Advertisement

电梯故障监控预警数据集(104.8万+记录,10个特征)CSV

  •  5星
  •     浏览量: 0
  •     大小:None
  •      文件类型:7Z


简介:
该数据集包含超过104.8万条记录和10个特征,用于监控和预测电梯故障情况。以CSV格式存储,为研究与分析提供了丰富的数据资源。 目的:支持开发和测试用于电梯故障监控、预测性维护及早期预警系统的机器学习模型。 数据来源:基于真实电梯操作和传感器行为的模拟数据。 时间跨度:涵盖10台电梯30天运行,采样频率为每秒4个读数(即4Hz)。 文件格式:CSV 数据组成: 行数:每天约有170万条记录(假设每部电梯每日运行时间为12小时) 列数:共包含以下十个字段: - Elevator_ID: 每台电梯的整数值标识符 (范围为 1 到 10)。 - 时间戳:每个传感器读取值对应的日期和时间信息。 - Motor_Current(安培):电机吸收电流强度。 - Torque(牛·米):施加于电梯滑轮上的扭矩大小。 - Brake_Status:二进制状态码,表示刹车是否处于激活状态 (1 表示激活, 0 表示非激活)。 - Humidity(%RH): 指代电梯井内相对湿度水平百分比数值。 - Vibration_X、Vibration_Y 和 Vibration_Z (米/秒²):沿X轴、Y轴和Z轴方向的振动测量值。 特点: Fault_Label 分类标签定义如下: 0 - 表示正常运行状态,无故障发生; 1 - 标记为轻微故障(如门未对准等状况); 2 - 指示严重故障情况(比如电机损坏)。

全部评论 (0)

