MetroDataset|地铁监测数据集|故障诊断数据集

该数据集包含地铁转向架的正常和故障状态下的振动加速度数据。通过两个能量收集传感器节点从两个地铁转向架收集数据，一个处于正常状态，另一个处于故障状态。每个传感器节点使用三轴加速度计收集三轴振动加速度数据。数据集分为正常和故障两个文件夹，分别存储相应状态下的x、y、z轴振动加速度数据。

This dataset comprises vibration acceleration data from subway bogies under both normal and fault conditions. Data were collected from two subway bogies using two energy-harvesting sensor nodes, one in a normal state and the other in a fault state. Each sensor node utilized a triaxial accelerometer to gather triaxial vibration acceleration data. The dataset is organized into two folders, normal and fault, each storing the x, y, and z-axis vibration acceleration data corresponding to their respective states.

原始信息汇总

MetroDataset 概述

数据集内容

• 数据类型：包含地铁转向架的正常和故障数据集。
• 数据内容：收集了X、Y和Z轴的振动加速度数据，采样频率为1024。
• 数据时长：正常数据约50.8分钟，故障数据约101.4分钟。

数据结构

正常数据

• 文件名：
  • Metro_vibration_v1_x_axis_normal.zip
  • Metro_vibration_v1_y_axis_normal.zip
  • Metro_vibration_v1_z_axis_normal.zip
• 内容：分别包含正常转向架的X、Y、Z轴振动加速度数据。

故障数据

• 文件名：
  • Metro_vibration_v1_x_axis_failure.zip
  • Metro_vibration_v1_y_axis_failure.zip
  • Metro_vibration_v1_z_axis_failure.zip
• 内容：分别包含故障转向架的X、Y、Z轴振动加速度数据。

数据单位与灵敏度

• 单位：g
• 灵敏度：100mg

数据示例

index	x_data/g
0	-0.1
1	-0.1
2	0.2
3	0.3
4	0.3
...	...

未来计划

• 将继续收集振动数据，并在此开源项目中公开数据集，以支持更多研究。
• 未来将提供转向架完整生命周期的振动加速度数据集。

AI搜集汇总

数据集介绍

构建方式

MetroDataset的构建基于地铁转向架的振动加速度数据采集。研究团队利用两个能量收集传感器节点，分别从正常状态和故障状态的转向架中采集数据。每个传感器节点配备了三轴加速度计，以1024Hz的采样频率记录X、Y、Z三个轴向的振动加速度数据。正常数据集和故障数据集分别存储于不同的文件夹中，确保了数据的清晰分类和易于访问。

特点

MetroDataset的特点在于其包含了地铁转向架在正常和故障状态下的振动加速度数据，涵盖了X、Y、Z三个轴向的详细记录。数据集总时长约为152.2分钟，其中正常数据占50.8分钟，故障数据占101.4分钟。数据的单位为g，灵敏度为100mg，确保了数据的高精度和可靠性。此外，数据集的结构化存储方式使得研究人员能够方便地进行数据分析和模型训练。

使用方法

MetroDataset的使用方法较为直观，研究人员可以通过访问GitHub项目页面下载数据集。正常数据和故障数据分别存储于Normal和Failure文件夹中，每个文件夹内包含三个轴向的振动加速度数据文件。用户可以根据研究需求选择相应的数据进行加载和分析。数据集的文件格式为压缩包，解压后可直接用于机器学习模型的训练或振动信号的分析。未来，研究团队还将继续收集并发布更多数据，以支持更广泛的研究应用。

背景与挑战

背景概述

MetroDataset数据集聚焦于地铁转向架的振动加速度数据采集与分析，旨在为地铁系统的健康监测与故障诊断提供关键数据支持。该数据集由研究团队通过能量收集传感器节点采集，包含正常与故障状态下的X、Y、Z三轴振动加速度数据，采样频率为1024 Hz。数据集涵盖了约50.8分钟的正常数据和101.4分钟的故障数据，为地铁转向架的状态监测提供了丰富的实验基础。该数据集的发布为轨道交通领域的故障预测与健康管理（PHM）研究提供了重要资源，推动了相关领域的技术进步。

当前挑战

MetroDataset在解决地铁转向架故障诊断问题时面临多重挑战。首先，地铁转向架的振动数据具有高度复杂性和非线性特征，如何从海量数据中提取有效的故障特征成为关键难题。其次，数据采集过程中需确保传感器的高精度与稳定性，以避免噪声干扰对数据分析的影响。此外，构建数据集时需平衡正常与故障数据的比例，以确保模型的泛化能力。未来，随着数据规模的扩大，如何高效处理与标注生命周期完整的振动数据也将成为重要挑战。

常用场景

经典使用场景

MetroDataset数据集在轨道交通领域的研究中具有重要价值，尤其是在地铁转向架振动分析方面。该数据集通过采集正常和故障状态下转向架的X、Y、Z三轴振动加速度数据，为研究人员提供了丰富的实验素材。经典使用场景包括基于振动信号的故障诊断、转向架健康状态监测以及振动模式识别等。通过分析这些数据，研究人员能够深入理解转向架在不同状态下的振动特性，从而为优化地铁运行安全性和可靠性提供科学依据。

解决学术问题

MetroDataset数据集有效解决了轨道交通领域中的多个学术研究问题。首先，它为转向架故障诊断提供了高质量的数据支持，帮助研究人员开发更精确的故障检测算法。其次，该数据集为转向架健康状态监测系统的设计提供了实验基础，使得实时监测和预测性维护成为可能。此外，通过对比正常与故障状态下的振动数据，研究人员能够揭示转向架故障的早期特征，为预防性维护策略的制定提供理论依据。这些研究成果显著提升了地铁系统的安全性和运营效率。

衍生相关工作

MetroDataset数据集衍生了一系列经典研究工作。例如，基于该数据集的机器学习算法被广泛应用于转向架故障诊断，显著提高了故障检测的准确性和效率。此外，研究人员利用该数据集开发了多种振动信号处理技术，如小波变换和傅里叶分析，用于提取转向架振动特征。在健康监测领域，基于该数据集的预测模型被用于评估转向架的剩余使用寿命，为维护决策提供科学依据。这些研究工作不仅推动了轨道交通领域的技术进步，也为其他工业设备的故障诊断和健康监测提供了借鉴。