DC Water: gestraffte Abwasserrorinspektions-Analyse

Kosten reduzieren, Wartungsarbeiten optimieren und Kundenservice verbessern.

Kurzübersicht:
Künstliche Intelligenz (KI) ermöglicht Versorgern, die Analyse von Abwasserleitungs-Inspektionsvideos zu beschleunigen und gleichzeitig die Genauigkeit sicherzustellen. Dies ermöglicht ihren Mitarbeitern, sich auf zeitnahe Wartungsentscheidungen zu konzentrieren, statt routinemäßige Inspektionen durchführen zu müssen. Weitere Vorteile umfassen reduzierte Kosten, niedrigere Fehlerraten und weniger Betriebsstörungen.

Um die Hürde bei der Bereitstellung von KI zu reduzieren, können Versorger mit Lösungsanbietern zusammenarbeiten, die mit den Herausforderungen in diesem Sektor wohlvertraut sind. DC Water wandte sich an Wipro, einen IT-Dienstanbieter und Mitglied des Intel® AI Builders-Programms mit Expertise in der Versorgungsindustrie sowie in Computervision, maschinellem Lernen und damit verbundenen Technologien.

Abwassersysteme: viele Kilometer Herausforderungen
Die Wartung von Abwasserleitungen ähnelt einer Art Versicherung gegen zukünftige Betriebsstörungen. Als Teil der Kosten-Nutzen-Analyse suchen Versorger nach Möglichkeiten, Abwasserleitungsdefekte zu mindern und gleichzeitig die Inspektionskosten zu senken.

Dies ist angesichts der vielen unter Großstädten verlegten Leitungskilometer unabdingbar. Unter Washington, D.C., sind z. B. mehr als 2800 km Kanalisationsleitungen verlegt.1 Seine mehr als 701.000 Einwohner und fast 20 Millionen Besucher jährlich vertrauen für die Abwassersammlung und -aufbereitung auf die District of Columbia Water and Sewer Authority (DC Water).2 D.C.3

Dieses Versorgungssystem datiert zurück bis ins Jahr 1810 und umfasst Leitungen aus vielen verschiedenen Materialien, darunter Ziegel und Beton, Steinzeug, Stahlbeton und Gusseisen.

Infrastruktur wie diese ist überall in den USA und auch in anderen Ländern recht typisch. Dadurch wird es für Versorgungsgesellschaften zum Vollzeitjob, ihre Abwassersysteme betriebsfähig zu halten, denn Kunden nehmen eine ordnungsgemäße Entsorgung von Abwasser einfach als gegeben an.

Standardinspektionen sind sehr umständlich
Regelmäßige Inspektionen der unterirdischen Abwasserleitungen ermöglichen Versorgern, Wartungsaufgaben zu priorisieren, die Leckstellen, Bruchstellen und Blockaden verhindern helfen. Standardinspektionen bestehen aber aus schwierigen, zeitraubenden manuellen Aktivitäten. Bei einer oft angewandten Methode führt ein Bediener dezentral einen kamerabestückten Rover, um Videos der unterirdischen Leitungen aufzuzeichnen. Der Bediener erstellt dann anhand der Videoaufnahmen ein Inspektionsprotokoll und einen zusammenfassenden Bericht, in denen Anomalien oder Probleme sowie deren Positionen gekennzeichnet werden.

Die Mitarbeiter der Qualitätskontrolle überprüfen dann Videoaufzeichnungen und Berichte auf Richtigkeit und Genauigkeit. Mit Tausenden von Rohrleitungskilometern und vielen Stunden Video, die in Echtzeit geprüft werden müssen, ist dies ein nie endender Prozess. Ermüdung, Ablenkung und Meinungsverschiedenheiten hinsichtlich der Frage, welche Wartungsobjekte oder Reparaturen priorisiert werden sollen, können zu Fehlern führen.

Darüber hinaus ist es nicht ungewöhnlich, dass Versorger, die diese Methode anwenden, bis Ende des Arbeitstages am Freitag warten, um die Berichte der Woche zu bewerten, bevor Arbeitsaufträge für die kommende Woche ausgestellt werden. Dies kann zu Rückständen führen. Und die wiederum zu Wartungsverspätungen, die dann wiederum Notreparaturen verursachen können.

