AI-driven förutsägelse av vattenledningsfel

Om kunden

Kunden är ett stort brittiskt vatten- och avloppsbolag som ansvarar för tusentals kilometer underjordisk distributions- och uppsamlingsinfrastruktur. Det betjänar miljontals privat- och företagskunder i stads- och landsbygdsområden och förvaltar en varierad portfölj av åldrande tillgångar, inklusive vattenledningar, avloppsledningar, pumpstationer och tillhörande nätverksinfrastruktur.

Som en del av sina program för digital transformation och AMP-investeringsplanering satte organisationen som mål att använda AI och prediktiv analys för att förbättra beslut om tillgångsförvaltning, minska driftstörningar och fördela kapital mer effektivt.

Utmaning

Fel på huvudvattenledningar var ett av företagets dyraste operativa problem. Beslut om utbyte förlitade sig på tillgångarnas ålder, periodiska inspektioner och tekniskt omdöme — en process som gjorde det svårt att identifiera vilka underjordiska rör som sannolikt skulle gå sönder härnäst.

När ett rör oväntat sprack förvärrades konsekvenserna: serviceavbrott, kostnader för akuta reparationer, vattenförluster, regulatorisk exponering och påverkan på kunder. Organisationen hade stora mängder historiska underhållsdata, GIS-data, miljöinformation och operativ telemetri — men saknade ett skalbart sätt att omvandla dessa data till rangordnade, handlingsbara riskprognoser.

Datamängden tillförde sin egen komplexitet. Över hundratusentals rörsegment utgjorde faktiska fel mindre än 1 % av tillgångarna under ett givet år. Att förutsäga sällsynta fel korrekt, samtidigt som antalet falska positiva hölls hanterbart, krävde specialiserad feature engineering, urvalsstrategier och tekniker för modellutvärdering.

Kunden behövde en lösning som skulle:

Identifiera högrisktillgångar innan fel uppstår.
Ge tekniska team en prioriterad åtgärdslista.
Stödja krav på förklarbarhet.
Integreras med befintliga företagssystem.
Etablera ett repeterbart MLOps-ramverk för framtida AI-arbete.

Lösningen vi levererade

Vi levererade en plattform för prediktiv tillgångsintelligens på Google Cloud som inkluderade:

Riskbaserad prioritering

Med hjälp av Vertex AI och XGBoost genererar plattformen en felsannolikhetspoäng för varje rörsegment. Den poängen kombineras med faktorer för tillgångens kritikalitet — påverkade kunder, närhet till kritisk infrastruktur, miljöpåverkan och beräknad reparationskostnad — för att skapa en sammansatt riskpoäng:

Riskpoäng = Sannolikhet för fel × Konsekvens av fel

Detta ger ingenjörsteamen en rangordnad lista över åtgärdskandidater att granska, i stället för att behandla varje förutsägelse med hög sannolikhet som en automatisk utlösare för reparation.

Heltäckande MLOps-pipeline

Vi implementerade en komplett MLOps-pipeline med hjälp av Vertex AI Pipelines, Feature Store, Model Registry, Cloud Composer och Cloud Build. Pipelinen automatiserar databehandling, feature engineering, modellträning, validering, driftsättning, övervakning och periodisk omträning. En återkopplingsslinga fångar upp nya fel, underhållsåtgärder och uppdaterad driftdata för att förbättra modellen över tid.

Produktionsklar infrastruktur

Plattformen inkluderar CI/CD, övervakning av produktionsmodeller, upptäckt av feature drift, modellversionering och en GIS-aktiverad instrumentpanel för tillgångsförvaltare och ingenjörer. Varje komponent byggdes för att stödja pågående verksamhet.

Kundens resultat

Plattformen förändrade verksamheten från felstyrt underhåll till riskbaserad intervention. Ingenjörsteamen arbetar nu utifrån en prioriterad tillgångslista i stället för att reagera på fel i efterhand — vilket stöder bättre AMP-investeringsplanering och mer förutsägbar kapitalfördelning.

Plattformen levererade även:

42 % minskning av oväntade fel (bakåttestat)

Under 12 månaders historisk backtesting och simulering mot 5 års data om tillgångar och fel visade tillgångar som förutsågs vara högriskklassade och flaggades för proaktiv åtgärd en minskning med 42 % av oväntade fel jämfört med baslinjen.

28 % beräknad minskning av kostnaderna för akut underhåll

Proaktiva åtgärder på högriskutrustning beräknas minska kostnaderna för akuta reparationer med 28 % — vilket flyttar utgifterna från oplanerade akutinsatser till planerat underhåll till lägre kostnad.

En återanvändbar MLOps-grund

Den automatiserade pipelinen, ramverket för modellstyrning och övervakningsinfrastrukturen ger vattenbolaget en repeterbar grund för framtida AI- och ML-initiativ över hela tillgångsportföljen.

AI-driven plattform för att förutsäga fel på huvudvattenledningar (MLOps och prediktiv tillgångsförvaltning)