CtRes

为了全面描述风力涡轮机的运行状态，使用加速度计从其主要部件收集了振动加速度数据。数据集涵盖了风力涡轮机的关键部件，并提供了其运行状态的全面描述：

- **桨轴承**：振动加速度信号从三个桨轴承的径向和轴向方向收集。每个桨轴承由两个通道监控，产生六个同步观测通道，采样频率为`1280 Hz`。该数据集包含三个条件标签：正常运行、一个桨轴承损坏和所有三个桨轴承损坏。

- **齿轮箱**：振动加速度信号从六个齿轮箱测量位置收集，包括低速轴的径向方向、第一级行星级的径向方向、高速轴的径向方向、高速轴的轴向方向、输入轴的径向方向和中间轴的径向方向。所有通道的采样频率为`2560 Hz`。该数据集包含三个条件标签：正常运行、高速端齿轮故障以及低速轴和高速端齿轮的组合故障。

- **发电机**：振动加速度信号从发电机的非驱动端和驱动端的径向方向收集，形成两个同步观测通道，采样频率为`25,600 Hz`。

To comprehensively characterize the operating status of wind turbines, vibration acceleration data was collected from their key components using accelerometers. The dataset covers the critical components of wind turbines and provides a comprehensive description of their operating states:
- **Pitch Bearings**: Vibration acceleration signals were collected from the radial and axial directions of three pitch bearings. Each pitch bearing is monitored by two channels, generating six synchronized observation channels with a sampling frequency of `1280 Hz`. This dataset includes three condition labels: normal operation, damage to one pitch bearing, and damage to all three pitch bearings.
- **Gearbox**: Vibration acceleration signals were collected from six measurement positions on the gearbox, including the radial direction of the low-speed shaft, the radial direction of the first-stage planetary stage, the radial direction of the high-speed shaft, the axial direction of the high-speed shaft, the radial direction of the input shaft, and the radial direction of the intermediate shaft. The sampling frequency for all channels is `2560 Hz`. This dataset includes three condition labels: normal operation, gear fault at the high-speed end, and combined fault of the low-speed shaft and high-speed end gear.
- **Generator**: Vibration acceleration signals were collected from the radial directions of the non-drive end and drive end of the generator, forming two synchronized observation channels with a sampling frequency of `25,600 Hz`.

原始信息汇总

好的，根据您提供的数据集详情页面README文件内容，以下是关于该数据集的详细总结。

数据集概述：CtRes（LeMo框架下的风力涡轮机故障诊断数据集）

简介

CtRes（Continuous-time Reservoir Network，连续时间储层网络）是应用于 LeMo（Learning in the Model Space） 框架下的一个项目，专注于从不规则采样的传感器时间序列中进行风力涡轮机故障诊断。该方法通过在 模型空间 中表示每个传感器序列，而非直接在原始数据空间中进行诊断，从而更紧凑、稳定地捕捉序列的时序动态。

数据集构成

该数据集通过加速度计从风力涡轮机的关键部件收集振动加速度数据，覆盖了以下五个主要部件，每个部件都有特定的监测通道、采样率和工况标签：

部件	监测通道	采样率	工况标签
变桨轴承	3个变桨轴承，每个轴承2个通道（径向和轴向），共6个同步通道	1280 Hz	正常运行、单个变桨轴承损坏、三个变桨轴承均损坏
齿轮箱	6个测量位置（低速轴径向、一级行星级径向、高速轴径向、高速轴轴向、输入轴径向、中间轴径向）	2560 Hz	正常运行、高速端齿轮故障、低速轴和高速端齿轮联合故障
发电机	2个同步通道（非驱动端径向、驱动端径向）	25,600 Hz	正常运行、发电机轴承损坏
叶片	3个叶片，每个叶片2个通道（挥舞和摆振方向），共6个同步通道	1280 Hz	正常运行、单个叶片异常
主轴承	1个通道（水平方向）	2560 Hz	正常运行、主轴承损坏

方法论（LeMo框架三阶段）

该诊断方法分为三个关键阶段：

1. 模型空间中的序列拟合：每个传感器序列通过 CtRes 进行拟合。CtRes 通过连续时间储层状态演化来捕捉序列的时序动态，其生成的读出模型作为该序列在模型空间中的表示。
2. 序列表示之间的距离建模：定义了读出模型表示之间的距离度量，使得模型空间中的距离可以反映原始传感器序列内在时序动态的差异。
3. 模型空间中的故障诊断：直接在学得的表示上进行故障诊断，支持离线故障分类和在线流式故障检测两种设置。

环境与依赖

• 推荐环境：已在 Windows 系统上复现。
• Python版本：已验证 Python 3.11 和 Python 3.12。
• 主要依赖：
  • python == 3.11
  • numpy == 2.1.2
  • torch == 2.6.0
  • torchcde == 0.2.5
  • torchdiffeq == 0.2.5
  • scikit-learn == 1.6.1
  • scipy == 1.17.1
  • h5py == 3.16.0
  • matplotlib == 3.10.8
  • pandas == 3.0.2
  • tqdm == 4.67.3

