机器设备预测性维护故障诊断数据集
数据来源：互联网公开数据
标签：机器设备,预测性维护,故障诊断,工业,时间序列,机器学习,故障类型
数据概述：
本数据集为合成数据集，模拟了工业环境中机器设备预测性维护的场景。数据集包含10,000个数据点，每个数据点对应一个机器设备状态的快照，共有14个特征。
特征包括：
UID：唯一标识符，范围从1到10000。
productID：产品ID，由字母L、M或H（分别代表低、中、高产品质量等级，占比分别为50%、30%、20%）和一个序列号组成。
air temperature [K]：空气温度，由随机游走过程生成，并归一化为标准差为2K，围绕300K波动。
process temperature [K]：过程温度，由随机游走过程生成，标准差为1K，并叠加在空气温度上，再加10K。
rotational speed [rpm]：转速，根据功率（2860W）计算得出，叠加正态分布噪声。
torque [Nm]：扭矩，围绕40Nm正态分布，标准差为10Nm，无负值。
tool wear [min]：刀具磨损时间，H/M/L质量等级分别增加5/3/2分钟的刀具磨损。
machine failure：机器故障标签，指示该数据点对应的机器是否发生故障。
Failure Type：故障类型，标明具体故障模式。
重要提示：数据集中包含两个目标变量，请勿将其用作特征，以免导致信息泄露。
数据用途概述：
该数据集可用于预测性维护、故障诊断、机器学习模型训练、算法验证等多种场景。 研究人员可以利用此数据开发和测试故障预测模型；工程师可以模拟设备在不同工况下的运行状态；数据科学家可以探索特征工程和模型优化方法。 此外，该数据集也适用于教学和科研，为学习者提供了一个实践预测性维护和故障诊断的平台。
