftsdata for at forbedre modellen over tid.

Produktionsklar infrastruktur

Platformen inkluderer CI/CD, overvågning af produktionsmodeller, detektion af feature drift, modelversionering og et GIS-aktiveret dashboard til asset managers og ingeniører. Hver komponent er bygget til at understøtte løbende drift.

Kundens resultater

Platformen flyttede forsyningsvirksomheden fra nedbrudsdrevet vedligeholdelse til risikobaseret indgriben. Ingeniørteams arbejder nu ud fra en prioriteret aktivliste i stedet for at reagere på fejl, først når de er sket — hvilket understøtter bedre AMP-investeringsplanlægning og mere forudsigelig kapitalallokering.

Platformen leverede også:

42 % reduktion i uventede fejl (bagudtestet)

Under 12 måneders historisk back-testing og simulering mod 5 års aktiv- og fejldata viste aktiver, der blev forudsagt som højrisiko og markeret til proaktiv indgriben, en reduktion på 42 % i uventede fejl sammenlignet med referencegrundlaget.

28 % forventet reduktion i omkostninger til akut vedligeholdelse

Proaktiv indgriben på højrisikoaktiver forventes at reducere omkostningerne til akutte reparationer med 28 % — hvilket flytter udgifterne fra uplanlagt akut respons til planlagt vedligeholdelse med lavere omkostninger.

Et genanvendeligt MLOps-fundament

Den automatiserede pipeline, rammen for modelstyring og overvågningsinfrastrukturen giver forsyningsselskabet et gentageligt fundament for fremtidige AI- og ML-initiativer på tværs af aktivporteføljen.

AI-drevet platform til forudsigelse af vandledningsbrud (MLOps & prædiktiv aktivforvaltning)