地域暖房駅における予知保全の促進：サービスデータを基にしたラベル付与データセットと不具合検出評価枠組み

arXiv:2511.14791v2 発表タイプ：置換クロス 要約：地域暖房駅における不具合の早期検出は、帰還温度を低減し効率を向上させるために不可欠である。しかし、この分野の進展は、公衆用のラベル付与データの有限な可用性によって妨げられていた。当論文では、サービス報告で検証された公衆データセット、精度・信頼性・早期性に基づく評価手法、およびエネルギーシステムの運用データにおける自動異常検出のために開発された開 source Python 枠組みである EnergyFaultDetector に実装されたベースライン結果を組み合わせたオープンソース枠組みを提示します。 このデータセットは、2 社メーカーの 93 駅の運用データの時系列を含み、不具合およびメンテナンス作業により生じた障害のリスト、正常イベントの例セット、そして詳細な故障メタデータでラベル付けされています。EnergyFaultDetector は 3 つの指標を使用して評価されました：正常行動を認識するための精度、少数の誤報を伴った信頼性のある故障検出のためのイベントごとの F スコア、そして早期検出のための早期性。この枠組みは、自動エンコーダーのための特徴帰属手法である ARCANA を使用した根本原因分析もサポートしています。当論文では、オペレーターが異常を解釈し、潜在的な不具合を特定するための 3 つの使用事例を示しました。モデルは、正常行動の精度（0.98）とイベントごとの F スコア（beta = 0.5）を 0.83 との高い水準で達成し、顧客が問題を見つけた前にデータセット全体の 60% の不具合を検出することができ、平均リードタイムが 3 から 5 日でした。 公開データセット、指標、オープンソースコード、そしてベースラインの統合は、再現性が高く、運用上で意味のある評価を持つ、故障中心のベンチマークを確立し、地域暖房駅における不具合検出および診断手法の一貫した比較と開発を可能にしました。

arXiv:2511.14791v2 Announce Type: replace-cross Abstract: Early detection of faults in district heating substations is imperative to reduce return temperatures and enhance efficiency. However, progress in this domain has been hindered by the limited availability of public, labelled datasets. We present an open-source framework combining a service report validated public dataset, an evaluation method based on accuracy, reliability, and earliness, and baseline results implemented with EnergyFaultDetector, an open-source Python framework developed for automated anomaly detection in operational data from energy systems. The dataset contains time series of operational data from 93 substations across two manufacturers, annotated with a list of disturbances due to faults and maintenance actions, a set of normal-event examples and detailed fault metadata. We evaluate the EnergyFaultDetector using three metrics: accuracy for recognising normal behaviour, an eventwise F-score for reliable fault detection with few false alarms, and earliness for early detection. The framework also supports root cause analysis using ARCANA, a feature-attribution method for autoencoders. We demonstrate three use cases to assist operators in interpreting anomalies and identifying underlying faults. The models achieve high normal-behaviour accuracy (0.98) and eventwise F-score (beta = 0.5) of 0.83 and could detect 60% of the faults in the dataset before the customer reported a problem, with an average lead time of 3 to 5 days. Integrating an open dataset, metrics, open-source code, and baselines establishes a reproducible, fault-centric benchmark with operationally meaningful evaluation, enabling consistent comparison and development of early fault detection and diagnosis methods for district heating substations.