AI voor het voorspellen van waterleidingbreuken

Over de klant

De klant is een groot Brits water- en afvalwaterbedrijf dat verantwoordelijk is voor duizenden kilometers ondergrondse distributie- en inzamelinfrastructuur. Het bedient miljoenen particuliere en zakelijke klanten in stedelijk en landelijk gebied en beheert een gevarieerde portefeuille van verouderende assets, waaronder waterleidingen, afvalwaterleidingen, pompstations en bijbehorende netwerkinfrastructuur.

Als onderdeel van de digitale transformatie en de AMP-investeringsplanning wilde de organisatie AI en voorspellende analyses inzetten om beslissingen over assetmanagement te verbeteren, storingen in de dienstverlening te verminderen en kapitaal effectiever toe te wijzen.

Uitdaging

Waterleidingbreuken waren een van de duurste operationele problemen van het waterbedrijf. Vervangingsbeslissingen leunden op de leeftijd van assets, periodieke inspecties en het oordeel van engineers — een aanpak die het lastig maakte te bepalen welke ondergrondse leidingen als volgende zouden bezwijken.

Wanneer een leiding onverwacht brak, stapelden de gevolgen zich op: onderbrekingen in de dienstverlening, kosten voor noodreparaties, waterverlies, blootstelling aan toezicht en gevolgen voor klanten. De organisatie beschikte over grote hoeveelheden historische onderhoudsgegevens, GIS-data, milieu-informatie en operationele telemetrie — maar had geen schaalbare manier om die data om te zetten in gerangschikte, bruikbare risicovoorspellingen.

De dataset bracht een eigen complexiteit mee. Van de honderdduizenden leidingsegmenten viel in enig jaar minder dan 1% daadwerkelijk uit. Om zeldzame storingen nauwkeurig te voorspellen en tegelijk het aantal valse positieven beheersbaar te houden, waren gespecialiseerde feature engineering, samplingstrategieën en evaluatietechnieken nodig.

De klant had een oplossing nodig die:

assets met een hoog risico opspoort vóór ze bezwijken;
engineeringteams een geprioriteerde interventielijst geeft;
voldoet aan de eisen rond uitlegbaarheid;
koppelt met bestaande bedrijfssystemen;
een herbruikbaar MLOps-raamwerk neerzet voor toekomstig AI-werk.

De oplossing die wij leverden

We leverden op Google Cloud een platform voor voorspellende assetintelligentie met daarin:

Risicogestuurde prioritering

Met Vertex AI en XGBoost genereert het platform een faalkansscore voor elk leidingsegment. Die score wordt gecombineerd met factoren voor de kritikaliteit van het asset — het aantal getroffen klanten, de nabijheid van kritieke infrastructuur, de milieu-impact en de geschatte reparatiekosten — tot een samengestelde risicoscore:

Risicoscore = faalkans × gevolg van falen

Daarmee krijgen engineeringteams een gerangschikte lijst met kandidaten om te beoordelen, in plaats van elke voorspelling met een hoge kans automatisch als reparatieopdracht te behandelen.

MLOps-pipeline van begin tot eind

We bouwden een volledige MLOps-pipeline met Vertex AI Pipelines, Feature Store, Model Registry, Cloud Composer en Cloud Build. De pipeline automatiseert gegevensverwerking, feature engineering, modeltraining, validatie, uitrol, monitoring en periodieke hertraining. Een feedbackloop legt nieuwe storingen, onderhoudsacties en bijgewerkte operationele gegevens vast om het model in de loop van de tijd te verbeteren.

Productiewaardige infrastructuur

Het platform omvat CI/CD, monitoring van modellen in productie, detectie van feature drift, modelversiebeheer en een GIS-dashboard voor assetmanagers en engineers. Elk onderdeel is gebouwd om de dagelijkse bedrijfsvoering te ondersteunen.

Resultaten voor de klant

Het platform bracht het waterbedrijf van breukgestuurd onderhoud naar risicogestuurde interventie. Engineeringteams werken nu vanuit een geprioriteerde assetlijst in plaats van achteraf op storingen te reageren — wat een betere AMP-investeringsplanning en voorspelbaardere kapitaaltoewijzing ondersteunt.

Het platform leverde daarnaast:

42% minder onverwachte storingen (in back-test)

In een back-test en simulatie over 12 maanden tegen 5 jaar aan asset- en storingsgegevens lieten assets die als hoog risico waren voorspeld en voor proactieve interventie waren gemarkeerd 42% minder onverwachte storingen zien dan de nulmeting.

28% lagere kosten voor noodonderhoud (verwacht)

Proactief ingrijpen op assets met een hoog risico moet de kosten voor noodreparaties met 28% verlagen — een verschuiving van ongeplande noodrespons naar gepland, goedkoper onderhoud.

Een herbruikbaar MLOps-fundament

De geautomatiseerde pipeline, het governanceraamwerk voor modellen en de monitoringinfrastructuur geven het waterbedrijf een herbruikbaar fundament voor toekomstige AI- en ML-initiatieven binnen de hele assetportefeuille.

AI-platform voor het voorspellen van waterleidingbreuken (MLOps en voorspellend assetmanagement)