KI-gestützte Vorhersage von Wasserrohrbrüchen

Über den Kunden

Der Kunde ist ein großer britischer Wasser- und Abwasserversorger, der für tausende Kilometer unterirdischer Verteilungs- und Sammelinfrastruktur verantwortlich ist. Er versorgt Millionen privater und gewerblicher Kunden in städtischen und ländlichen Gebieten und verwaltet ein vielfältiges Portfolio alternder Anlagen, darunter Wasserleitungen, Abwasserleitungen, Pumpstationen und zugehörige Netzinfrastruktur.

Im Rahmen seiner Digitalisierungs- und AMP-Investitionsplanungsprogramme setzte sich das Unternehmen zum Ziel, mit KI und prädiktiver Analytik bessere Entscheidungen im Anlagenmanagement zu treffen, Versorgungsunterbrechungen zu reduzieren und Kapital wirksamer einzusetzen.

Herausforderung

Rohrbrüche im Trinkwassernetz zählten zu den teuersten betrieblichen Problemen des Versorgers. Entscheidungen über den Austausch stützten sich auf das Anlagenalter, regelmäßige Inspektionen und ingenieurtechnisches Urteilsvermögen — ein Vorgehen, das es schwer machte zu erkennen, welche erdverlegten Leitungen als Nächstes ausfallen würden.

Wenn eine Leitung unerwartet brach, summierten sich die Folgen: Versorgungsausfälle, Kosten für Notreparaturen, Wasserverluste, regulatorische Risiken und Beeinträchtigungen für die Kunden. Das Unternehmen verfügte über große Mengen historischer Instandhaltungsdaten, GIS-Daten, Umweltinformationen und Betriebstelemetrie — hatte aber keine skalierbare Möglichkeit, daraus priorisierte, handlungsfähige Risikoprognosen zu machen.

Der Datensatz brachte eigene Komplexität mit sich. Von hunderttausenden Rohrabschnitten entfielen in einem gegebenen Jahr weniger als 1 % auf tatsächliche Ausfälle. Seltene Ausfallereignisse präzise vorherzusagen und dabei die Zahl der Fehlalarme beherrschbar zu halten, erforderte spezialisiertes Feature Engineering, Sampling-Strategien und Verfahren zur Modellbewertung.

Der Kunde benötigte eine Lösung, die:

Anlagen mit hohem Risiko vor dem Ausfall identifiziert.
Ingenieurteams eine priorisierte Maßnahmenliste liefert.
Anforderungen an die Erklärbarkeit erfüllt.
sich in bestehende Unternehmenssysteme integriert.
ein wiederholbares MLOps-Framework für künftige KI-Vorhaben schafft.

Unsere Lösung

Wir haben auf Google Cloud eine Plattform für prädiktive Anlagenintelligenz geliefert, die Folgendes umfasst:

Risikobasierte Priorisierung

Mit Vertex AI und XGBoost erzeugt die Plattform für jeden Rohrabschnitt einen Wert für die Ausfallwahrscheinlichkeit. Dieser Wert wird mit Kritikalitätsfaktoren der Anlage kombiniert — betroffene Kunden, Nähe zu kritischer Infrastruktur, Umweltauswirkungen und geschätzte Reparaturkosten — und ergibt einen zusammengesetzten Risikowert:

Risikowert = Ausfallwahrscheinlichkeit × Schadensausmaß

So erhalten Ingenieurteams eine priorisierte Liste möglicher Maßnahmen zur Prüfung, statt jede Prognose mit hoher Wahrscheinlichkeit automatisch als Reparaturauftrag zu behandeln.

Durchgängige MLOps-Pipeline

Wir haben eine vollständige MLOps-Pipeline mit Vertex AI Pipelines, Feature Store, Model Registry, Cloud Composer und Cloud Build umgesetzt. Die Pipeline automatisiert Datenverarbeitung, Feature Engineering, Modelltraining, Validierung, Deployment, Monitoring und regelmäßiges Retraining. Eine Rückkopplungsschleife erfasst neue Ausfälle, Instandhaltungsmaßnahmen und aktualisierte Betriebsdaten, um das Modell fortlaufend zu verbessern.

Produktionsreife Infrastruktur

Die Plattform umfasst CI/CD, Monitoring der Produktionsmodelle, Erkennung von Feature Drift, Modellversionierung und ein GIS-gestütztes Dashboard für Anlagenmanager und Ingenieure. Jede Komponente wurde für den laufenden Betrieb ausgelegt.

Ergebnisse des Kunden

Die Plattform hat den Versorger von schadensgetriebener Instandhaltung auf risikobasierte Maßnahmen umgestellt. Ingenieurteams arbeiten heute mit einer priorisierten Anlagenliste, statt erst nach einem Ausfall zu reagieren — das unterstützt eine bessere AMP-Investitionsplanung und eine planbarere Kapitalallokation.

Darüber hinaus lieferte die Plattform:

42 % weniger unerwartete Ausfälle (rückwirkend getestet)

In einem zwölfmonatigen historischen Back-Test und einer Simulation gegen fünf Jahre Anlagen- und Ausfalldaten zeigten Anlagen, die als hochriskant eingestuft und für vorbeugende Maßnahmen markiert wurden, 42 % weniger unerwartete Ausfälle als der Ausgangswert.

28 % prognostizierte Senkung der Notfallinstandhaltungskosten

Vorbeugende Maßnahmen an Anlagen mit hohem Risiko sollen die Kosten für Notreparaturen um 28 % senken — Ausgaben verlagern sich damit von ungeplanten Noteinsätzen hin zu geplanter, kostengünstigerer Instandhaltung.

Eine wiederverwendbare MLOps-Grundlage

Die automatisierte Pipeline, das Framework für Modell-Governance und die Monitoring-Infrastruktur geben dem Versorger eine wiederholbare Grundlage für künftige KI- und ML-Initiativen im gesamten Anlagenportfolio.

Haben Sie eine Frage? Lassen Sie uns Kontakt aufnehmen!

Sagen Sie uns, was Sie entwickeln oder wo Sie feststecken. Wir arbeiten mit Ingenieur- und Produktteams an kundenspezifischer Software, KI & ML, Cloud-Infrastruktur, DevOps und UI/UX – vom frühen Scoping bis zur langfristigen Bereitstellung. Ein Gespräch reicht in der Regel aus, um herauszufinden, ob wir die richtige Wahl sind.

KI-gestützte Plattform zur Vorhersage von Wasserrohrbrüchen (MLOps & prädiktives Anlagenmanagement)