AI-drevet prediksjon av vannledningsbrudd

Om kunden

Kunden er et stort britisk vann- og avløpsverk som er ansvarlig for tusenvis av kilometer med underjordisk distribusjons- og oppsamlingsinfrastruktur. Det betjener millioner av bolig- og forretningskunder i by- og landområder, og forvalter en variert portefølje av aldrende anlegg, inkludert vannledninger, avløpsrørledninger, pumpestasjoner og tilhørende nettverksinfrastruktur.

Som en del av programmene for digital transformasjon og AMP-investeringsplanlegging satte organisasjonen seg som mål å bruke AI og prediktiv analyse for å forbedre beslutninger om anleggsforvaltning, redusere driftsforstyrrelser og fordele kapital mer effektivt.

Utfordring

Brudd på hovedvannledninger var ett av selskapets dyreste operasjonelle problemer. Beslutninger om utskifting baserte seg på anleggenes alder, periodiske inspeksjoner og ingeniørfaglig skjønn — en prosess som gjorde det vanskelig å identifisere hvilke underjordiske rør som mest sannsynlig ville svikte neste gang.

Når et rør sprakk uventet, ble konsekvensene forsterket: driftsavbrudd, kostnader til akuttreparasjoner, vanntap, regulatorisk eksponering og kundepåvirkning. Organisasjonen hadde store mengder historiske vedlikeholdsdata, GIS-data, miljøinformasjon og operasjonell telemetri — men hadde ingen skalerbar måte å omgjøre disse dataene til rangerte, handlingsrettede risikoprediksjoner.

Datasettet la til sin egen kompleksitet. På tvers av hundretusener av rørsegmenter representerte faktiske brudd mindre enn 1 % av anleggene i et gitt år. Å forutsi sjeldne bruddhendelser nøyaktig, samtidig som falske positive holdes håndterbare, krevde spesialisert feature engineering, samplingsstrategier og teknikker for modellevaluering.

Kunden trengte en løsning som ville:

Identifisere høyrisikoanlegg før svikt.
Gi ingeniørteamene en prioritert liste over tiltak.
Støtte krav til forklarbarhet.
Integreres med eksisterende bedriftssystemer.
Etablere et repeterbart MLOps-rammeverk for fremtidig AI-arbeid.

Løsningen vi leverte

Vi leverte en plattform for prediktiv anleggsintelligens på Google Cloud som inkluderte:

Risikobasert prioritering

Ved hjelp av Vertex AI og XGBoost genererer plattformen en feilsannsynlighetsscore for hvert rørsegment. Denne scoren kombineres med faktorer for anleggenes kritikalitet — berørte kunder, nærhet til kritisk infrastruktur, miljøpåvirkning og estimert reparasjonskostnad — for å produsere en sammensatt risikoscore:

Risikoscore = Sannsynlighet for feil × Konsekvens av feil

Dette gir ingeniørteamene en rangert liste over intervensjonskandidater å vurdere, i stedet for å behandle hver prediksjon med høy sannsynlighet som en automatisk reparasjonsutløser.

Ende-til-ende MLOps-pipeline

Vi implementerte en komplett MLOps-pipeline ved hjelp av Vertex AI Pipelines, Feature Store, Model Registry, Cloud Composer og Cloud Build. Pipelinen automatiserer databehandling, feature engineering, modelltrening, validering, distribusjon, overvåking og periodisk omtrening. En tilbakemeldingssløyfe fanger opp nye feil, vedlikeholdshandlinger og oppdaterte driftsdata for å forbedre modellen over tid.

Produksjonsklar infrastruktur

Plattformen inkluderer CI/CD, overvåking av produksjonsmodeller, deteksjon av feature drift, modellversjonering og et GIS-aktivert dashbord for anleggsforvaltere og ingeniører. Hver komponent ble bygget for å støtte løpende drift.

Kundens resultater

Plattformen flyttet vannverket fra reparasjonsdrevet vedlikehold til risikobasert intervensjon. Ingeniørteamene arbeider nå ut fra en prioritert anleggsliste i stedet for å reagere på feil i etterkant — noe som støtter bedre AMP-investeringsplanlegging og mer forutsigbar kapitalallokering.

Plattformen leverte også:

42 % reduksjon i uventede feil (tilbaketestet)

Under 12 måneders historisk tilbaketesting og simulering mot 5 år med anleggs- og feildata viste anlegg som ble forutsagt som høyrisiko og flagget for proaktiv intervensjon, en reduksjon på 42 % i uventede feil sammenlignet med grunnlinjen.

28 % anslått reduksjon i kostnader til nødvedlikehold

Proaktiv intervensjon på høyrisikoanlegg er anslått å redusere kostnadene til nødreparasjoner med 28 % – noe som flytter utgiftene fra uplanlagt nødrespons til planlagt vedlikehold med lavere kostnad.

Et gjenbrukbart MLOps-fundament

Den automatiserte pipelinen, rammeverket for modellstyring og overvåkingsinfrastrukturen gir vannverket et gjentakbart fundament for fremtidige AI- og ML-initiativer på tvers av anleggsporteføljen.

AI-drevet plattform for prediksjon av vannledningsbrudd (MLOps og prediktiv anleggsforvaltning)