该数据在工业设备预测性维护领域具有重要的应用价值。能够提供设备实时的健康状态评估，更精确地预测潜在的故障风险，帮助设备维护工程师和生产管理者进行前瞻性的维护决策。这项数据在智能制造领域具有广泛的应用场景，特别是旋转类设备（如电机、泵）的状态监测、复杂生产线关键节点的故障预警和大型数控机床的健康管理，能够提高设备综合利用率（OEE），降低非计划停机带来的经济损失，提供更科学的备件库存管理依据。
数据收集：在该算法中，我们通过部署在工业设备上的多维传感器来收集数据。数据源包括：通过加速度传感器采集的X轴振动频率（赫兹）、Y轴振动频率（赫兹）、Z轴振动频率（赫兹）；通过温度传感器采集的设备温度（摄氏度）；以及通过电流传感器采集的运行电流（ 安培）。每一个数据点都包含唯一的设备编号和采集时刻的时间戳。故障标签来源于历史维护记录和人工标注，其中“0”代表正常，“1”代表即将发生故障，该标签是模型训练的监督信号。 数据预处理：对收集到的多维时间序列数据进行预处理。首先，进行数据清洗，处理缺失值和异常值。 模型构建：利用基于长短期记忆网络（LSTM）的深度学习模型对设备的健康状态进行评估和预测。模型输入为预处理后的多维传感器数据序列，输出为预测故障概率和预测剩余寿命（天）。模型通过学习历史数据中从正常到故障的演变模式，来预测未来状态。具体算法机理可通过以下公式表达： 公式一：Ht = LSTM_Cell(Xt, Ht-1) 公式解释：此公式为LSTM单元的核心计算。其中，Xt代表在当前时间点输入的包含X轴振动频率、Y轴振动频率、Z轴振动频率、设备温度、运行电流等信息的多维数据向量。Ht-1是前一时间点的隐藏状态，它包含了过去序列的信息。LSTM_Cell是一个非线性函数单元，它会根据当前输入Xt和过去的记忆Ht-1来计算并输出当前时间点的隐藏状态Ht。通过这种循环传递，模型能够捕捉时间序列数据中的长期依赖关系。 公式二：预测故障概率 = Sigmoid(W * H_final + b) 公式解释：此公式用于计算最终的故障预测结果。其中，H_final是LSTM网络处理完整个输入序列后输出的最终隐藏状态，也就是公式一最后一个时刻的输出，它浓缩了整个时间窗口内的设备状态信息。W和b是模型全连接层的权重和偏置，通过训练学习得到。Sigmoid是一个激活函数，它将任意实数值映射到(0, 1)区间，输出的结果即为预测故障概率。当该概率超过预设阈值时，系统则判定设备即将发生故障。同时，模型的另一分支也可以利用H_final来回归计算出具体的预测剩余寿命。整个模型训练的目标是最小化预测结果（预测故障概率）与故障标签之间的差异。
| 字段名 | 类型 | 描述 |
|---|---|---|
设备编号 |
-- | -- |
时间戳 |
-- | -- |
X轴振动频率 |
-- | -- |
Y轴振动频率 |
-- | -- |
Z轴振动频率 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 设备编号 | J-1674773415-SH0000 |
| 时间戳 | 1729226766 |
| X轴振动频率 | 48.904 |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/175371