工业设备预测性维护数据集-设备状态与故障预测-10000条样本
数据来源：互联网公开数据
标签：预测性维护,设备故障,时间序列,机器学习,工业大数据,故障诊断,设备健康,人工智能
数据概述：
本数据集是一个模拟的工业设备预测性维护数据集，包含10,000个数据点，旨在模拟工业环境中常见的预测性维护场景。数据集提供了6个特征变量，以及多个目标变量，用于训练和评估预测性维护模型。数据主要用于预测设备在不同工况下的故障情况。
数据用途概述：
该数据集主要用于开发和测试预测性维护模型，包括但不限于：故障分类、回归分析、因果发现等。研究人员可以使用该数据进行机器学习模型的训练和评估，探索不同特征对设备故障的影响，从而提高设备维护的效率和准确性。此外，该数据集也适用于教学和科研，帮助学习者理解预测性维护的原理和应用。
数据集变量表：
UID (ID, 整数): 唯一标识符，范围从1到10,000。
Product ID (ID, 分类): 产品标识符，由一个字母（L、M或H）和一个序列号组成，表示产品质量等级（低、中、高）。
Type (特征, 分类): 产品类型。
Air temperature (特征, 连续): 以开尔文(K)为单位测量，使用随机游走过程生成，并归一化为300 K左右的标准差为2 K。
Process temperature (特征, 连续): 以开尔文(K)为单位测量，使用随机游走过程生成，归一化为标准差1 K，并添加到空气温度加上10 K。
Rotational speed (特征, 整数): 以每分钟转数(rpm)为单位测量，由2860 W的功率计算得出，并叠加正态分布噪声。
Torque (特征, 连续): 以牛顿米(Nm)为单位测量，围绕40 Nm正态分布，标准差为10 Nm，且无负值。
Tool wear (特征, 整数): 以分钟(min)为单位测量，根据产品质量（H、M、L）的不同，分别增加5、3或2分钟。
Machine failure (目标, 整数): 指示机器在该数据点是否发生故障。
TWF (目标, 整数): 工具磨损故障。
故障模式详情：
Tool wear failure (TWF): 工具故障或更换，发生在200-240分钟之间，随机分配。
Heat dissipation failure (HDF): 如果温差低于8.6 K且转速低于1380 rpm，则发生故障。
Power failure (PWF): 如果功率（扭矩*转速，单位为rad/s）低于3500 W或高于9000 W，则发生故障。
Overstrain failure (OSF): 如果工具磨损和扭矩的乘积超过阈值（L为11,000 minNm，M为12,000，H为13,000），则发生故障。
Random failures (RNF): 每个过程有0.1%的概率发生故障，与参数无关。
