工业设备预测性维护UCI数据集-2020-abdulbasit551
数据来源：互联网公开数据
标签：预测性维护,工业设备,机器学习,故障诊断,时间序列分析,传感器数据,设备健康,UCI数据集
数据概述：
本数据集是用于预测性维护的UCI数据集，包含了10,000个数据点，每个数据点有14个特征，用于模拟工业设备的运行状态。数据集模拟了设备在不同工况下的运行数据，并标注了设备是否发生故障。
字段描述：
UID：唯一标识符，范围从1到10,000。
Product ID：产品质量变体（Low, Medium, High）和序列号。
Air Temperature [K]：空气温度，通过随机游走过程生成，在300 K附近以2 K的标准差进行归一化。
Process Temperature [K]：过程温度，通过随机游走过程生成，在空气温度基础上加上10 K，并以1 K的标准差进行归一化。
Rotational Speed [rpm]：转速，由2860 W的功率计算得出，并加入了正态分布噪声。
Torque [Nm]：扭矩，围绕40 Nm正态分布，标准差为10 Nm，无负值。
Tool Wear [min]：工具磨损时间，质量变体（H/M/L）分别增加5/3/2分钟的工具磨损。
Machine Failure：机器是否发生故障（1表示发生故障，0表示未发生故障）。
故障模式：
Tool Wear Failure (TWF)：工具磨损时间在200 – 240分钟之间时发生。
Heat Dissipation Failure (HDF)：空气温度和过程温度之差小于8.6 K且转速小于1380 rpm时发生。
Power Failure (PWF)：扭矩和转速（弧度/秒）的乘积小于3500 W或大于9000 W时发生。
Overstrain Failure (OSF)：工具磨损和扭矩的乘积超过11,000 minNm（L产品变体）、12,000（M产品变体）或13,000（H产品变体）时发生。
Random Failures (RNF)：每个过程有0.1%的概率发生故障，与过程参数无关。
如果至少满足一种故障模式，则机器发生故障，'machine failure' 标记设置为1。
数据用途概述：
该数据集主要用于预测性维护、故障诊断和设备健康监测相关的机器学习模型的训练和评估。 数据集可用于：
构建预测模型，预测设备何时可能发生故障。
研究不同传感器数据与故障模式之间的关系。
评估不同的机器学习算法在故障预测方面的性能。
进行时间序列分析，探索设备运行状态随时间的变化趋势。
开发和测试预测性维护策略，以优化设备维护计划。