还没有任何评论哟~
客服
客服
  • 104.8+10CSV
    优质
    该数据集包含超过104.8万条记录和10个特征,用于监控和预测电梯故障情况。以CSV格式存储,为研究与分析提供了丰富的数据资源。 目的:支持开发和测试用于电梯故障监控、预测性维护及早期预警系统的机器学习模型。 数据来源:基于真实电梯操作和传感器行为的模拟数据。 时间跨度:涵盖10台电梯30天运行,采样频率为每秒4个读数(即4Hz)。 文件格式:CSV 数据组成: 行数:每天约有170万条记录(假设每部电梯每日运行时间为12小时) 列数:共包含以下十个字段: - Elevator_ID: 每台电梯的整数值标识符 (范围为 1 到 10)。 - 时间戳:每个传感器读取值对应的日期和时间信息。 - Motor_Current(安培):电机吸收电流强度。 - Torque(牛·米):施加于电梯滑轮上的扭矩大小。 - Brake_Status:二进制状态码,表示刹车是否处于激活状态 (1 表示激活, 0 表示非激活)。 - Humidity(%RH): 指代电梯井内相对湿度水平百分比数值。 - Vibration_X、Vibration_Y 和 Vibration_Z (米/秒²):沿X轴、Y轴和Z轴方向的振动测量值。 特点: Fault_Label 分类标签定义如下: 0 - 表示正常运行状态,无故障发生; 1 - 标记为轻微故障(如门未对准等状况); 2 - 指示严重故障情况(比如电机损坏)。
  • 发动机检测(超1000条,11CSV
    优质
    本数据集包含超过1000条发动机运行状态记录,每个样本涵盖11项关键特征参数,旨在支持故障诊断与预测分析。格式为CSV文件。 该数据集模拟了来自各种类型发动机的传感器读数,用于检测机械系统中的发动机故障,尤其是在汽车应用中。它可以在一系列时间间隔内捕获与发动机性能、故障条件和运行模式相关的数据。 列: - 时间戳:记录数据的时间点,从2024年12月24日上午10:00开始生成,并且每5分钟记录一次。 - 温度(°C):发动机温度范围在60°C至120°C之间,这是典型的工作环境。 - RPM(每分钟转数):表示发动机曲轴旋转速度的数据,在正常情况下大多数发动机的RPM值介于1000到4000之间。 - 燃油效率(公里/升):燃油消耗效率范围在15至30公里/升,反映了运行期间燃料使用情况。 - 振动X、振动Y、振动Z:沿发动机三个轴的振动读数。每个轴上的数值从0到1变化,较高的值可能指示与故障相关的异常振动。 - 扭矩(Nm):表示发动机产生的旋转力的数据,在50至200 Nm之间。 - 功率输出(kW):代表执行工作的速率,范围在20至100 kW之间。 - 故障条件:此字段用于分类模型的目标变量,它以整数形式表示故障的严重性: - 0: 正常 - 1: 轻微故障 - 2: 中等故障 - 3: 严重故障 - 运行模式:描述发动机运行的不同状态。可能的状态包括怠速、巡航和重负荷。 数据集特征: - 数据量为1000条记录,每一条代表引擎在特定时间点的性能快照。 - 故障条件包含从正常到严重的四个级别,有助于模型训练以预测潜在故障情况。 - 生成的数据旨在模拟典型的发动机运行状况及故障场景。 - 包含关键指标如温度、RPM值、燃油效率、振动水平、扭矩和功率输出等传感器数据。
  • 发动机检测(10K,12CSV
    优质
    这是一个包含10,000条记录的数据集,每条记录有12个特征值,用于检测发动机故障情况。所有数据以CSV格式存储。 此数据集旨在利用高级信号处理及机器学习技术来检测并分类发动机故障。它包含了在不同运行条件下收集的传感器读数,涵盖正常、轻微故障以及严重故障状态。 该数据集包含11个自变量(包括传感器读数和衍生特征)与1个因变量(即发动机状况标签)。以下是各列的具体说明: | 色谱柱名称 | 描述 | 单位范围 | |---------------------|-------------------------------|----------------------| | Vibration_Amplitude | 发动机测得的峰值振动幅度 | mms² | 0.1 - 10.0 | | RMS_Vibration | 发动机振动均方根(RMS) | mms² | 0.05 - 5.0 | | Vibration_Frequency | 发动机振动频率 | Hz | 20 - 2000 | | Surface_Temperature | 发动机表面温度 | °C | 30 - 150 | | Exhaust_Temperature | 废气温度 | °C | 200 - 600 | | Acoustic_dB | 发动机产生的噪声级 | dB | 60 - 120 | | Acoustic_Frequency | 发动机的声学信号频率 | Hz | 100 - 5000 | | Intake_Pressure | 进气歧管压力 | kPa | 90 - 120 | | Exhaust_Pressure | 废气压力 | kPa | 80 - 110 | | Frequency_Band_Energy| 特定频段内信号的能量(来自短时傅里叶变换)|任意单位 | 0.1 - 1.0 | | Amplitude_Mean | 指定时间窗口内的平均信号振幅 |任意单位 | 0.01 - 0.5 | 数据特性: - 总样本数:10,000 - 类别分布: - 正常(标签为“0”):60%,表示发动机运行无故障。 - 轻微故障(标签为“1”):30%,表明存在轻微问题。 - 严重故障(标签为“2”):10%,显示在严重故障条件下运行。
  • 新能源汽车(NEV)诊断(CSV格式,含11K+及8)
    优质