使用方式

• 运行脚本：使用 python run.py 即可默认加载五个风力涡轮机部件数据集并执行完整的离线诊断流程。也支持通过参数 python run.py path/to/split_data.npz 加载用户自定义的拆分数据集。
• 自定义数据格式：加载的自定义 .npz 文件需要包含特定的训练/测试数据、时间戳和标签数组，并遵循指定的形状要求（数据：[batch, length, channels]；时间戳：[batch, observed_length]；标签：[batch]）。

搜集汇总

数据集介绍

构建方式

CtRes数据集基于风力发电机关键部件的振动加速度信号构建，涵盖桨距轴承、齿轮箱、发电机、叶片和主轴承五大组件。数据采集时，每个部件均部署特定数量的加速度计通道，例如桨距轴承在径向和轴向共设置六个通道，采样频率为1280 Hz。为确保能够全面表征运行状态，数据集为每个部件标注了不同的工况标签，如正常状态与各类损伤模式。所有信号均以非规则采样的时间序列形式存储，为后续分析提供了原始数据基础。

使用方法

用户可通过运行主脚本`run.py`启动诊断流程，默认加载所有风力机部件并依次执行特征提取、RBF SVM分类器训练、准确率评估与混淆矩阵输出。如需使用自定义数据，需提供包含训练/测试样本、时间戳及标签的`.npz`文件，并遵循指定的命名规范与维度要求。通过设置命令行参数如`--dataset-dir`、`--batch-size`和`--device`，可灵活调整数据路径、批量大小及计算设备，以适应不同实验环境与硬件条件。

背景与挑战

背景概述

CtRes数据集由研究团队针对风力发电机故障诊断领域精心构建，旨在解决非规则采样时间序列数据下的健康状态监测问题。该数据集创建于近年，依托于学习模型空间（LeMo）框架，通过引入连续时间储备池网络（CtRes）对振动加速度信号进行时序动态建模。研究人员从风力发电机的变桨轴承、齿轮箱、发电机、叶片及主轴等关键部件采集多通道振动信号，覆盖正常工况与多种故障模式，为领域内提供了一套标准化、多粒度、高采样率的基准数据资源。该数据集的发布推动了非规则时间序列分析方法在工业设备故障诊断中的实用化进程，显著提升了从原始观测信号中挖掘深层时序特征的能力。

当前挑战

CtRes数据集面临的核心挑战源于非规则采样时序数据的固有复杂性。其一，传感器信号因通信延迟或采集中断导致时间戳分布不均，使得传统等间隔方法难以有效刻画设备动态演化规律，亟需能处理非规则时间网格的建模技术。其二，风力发电机组运行环境恶劣，各部件故障信号常被背景噪声淹没，且不同工况间的数据分布漂移显著，对特征提取与分类模型的鲁棒性提出严苛要求。其三，数据集构建过程中需同步校准多通道传感数据，确保时间对齐精度，同时还需应对标注成本高昂、故障样本稀缺等现实困境，这些因素共同构成了当前待突破的技术壁垒。

常用场景

经典使用场景

在工业设备故障诊断领域，尤其是风力涡轮机的运行状态监测中，传感器采集的振动加速度数据往往呈现出时间上非均匀采样的特性。CtRes数据集为研究此类非规则时序信号下的故障模式识别提供了高质量的实测基准。其经典使用场景包括基于连续时间储备池网络的序列拟合与表示学习，通过将每条传感器序列映射至一个紧凑的模型空间，利用其内在的时间动态特性而非原始观测值进行状态判别，从而实现变桨轴承、齿轮箱、发电机、叶片和主轴承等关键部件的离线故障分类与在线异常检测。

解决学术问题

该数据集有效解决了非规则采样时间序列在工业故障诊断中的两大核心学术难题：其一是如何从非均匀时间戳的传感器数据中稳定提取表征设备运行状态的动态特征，传统的时序建模方法如RNN或LSTM在此类数据上常因时间间隔不规则而性能退化；其二是如何对不同长度、不同采样模式的传感器序列进行语义等价的比较。CtRes数据集结合LeMo框架提出的模型空间表示方法，为这两个问题提供了可行的解决方案，推动了时序表示学习在工业健康管理领域的方法论进步。

实际应用

在实际工业场景中，CtRes数据集支撑了风力涡轮机全生命周期的智能运维应用。基于该数据集训练的故障诊断模型可直接部署于风电场的状态监测系统，对齿轮箱高速端齿轮磨损、发电机轴承损伤、叶片结构异常等典型故障进行实时预警。该方法能够适应现场传感器因通信延迟或数据丢失产生的非规则采样情况，具备较强的鲁棒性，有助于降低风电场非计划停机时间与维护成本，提升风电机组的运行可靠性和发电效率。

数据集最近研究

最新研究方向

面向非规则时序数据的风电机组故障诊断研究正从传统信号处理范式转向基于模型空间的表征学习范式。CtRes数据集的核心贡献在于将连续时间储备池网络（CtRes）引入工业异常检测领域，通过在模型空间中学习传感器序列的时序动力学特征，突破了非规则采样对传统诊断方法的限制。该研究紧扣新能源装备智能运维的热点需求，利用LeMo框架将每个非规则时序映射为紧凑的读出模型表征，进而实现离线分类与在线监测双模式诊断。这一方向不仅提升了风电机组关键部件（如变桨轴承、齿轮箱、发电机）故障判别的鲁棒性，更为工业数字孪生中的多模态时序建模提供了方法论支撑，推动了可再生能源装备从被动维修向预测性维护的范式迁移。