Electrical Cabinet Fault Simulation Dataset

该存储库包含一个1920案例电气柜故障仿真数据集的紧凑公共发布包，包括仿真代码、完整案例定义、摘要表和代表性原始仿真示例。

This repository contains a compact public release package of a 1920-case electrical cabinet fault simulation dataset, including simulation code, complete case definitions, summary tables, and representative raw simulation examples.

原始信息汇总

Electrical Cabinet Fault Simulation Dataset 数据集概述

该数据集是一个包含1920个案例的电气柜故障仿真数据集，以紧凑的公开包形式发布，包含仿真代码、完整案例定义、汇总表格及代表性原始仿真示例。

数据集内容

• 案例定义：位于 case_definitions/ 目录，包含完整的1920案例设计表和拆分清单。
• 结果汇总：位于 results_summary/ 目录，包含案例级仿真汇总表。
• 仿真示例：位于 data_examples/simulation_examples/ 目录，包含选定的原始仿真案例，每个案例包括：
  • case_config.json
  • summary.json
  • diagnostics.csv
  • diagnostics.json
  • system_timeseries.csv.gz
• 源域示例：位于 data_examples/source_domain_examples/ 目录，包含用于演示迁移校准工作流的初始校准/源域时间序列记录。

未包含内容

• 完整的逐案例原始输出树因体积过大未包含。
• 大型逐案例文件如 pigat_data.npz 和 history.csv.gz 未包含。

运行要求

• Python 3.9 或更新版本。
• 通过 pip install -r requirements.txt 安装依赖。

使用示例

• 运行一个校准演示案例：python scripts/run_calibration_case.py
• 运行有限仿真扫描：python scripts/run_simulation_sweep.py --limit 5
• 默认完整扫描输出至 outputs/simulation_1920/

数据加载

仿真时间序列数据可通过 pandas.read_csv() 读取压缩的CSV文件；源域数据可通过类似方式加载 initial_calibration_case_history.csv。

许可协议

• 代码：MIT License
• 数据表格、代表性示例及文档：CC BY 4.0

搜集汇总

数据集介绍

构建方式

该数据集基于电气柜故障仿真框架构建，共计包含1920个仿真案例。每个案例通过预定义的参数组合进行设计，并由完整的案例定义文件（case_definitions/）统一记录。仿真运行后，系统生成包含案例配置（case_config.json）、诊断信息（diagnostics.csv/.json）以及压缩时间序列（system_timeseries.csv.gz）在内的标准输出。为便于GitHub分发，数据集仅选取代表性原始输出作为示例，完整的逐案例输出树及大体积文件（如pigat_data.npz）被排除在外，同时附带了用于演示迁移标定流程的源域时间序列记录。

特点

本数据集的一大特色在于其紧凑而完备的发布结构，既提供了1920例完整的仿真案例定义与汇总表格，又通过挑选的典型案例示例保留了数据的关键细节。用户可通过`data_examples/`目录快速获取多样化的诊断与时间序列信息，而`case_definitions/`与`results_summary/`则保障了全量数据的可复现性。此外，数据集引入了迁移标定工作流的概念，利用初始标定阶段的源域数据帮助用户理解从仿真到真实场景的适配过程，增强了数据集的实用性与跨域应用潜力。

使用方法

使用时建议在Python 3.9及以上环境中通过虚拟环境安装依赖（pip install -r requirements.txt）。用户可先运行`scripts/run_calibration_case.py`体验单个标定案例，或用`--limit 5`参数执行小规模仿真扫描。加载示例时间序列数据时，可利用Pandas读取gzip压缩的CSV文件（如pd.read_csv("...system_timeseries.csv.gz")），并完成初步的数据探查。完整的1920例仿真扫描默认将输出写入`outputs/simulation_1920/`目录，方便后续批量分析与模型训练。引用时请注明仓库及提交哈希，遵循MIT与CC BY 4.0许可协议。

背景与挑战

背景概述

电气柜作为工业自动化与能源分配系统的核心枢纽，其运行可靠性直接关乎生产安全与设备寿命。然而，针对电气柜故障的规模化仿真数据集长期匮乏，制约了基于数据驱动的故障诊断与预测维护研究。该Electrical Cabinet Fault Simulation Dataset由研究团队于近年创建，旨在填补这一空白，核心研究问题聚焦于通过仿真生成高质量、多工况的故障数据，以支持迁移学习与域适应方法的验证。数据集包含1920个精心设计的故障案例，覆盖多种故障类型与运行场景，为算法鲁棒性评估提供了标准化基准，其开源共享特性也推动了工业AI领域的可复现研究范式。

当前挑战

该数据集面临的核心挑战包括：领域层面，电气柜故障模式复杂且具有高度耦合性，仿真数据与真实物理系统间存在分布偏移，导致域适应算法难以有效泛化，亟需可靠的迁移校准策略。构建过程中，全量仿真输出因体积过于庞大而无法在GitHub直接分发，需压缩为紧凑版本但需避免关键诊断信息丢失；同时，确保1920个案例的仿真参数定义一致性与结果可复现性，对代码封装与审计流程提出了苛刻要求，且初始校准数据与目标域数据间的时空差异进一步增加了数据集构建的技术难度。

常用场景

经典使用场景

在配电柜故障诊断与状态监测领域，该数据集作为首个大规模仿真故障模拟数据集，为电气设备健康管理研究提供了标准化的测试基准。研究者通常将其用于验证和评估各类故障诊断算法的性能，涵盖基于时序信号的异常检测、多模态数据融合下的故障分类、以及运行状态迁移分析等经典任务。数据集中精心设计的1920种故障工况组合，覆盖了短路、过载、接触不良等常见电气故障类型，使得该数据集成为从传统机器学习到深度学习故障诊断模型对比实验的理想选择。

实际应用

在实际工业场景中，该数据集为配电柜的预测性维护与智能运维系统建设提供了直接支撑。电力系统运维部门可基于数据集训练的故障诊断模型，实时监测配电柜关键参数，提前识别潜在隐患，大幅降低非计划停电事故的发生概率。制造业与数据中心等高度依赖连续供电的领域，可借助该数据集开发轻量级嵌入式诊断算法，部署于智能传感设备，实现边缘侧快速故障预警。此外，该数据集为制定配电设备巡检与维修策略提供了量化依据，有效提升运维效率并降低人工成本。

衍生相关工作

围绕该数据集已衍生出多项具有代表性的研究工作。在方法创新层面，研究者提出了基于迁移学习的域适应故障诊断框架，利用仿真数据预训练模型，再通过少量真实样本进行微调，显著提升了跨场景诊断准确率。在模型结构方面，融合注意力机制的时序卷积网络与图神经网络被成功应用于该数据集，实现了对多传感器异构数据的高效特征提取。此外，该数据集还催生了面向工业场景的轻量化模型压缩技术研究，推动了故障诊断算法从理论验证向实际嵌入式系统部署的跨越。