本数据集主要用于提升AI模型对ADCP设备月度出水天数超标异常的识别能力与精确性。通过对该数据集的训练，使AI模型能够精准识别月度出水天数超标现象，并可应用于水文监测设备维护计划制定、设备健康评估等场景。同时，本数据集可为智慧水利系统、设备生命周期管理平台等建设项目提供决策依据，提升设备状态监测的智能化水平。
1. 数据采集 通过企业自有ADCP设备自行采集运行状态数据，同步记录数据ID、采集时间、设备型号、地理坐标、当日出水标记（是/否）、当日运行时长等数据。 2. 数据预处理与加工 通过数据清洗剔除异常记录，按月汇总计算月度出水总天数、最长连续出水天数和月度运行总时长，按7:2:1比例划分训练集/验证集/测试集。设置标注体系： 一级标签：正常/异常（月度出水总天数＞5天） 二级标签：密封老化型（连续超标）（月度出水总天数＞5天且最长连续出水天数≥4天）/维护不足型（离散超标）（月度出水总天数＞5天且最长连续出水天数＜4天） 3. 模型选择与初始化 采用LSTM+Attention模型，初始化参数并优化超参数：学习率0.001-0.0001动态调整，批量大小8-32动态调整，时间步长适应固定月度周期调整；集成时序特征提取模块提升模型性能。 4. 模型训练 基于TensorFlow实施分布式训练，采用混合精度训练（FP16）提升效率。设置训练时长，数据增强添加运行时长波动噪声，模拟气泡干扰、不同工况下的出水模式。设置早停机制（patience=5），梯度裁剪：max_norm=1.0。 5. 模型评估 在训练模型的过程中，使用验证集调整超参数，训练完成后在测试集上评估模型表现，评估指标包含： 基础性能指标：准确率、误报率 场景鲁棒性测试：气泡干扰检出率 并设置渐进式测试：单月异常→连续多月异常，正常工况→极端工况
| 字段名 | 类型 | 描述 |
|---|---|---|
数据ID |
-- | -- |
采集时间 |
-- | -- |
设备型号 |
-- | -- |
地理坐标 |
-- | -- |
当日出水标记 |
-- | -- |
| fieldName | exampleValue |
|---|---|
| 数据ID | ADCP_MONTHLY_202501_001 |
| 采集时间 | 2025-01-31 23:59 |
| 设备型号 | Nortek Aquadopp |
curl -H "Authorization: Bearer YOUR_API_KEY" \
http://localhost:3001/api/v1/datasets/8416729