    本数据集包含超过11,000条记录,涵盖新能源汽车(NEV)故障诊断所需八个关键特征的数据,以CSV格式提供。 该数据集专为新能源汽车(NEV)的故障诊断而设计,特别关注驱动系统内的故障识别与分类。它包括从车辆系统嵌入的各种传感器收集的数据,例如电压、电流、电机速度、温度、振动以及环境中的温度和湿度等信息。此数据集涵盖了正常运行状态下的数据及反映电机、逆变器和电池等关键部件出现故障时的数据。 该数据集旨在用于训练与测试深度学习模型,并特别适用于开发高级故障检测系统,以提升电动汽车的安全性和可靠性。此外,通过使用指示不同类别的标签(如0代表正常运作,1至3则表示不同的故障类型),确保了数据的平衡性。
  • 典型机频谱整理
    优质
    本数据整理集聚焦于典型故障电机的频谱特征分析,汇集了各类电机在不同运行状态下的振动信号与频谱图,旨在为电机故障诊断提供丰富的参考依据。 ### 故障电机典型频谱特征整理数据集概述 本数据集主要针对三相异步故障电机的典型频谱特征进行了整理与汇总,旨在为电机故障诊断提供重要的参考依据。通过收集不同类型的故障电机在运行过程中所产生的振动信号,并利用频谱分析技术,可以识别出各种故障的特征频率及其变化规律。这对于提高电机维护效率、减少非计划停机时间具有重要意义。 ### 1. 转子偏心 - **故障特征**:转子偏心会导致转子与定子之间的间隙发生变化,在旋转过程中形成周期性的振动源。 - **频谱特征**: - 明显的两倍行频分量(即2X); - 出现1X波峰及其极通过频率的边带频率。 - **诊断意义**:这些频谱特征可用于快速定位是否存在转子偏心问题。 ### 2. 轴弯曲 - **故障原因**:通常由电流分布不均匀引起局部过热,导致转子发生弯曲变形。 - **频谱特征**: - 展现出所有不平衡现象的特征频率; - 在电机冷却状态下,可以通过检测轴弯曲状态来进行进一步分析。 - **诊断建议**:定期检查电机冷却条件下的轴弯曲情况,并及时调整或更换损坏部件。 ### 3. 转子条断裂 - **故障表现**:转子条断裂后会产生异常振动。 - **频谱特征**: - 在1X处产生极通过频率的边带,以及其谐波(如2X,3X等); - 每个谐波附近都会出现“裙带”式的边带频率。 - **处理措施**:一旦发现此类频谱特征应立即停机检修以避免造成更大损失。 ### 4. 电机缺相 - **故障原因**:连接松动是导致电机缺相的主要原因之一。 - **频谱特征**: - 强烈的两倍行频(100Hz)振动; - 伴有13行频的边带频率。 - **预防措施**:加强日常巡检力度,确保所有连接部位紧固无松动。 ### 5. 轴承故障 - **故障类型**: - 内圈故障:出现故障频率(pbfi)及谐波,并伴有转频的边带; - 外圈故障:出现故障频率(pbfo)及谐波。 - **频谱特征**: - 内圈和外圈故障分别对应不同的故障频率及其谐波分量; - 转频边带的存在有助于区分内圈与外圈故障。 - **诊断方法**:结合频谱分析结果,采用振动测试等手段进行综合判断。 ### 6. 匝间短路 - **故障机制**:绕组间的绝缘性能下降导致短路,进而引发振动加剧。 - **频谱特征**: - 正常情况下无法通过振动信号直接识别; - 必须借助电动机电路分析来进行监测和评估。 - **处理建议**:加强对绕组绝缘状态的监控以防止因短路引发的安全事故。 ### 7. 转子不平衡 - **波形特点**:正弦波; - **轴心轨迹**:圆形或椭圆形; - **频谱特征**: - 1X频率为主导成分; - 径向振动(水平和垂直方向)也以1X为主; - 振幅随转速升高而增大。 - **处理策略**:通过重新平衡转子来消除不平衡现象。 通过对这些典型频谱特征的了解与掌握,可以有效地帮助工程师们在实际工作中快速准确地诊断电机故障,并提高维修效率。此外,对于研究人员来说,这些数据也是宝贵的研究资料,可用于开发更加智能高效的电机故障诊断系统。
  • 海上风CSV格式,含4余条
    优质
    本数据集包含超过四万条详细的海上风力发电记录,以CSV格式提供,旨在为研究者与开发者提供精确的海上风电发电量预测所需的数据支持。 海上风电出力预测的数据分为训练组和测试组两大类,主要包括风电场基本信息、气象变量数据和实际功率数据三个部分。风电场基本信息涵盖各风电场的装机容量等信息;气象变量数据包含从2022年1月到2024年1月份期间,每间隔15分钟记录的各风电场的气象情况;实际功率数据则是各风电场每间隔15分钟的发电出力详情。这些数据集文件采用csv格式存储。A榜提供两个训练集和两个测试集的数据。
  • 心脏疾病与中风 CSV(含3.5+
    优质
    本数据集包含超过35,000条记录,旨在研究和预测心脏疾病及中风的风险因素,为医疗健康领域的科研提供支持。 该数据集是心血管疾病监测系统的一部分,旨在整合来自多个来源的指标以全面了解美国心血管疾病的公共卫生负担及相关风险因素。这些数据根据地理位置(国家、州、县及选定地点)以及各种健康状况和危险因素进行分类,包括心力衰竭等心脏问题与高血压等风险因子。此外,该数据库支持趋势分析,并允许按年龄组、性别和种族民族分层展示信息。
  • 5号轴承的IMS.rar
    优质
    该数据集为研究轴承故障预警提供关键信息,包含编号为5号的轴承在不同运行状态下的传感器数据,适用于工业维护系统的改进与开发。 使用GRU、LSTM、RNN和SVR分别对退化指标进行预测。
  • 多重系统
    优质
    简介:本系统旨在实时监测复杂环境下的设备运行状态,通过集成多种传感器与智能算法,迅速识别并预警潜在故障,保障系统的稳定性和安全性。 多路故障监测报警系统包含电路图和源代码,欢迎下载。
  • matlabsvm1.rar_提取与分类_处理_分析_诊断分类
    优质
    matlabsvm1.rar提供了基于MATLAB和SVM算法进行故障特征提取、数据分类及故障数据分析的方法,适用于深入研究故障数据处理和诊断分类。 支持向量机可以用于数据分类和特征提取,在机械故障诊断领域具有应用价值。