benchmark dataset from an injection molding machine

该数据集是从注塑机中收集的多变量时间序列数据，旨在揭示周期性、重复性和重现性行为模式，以验证所提出的方法的性能。数据集的具体条数和访问地址在论文中未提及。

This dataset is a collection of multivariate time series data collected from injection molding machines, intended to uncover periodic, repeatable and reproducible behavioral patterns for validating the performance of the proposed method. The specific number of samples and access URL of the dataset are not specified in the paper.

搜集汇总

数据集介绍

构建方式

该数据集构建于工业自动化领域，通过结合真实的工业控制系统硬件与注塑成型机的精确物理过程模拟，生成了多变量时间序列。数据集分为三个部分：第一部分（周期1-40）呈现周期性行为，通过重复相同的生产过程实现；第二部分（周期41-90）引入生产阶段的时间变化，形成重复性状态空间轨迹；第三部分（周期91-120）通过增加机械运动中的摩擦力，产生循环性状态空间轨迹。每个部分还包含添加了均匀分布测量噪声的变体，以评估方法的鲁棒性。

特点

该数据集的特点在于其多变量时间序列展示了周期性、重复性和循环性三种行为模式，涵盖了工业自动化中常见的状态空间轨迹变化。数据集通过精确的模拟和真实的硬件控制，提供了高保真的工业场景数据。此外，数据集还包含了噪声条件下的变体，为验证算法的鲁棒性提供了丰富的数据支持。其多样化的行为模式和噪声条件使其成为评估重复时间估计方法的理想基准。

使用方法

该数据集的使用方法包括三个主要步骤：首先，通过计算时间序列中每个点与起始点的欧氏距离，构建标量值函数；其次，应用子水平集过滤技术提取拓扑特征；最后，分析这些特征以估计重复时间。针对不同的行为模式（周期性、重复性、循环性），可以采用三种专门的方法进行处理。实验评估采用平均绝对误差（MAE）和平均绝对相对误差（MARE）指标，确保结果的可比性和可靠性。数据集适用于工业自动化中的监控和控制任务，如异常检测和设备磨损评估。

背景与挑战

背景概述

注塑机基准数据集由Salzburg应用科学大学Josef Ressel智能与安全工业自动化中心的研究团队于2025年创建，旨在解决工业自动化领域多变量时间序列中周期性行为识别的核心问题。该数据集通过结合真实工业控制系统硬件与精确的物理过程模拟，系统性地捕捉了注塑机在不同工况下的周期性、重复性和循环性行为模式。作为首个针对多变量时间序列周期长度估计的基准数据集，它为拓扑数据分析方法在工业监测领域的应用提供了重要验证平台，填补了该领域高质量标注数据集的空白。

当前挑战

该数据集面临的主要挑战体现在两个维度：在领域问题层面，需解决噪声环境下非均匀采样时间序列的周期检测难题，传统傅里叶变换和自相关方法因要求等间隔采样而失效；在构建过程中，需精确模拟工业场景的复杂动态，包括机械摩擦变化导致的轨迹偏移、生产节拍调整引起的速度变异，以及传感器噪声干扰等问题。特别地，数据集要求同时满足三种循环行为模式（严格周期、变速重复和状态循环）的标注一致性，这对仿真系统的保真度和标注方法提出了极高要求。

常用场景

经典使用场景

在工业自动化领域，注塑机产生的多变量时间序列数据集被广泛用于研究周期性、重复性和循环行为的识别。该数据集通过捕捉注塑机在不同生产周期中的状态空间轨迹，为研究人员提供了一个验证拓扑驱动方法的理想平台。特别是在离散自动化系统中，准确识别机器状态的重复出现时间对于监控和控制任务至关重要。

实际应用

在实际工业场景中，该数据集可直接应用于注塑机的异常检测和预测性维护。通过分析生产周期中的状态重复模式，工程师能够识别机械部件的异常磨损或工艺偏差。数据集还适用于其他具有循环行为的工业设备监控，如数控机床和装配线机器人，为智能制造系统的优化提供了数据基础。

衍生相关工作

基于该数据集衍生的经典工作包括三类方法：针对循环行为的通用拓扑分析框架（Method 1）、采用延迟嵌入处理自相交轨迹的改进方法（Method 2），以及面向周期性时间序列的递归函数优化方案（Method 3）。这些工作推动了《IEEE Transactions on Industrial Informatics》等期刊关于工业时间序列拓扑特征提取的研究，并为后续基于持续同调的异常检测算法提供了基准。