Deswegen suchen Versorger zunehmend nach Möglichkeiten, um Rohrleitungsinspektionen effizienter zu machen.

Automatisierung der Abwasserleitungsinspektion mit KI
DC Water suchte nach einer Lösung zur Automatisierung und Beschleunigung der Rohrleistungs-Videoinspektion bei gleichzeitiger Wahrung der Genauigkeit.

Das Managementteam des Versorgers traf sich mit Vertretern von Wipro, einem Unternehmen mit Erfahrung in Automatisierung, KI, Analytik und anderen Technologien. Beide Organisationen brachten ihr Know-how in den jeweiligen Domänen ein und entwickelten gemeinsam eine Lösung, die die manuelle Prüfung und Klassifizierung von Abwasserleitungs-Videoscans eliminieren sollte.

Das Ziel war die Optimierung der Infrastrukturwartung, um Zeit zu sparen, die Effizienz zu verbessern und Kosten zu senken. Dieses Ziel könnte mittels Automatisierung der Rohrleitungsinspektions-Videoanalyse und -Berichterstattung erzielt werden.

DC Water und Wipro entwickelten gemeinsam Pipe Sleuth
DC Water wandte sein umfassendes Fachwissen an, um den Schweregrad der Anomalien zu qualifizieren und umfassende Berichte zu erstellen, die nathlos in bestehende Workflows integriert werden konnten.

Wipro kombinierte seine umfassende Expertise in digitaler Signalverarbeitung (Digital Signal Processing, DCP) in den Bereichen Bild- und Videoverarbeitung und Computervision mit Technologien der KI und des maschinellen Lernens, um Geschäftsprobleme zu beheben.

Das Unternehmen weist umfassende IT-Systemintegrationserfahrung bei sowohl öffentlichen wie privaten Entitäten auf. Dazu gehören staatliche Wasserversorger wie auch Gas- und Energiegesellschaften in den USA und anderen Ländern. Durch die Bereitstellung von sowohl technischer wie Sektorexpertise half Wipro DC Water bei deren digitaler Transformation und wandelte die Fähigkeiten und Einblicke des Versorgers in eine praktische Lösung um.

Anwendung von Computervision auf Abwasserkanalinspektion
Die Lösung Pipe Sleuth (etwa: Rohrschnüffler, Rohrdetektiv) automatisiert den Vorgang der Identifizierung, Kennzeichnung, Einstufung/Bewertung des Rohrleistungszustands und der Meldung von Rohrleitungsdefekten mithilfe von Standards, die dem Pipeline Assessment Certification Program (PACP) entsprechen. Diese Benchmarks wurden von der US-amerikanischen National Association of Sewer Service Companies (NASSCO) eingeführt.

„Wir verwenden Pipe Sleuth, um unser Kanalisationsnetz zu kontrollieren. Es handelt sich um eine innovative Lösung, die die Inspektionsproduktivität drastisch erhöht und die Kosten signifikant reduziert, während gleichzeitig die Defekterkennungsrate insgesamt verbessert wird. Die Option zu haben, Pipe Sleuth auf unseren bestehenden Intel-basierten Plattformen auszuführen, war ein zusätzlicher Vorteil.“ — Tom Kuczynski, Vice President, Information Technology, DC Water

Die Lösung umfasst einen Datensatz von 26.600 kommentierten Bildern, die aus dokumentierten Rohrleistungsinspektions-Videos extrahiert wurden. Ein aus diesen Bildern hergestelltes maschinelles Lernmodell wurde mit TensorFlow* trainiert und mit der Intel® Distribution des OpenVINO™ Toolkits zur Inferenz optimiert.

Durch dieses Training kann Pipe Sleuth neue Rohrleistungsinspektions-Videos mit bereits festgestellten Anomalien vergleichen. Die Lösung kann Qualitätsprobleme schnell erkennen und macht die manuelle Prüfung und Kodierung der Video-Scans von unterirdischen Kanalisationsleitungen unnötig (siehe Abbildung 1).

Abbildung 1. Beispiele für Anomalien und kommentierten Bildern unter Verwendung der Pipe Sleuth-Lösung.

