New AI system catches equipment failures before they crash heating networks
Researchers have developed a machine learning tool that detects performance problems in district heating systems by monitoring how well predictive models perform. The approach could help utilities prevent costly breakdowns and maintain reliable heat supply to thousands of homes and businesses simultaneously.
Originaltitel: Individualized Drift Detection in District Heating via Persistence based Monitoring of Model Residuals
**Fjärrvärmesystem får skräddarsydd driftövervakning via residualanalys** Fjärrvärmeanläggningar kan nu identifiera fel och slitage tidigare genom individuell driftövervakning baserad på modellresidualers tidsmönster. Metoden övervakar avvikelser mellan förutsagda och faktiska värden för varje anslutning eller komponent, vilket avslöjar gradvis degradering innan fel uppstår. University of Borås har utvecklat denna persistence-baserade övervakningsmetod, som skalar från enskilda värmepumpar till hela fjärrvärmenät. Systemet ökar driftsäkerhet och minskar både planerade och oplanerade stillestånd. För teknikledare och AI-produktchefer är detta relevant för verkstadsindustrins digitaliseringsresa: prediktivt underhåll baserat på lokala mönster reducerar reservdelskostnader och förbättrar tillgängligheten utan att kräva centraliserad dataöverföring. Metoden öppnar möjligheter för svenska värmebolag och systemintegratörer att erbjuda övervakningstjänster.