I dag vedligeholdes spildevandspumper typisk efter faste tidsintervaller uanset pumpens faktiske tilstand. Det kan resultere i unødvendige servicebesøg, forhøjede driftsomkostninger grundet ukendt lavere pumpeeffektivitet, samt øge risikoen for uforudsete nedbrud på spildevandspumper. Samtidigt indsamler mange forsyninger allerede store mængder data fra deres pumper, som endnu ikke udnyttes til deres fulde potentiale.
Projektet har til formål at udvikle og implementere en machine-learning algoritme, der vil analysere historiske og realtidsdata fra spildevandspumper og forudsige, hvornår vedligeholdelse er nødvendig for at opretholde pumpeeffektiviteten. Algoritmen vil tage højde for både pumpens tilstand og geografiske placering, så flere pumper kan serviceres samlet og effektivt. Projektet gennemføres i fire arbejdspakker: AP1) fokuserer på kortlægning og klargøring af data til udvikling af ML-algoritmen, AP2) indebærer udvikling og validering af algoritmen, AP3) inkluderer implementering og test af algoritmen og dets automatiske vedligeholdelsesvarsler i driften hos de deltagende forsyninger og AP4) omhandler projektledelse og formidling.
Ved at udføre prædiktiv vedligeholdelse forventer projektet at reducere antallet af alvorlige pumpenedbrud, forlænge pumpers levetid, mindske energiforbruget på udvalgte pumper og sænke driftsomkostninger i forbindelse med vedligeholdelse. På sigt kan modellen også udvides til at omfatte andre pumpetyper, og dermed bidrage til forsyningernes overgang fra kalenderbaseret til databaseret vedligehold.