Pipe Sleuth generiert dann einen umfassenden Inspektionsbericht, der mit gebräuchlichen Asset-Management-Systemen integriert werden kann, um Wartungsarbeitsaufträge zu automatisieren. Pipe Sleuth kann auch Schnittstellen mit geografischen Informationssoftwaresystemen bilden, mit denen die präzisen Positionen, an denen Arbeiten durchgeführt werden müssen, zugeordnet werden können. Die Software macht es auch leicht, spezifische Szenen in Rohrleitungsinspektions-Videos abzurufen und anzuzeigen.

Zusätzlich zur Optimierung der Lösung zur Verwendung mit der Intel-Distribution des OpenVINO Toolkits optimierte Wipro sie auch für Intel® Core™i5 und Intel® Core™ i7 Prozessoren sowie skalierbare Intel® Xeon® Prozessoren. Dadurch konnte die Lösung Verbesserungen von jeweils 32, 55 und 77 Prozent liefern.4

Die Inferenzzeit wurde mit einer Reduzierung von bis zu 80 Prozent mithilfe von Intel Xeon-Prozessoren mit dem OpenVINO Toolkit ebenfalls verbessert, während kein signifikanter Verlust bei der Modellpräzision oder -genauigkeit feststellbar war.5 Diese Optimierung war für DC Water ein beträchtlicher Vorteil, weil der Versorger bereits in Server mit Intel® Prozessoren investiert hatte.

Das Ergebnis: eine Lösung, die Image Inferencing in Echtzeit ausführen kann, wodurch Rohrleistungsinspektionen effizienter, einheitlicher und genauer werden.

Darüber hinaus verbessert Pipe Sleuth die Langzeitüberwachung durch Speicherung von Rohrleistungs- und Metadaten. Dadurch wird es einfach, sich den Verlauf spezifischer Probleme und deren Positionen anzusehen, festzustellen, wann welche Wartungsaktionen oder Reparaturen durchgeführt wurden und den vorherigen Zustand mit dem aktuellen zu vergleichen.

Vorteile von Pipe Sleuth
Pipe Sleuth unterstützt jetzt die Detektion von 50 Anomalien speziell für die Infrastruktur von Abwassersystemen. Wipro plant, weitere Anomalien als Teil der Produkt-Roadmap zu unterstützen und dadurch den Geschäftswert von Pipe Sleuth weiter zu verbessern.

Zeitsparend
Die Analyse von 60 Inspektionsvideo-Minuten und Erstellung eines Berichts, die manuell eine Stunde 15 Minuten dauerte, dauert jetzt zehn Minuten.4

Reduziert Scankosten
Reduziert die Kosten der Anomalieerkennung um bis zu 50 Prozent, ermöglicht Versorgern, die Ausgaben von der Wartung auf die Kapitalverbesserung zu verlagern.6

Bietet große Genauigkeit
Erzielt eine Genauigkeitsrate von 90 Prozent und beseitigt gleichzeitig menschliche Fehler aufgrund von Ermüdung und Ablenkung und verbessert die Detektionszuverlässigkeit um bis zu 20 Prozent.7

Erhöht Verfügbarkeit von Experten
Ermöglicht Mitarbeitern, sich auf komplexe Probleme zu konzentrieren, indem KI zur Durchführung der Routineinspektion genutzt wird.

Optimiert Wartungsentscheidungen
Verbessert den Prozess und ermöglicht Wartungsteams, dort zu arbeiten, wo sie am dringendsten benötigt werden.

Reduziert Betriebsstörungen
Beschleunigt Analyse und Priorisierung, sodass Wartung stattfinden kann, bevor es zu Reparaturen kommt.

Verbessert Kundenservice und Sicherheit
Unterstreicht die Verpflichtung des Versorgers den Kunden gegenüber, indem Reparaturhäufigkeit, Schließungen und Schäden an Straßen, öffentlichem und privatem Eigentum und der Umwelt reduziert werden.

