Data Analytics in der Wasserwirtschaft

Die Wasserwirtschaft ist davon geprägt, dass stetig mehr Daten und Informationen durch die Überwachung von Prozessen anfallen. Diese können Grundlage für die zielgerichtete Umsetzung von Optimierungsmaßnahmen sein. Unsere Expertise sowohl in Machine Learning und Künstlicher Intelligenz als auch in wasserfachlichen Themen ermöglicht es uns, Ihre Problemstellung tiefgehend zu verstehen und Ihnen dadurch eine holistische, optimale Lösung anzubieten.

Wir helfen Ihnen, Datenfriedhöfe zu vermeiden und das Beste aus Ihren Daten herauszuholen!

Unsere Leistungen:

• Datenüberblick
  Im gemeinsamen Gespräch mit Ihnen erarbeiten wir, welche Daten in Ihrem Unternehmen vorliegen, wo diese gespeichert sind und wie die Datenflüsse zwischen unterschiedlichen Systemen und Datenquellen (Excel, SQL, externe Dienstleister, …) aussehen. Als Ergebnis erhalten Sie dann eine standardisierte, visuelle Aufbereitung der aktuellen Datensituation Ihres Unternehmens, welche einen wichtigen Ausgangspunkt für weitere Digitalisierungsprozesse darstellt.
• Datenaufbereitung
  Nachdem wir gemeinsam eine Aufnahme des Status quo durchgeführt haben und Optimierungspotenziale offengelegt sind, lassen sich anschließend durch die gezielte Aufbereitung der Daten die Grundvoraussetzungen zum Heben der Potenziale schaffen. Innerhalb dieser sogenannten Datenintegration werden dann alle Datenquellen in Bezug auf unterschiedliche Terminologien, inkonsistente Werte etc. harmonisiert. Anschließend werden sie in einem gemeinsamen Format zusammengeführt. Diese Aufbereitung ist notwendig, um zukünftig effiziente und plausible Datenauswertungen zu ermöglichen.
• Datenverständnis
  Die besten Entscheidungen basieren auf Fakten. Nachdem wir gemeinsam einen Überblick zu Ihrer Situation gewonnen  und durch die Datenaufbereitung die notwendigen Voraussetzungen getroffen haben, helfen wir Ihnen, die Fakten mittels modernster Algorithmen aus Ihren Daten zu destillieren und verständlich zu präsentieren.
• Datenvorhersage
  Auf Probleme zu reagieren, wenn sie bereits im Raum stehen, ist unwirtschaftlich. Wir unterstützen Sie, proaktiv zu handeln. Dabei modellieren wir Prozessverläufe anhand Ihrer Daten und erstellen auf diese Weise Zukunftsprognosen. Dies reicht von der Erstellung von Kurzzeitwasserbedarfsprognosen bis hin zur Prognose von optimalen Wartungsintervallen Ihrer Anlagen (predictive maintenance).

Fallbeispiele am IWW

1. Die Erfassung eines Schadensfalls in jeweils einer eigenen Excel-Datei führte bei einem Wasserversorger zu einem Datenbestand von über 10.000 Dateien. Durch Identifizierung von gemeinsamen Strukturen der Dateien konnten diese iterativ extrahiert und in einer gemeinsamen Tabelle zusammengeführt werden.
2. Im Rahmen eines Monitoring-Messnetzes können Daten zu mehr als hundert Parametern anfallen, die händisch aufwändig aufzubereiten sind. Durch automatisierte Auswertungen ist es möglich, per Knopfdruck einen Überblick zur aktuellen Lage zu erhalten und gleichzeitig durch die Verschneidung mit zusätzlichen umweltbezogenen Daten noch detailliertere und aussagekräftigere Informationen zu erhalten als in händischen Auswertungen.
3. Unvorhergesehene Ereignisse im Trinkwassernetz stellen eine Gefahr für die Versorgungssicherheit dar. Indem die Entwicklung der Trinkwasserqualität für einen kurzen Zeithorizont modelliert wird, fallen Abweichungen in den Messungen auf und geben einen Hinweis auf ungewöhnliche Ereignisse. Machine Learning Ansätze wie Neuronale Netze bzw. Deep Learning ermöglichen die Modellierung auch unter komplexen Bedingungen.
4. Häufig liegen bei Unternehmen Datensätze vor, denen wertvolle Zusammenhänge innewohnen, die allerdings verborgen sind. Am IWW lassen sich diese Zusammenhänge herausstellen. So wurde beispielsweise der Einfluss von Leitungsmerkmalen (Nennweite, Bodentyp, …) in Hinsicht auf die Restnutzungsdauer der Leitung quantifiziert. Darüber hinaus wurde mit dem gleichen Ansatz untersucht, welche Merkmale einen betreuungsintensiven Kunden charakterisieren, um dessen Bedürfnissen auf effizientere Weise begegnen zu können.

Weitere Fallbeispiele aus dem F&E-Projekt “Big Data”