Liefert ROI
Versorger können eine Kapitalrendige (ROI) über drei Jahre von bis zu 350 Prozent verzeichnen.8

Jetzt loslegen
Weitere Informationen finden Sie im Whitepaper, das Sie herunterladen können: Pipe Sleuth mit optimierter Inferenz auf Intel® Prozessoren

Hören Sie eine Podcast-Besprechung zu Pipe Sleuth mit Deepak Dinkar, Senior Practice Manager, Wipro, und Emily Hutson, Senior Product Marketing Manager, AI Products Group, Intel Corporation

Informationen über weitere KI-Wipro-Lösungen erhalten Sie bei Deepak Dinkar unter deepak.dinkar@wipro.com

Anfragen in Bezug auf Pipe Sleuth richten Sie bitte an sales.pipesleuth@wipro.com und Thomas.Kuczynski@dcwater.com​​​

Informationen über zugehörige Produkte und Lösungen

Skalierbare Intel® Xeon® Prozessoren

Fördern Sie verwertbare Erkenntnisse, verlassen Sie sich auf Hardware-basierte Sicherheit und stellen Sie dynamische Servicelieferung mit skalierbaren Intel® Xeon® Prozessoren bereit.

Weitere Informationen

Intel® Deep Learning Boost (Intel® DL Boost)

Die skalierbaren Intel® Xeon® Prozessoren setzt mit Intel® Deep Learning Boost neue Maßstäbe für integrierte KI-Leistung.

Weitere Informationen

OpenVINO™ Toolkit

Entwickeln Sie schnell und konsequent ganzheitliche Computer-Vision-Lösungen basierend auf Intel® Architektur und unserem Deep-Learning-Framework.

Weitere Informationen

Hinweise und Disclaimer

Durch Intel® Technik ermöglichte Funktionsmerkmale und Vorteile hängen von der Systemkonfiguration ab und können entsprechend geeignete Hardware, Software oder die Aktivierung von Diensten erfordern. Die Leistungsmerkmale variieren je nach Systemkonfiguration. Kein Computersystem bietet absolute Sicherheit. Informieren Sie sich beim Systemhersteller oder Einzelhändler oder auf https://www.intel.de. In Leistungstests verwendete Software und Workloads können speziell für die Leistungseigenschaften von Intel® Mikroprozessoren optimiert worden sein. Leistungstests wie SYSmark und MobileMark werden mit spezifischen Computersystemen, Komponenten, Softwareprogrammen, Operationen und Funktionen durchgeführt. Jede Veränderung bei einem dieser Faktoren kann abweichende Ergebnisse zur Folge haben. Für eine umfassende Bewertung Ihrer vorgesehenen Anschaffung, auch im Hinblick auf die Leistung des betreffenden Produkts in Verbindung mit anderen Produkten, sollten Sie zusätzliche Informationen und Leistungstests heranziehen.Ausführlichere Informationen finden Sie unter https://www.intel.de/benchmarks. Die Leistungsergebnisse basieren auf Tests, die zum Zeitpunkt, der in den Konfigurationen angegeben ist, durchgeführt wurden und berücksichtigen möglicherweise nicht alle öffentlich verfügbaren Sicherheitsupdates. Weitere Einzelheiten finden Sie in den veröffentlichten Konfigurationsdaten. Kein Produkt und keine Komponente bieten absolute Sicherheit. // Die beschriebenen Kostensenkungsszenarien sind als Beispiele dafür gedacht, wie ein bestimmtes Produkt mit Intel®-Technik unter den genannten Umständen und in der angegebenen Konfiguration zukünftige Kosten beeinflussen und Einsparungen ermöglichen kann. Die Umstände unterscheiden sich von Fall zu Fall. Intel übernimmt keine Gewähr für Kosten oder Kostensenkungen. // Intel hat keinen Einfluss auf und keine Aufsicht über die Benchmarkdaten Dritter oder die Websites, auf die in diesem Dokument Bezug genommen wird. Besuchen Sie die genannten Websites, um sich davon zu überzeugen, dass die angeführten Benchmarkdaten zutreffen. // Bei einigen Tests wurden die Ergebnisse unter Verwendung interner Analysen oder Architektursimulationen bzw. -modellen von Intel geschätzt oder nachempfunden. Sie dienen nur informatorischen Zwecken. Unterschiede in der Hardware, Software oder Konfiguration des Systems können die tatsächliche Leistung beeinflussen.

Produkt- und Leistungsinformationen

2https://ngicp.org/project/dc-water/
4Podcast: Wipro-KI-Lösungen von Edge bis zum Rechenzentrum auf der Basis von Intel-Technik – Intel im Bereich KI, Folge 39