电机多工况性能曲线健康度智能评估数据
收藏资源简介：
本数据集基于电机在空载至最大输出连续加载测试中的全工况运行数据（扭矩、转速、输入功率等时序曲线），输出每台电机的健康度评分（0‑100分）、异常模式编码及异常定位工况区间。该评估结果可有效替代传统“单项指标容差”粗放判定，精准识别“单项合格但曲线形态异常”的隐性缺陷（如磁路饱和、绕组不对称、效率平台波动）并自动归类，同时精确定位异常发生的负载段（空载、轻载、额定点附近或最大输出），为设计改进与工艺排查提供直接指向；通过批次间评分趋势分析，可提前预警产线质量波动。在产业链层面，整机厂可采信评分作为来料质量依据，降低重复检测成本；第三方检测机构可将其作为智能判异基准；保险金融机构可用于差异化定价与风控评估，实现从内部工具向产业链协同数据资产的延伸。此外，本数据集还可用作电机故障诊断、健康预测等AI模型的带标注真实工况训练语料，为电机垂直领域大模型预训练提供工业样本，有效解决工业数据稀缺瓶颈，支撑智能制造与预测性维护等AI应用落地。1. 加工前的数据说明 （1）原始数据来自测功机系统，在电机型式试验空载至最大输出连续加载时采集。字段包括电机型号、电机编号、生产批次、测试日期、额定电压、额定转速、数据点数、工况类型，及扭矩、转速、输入功率三条时序曲线（每（2）预处理：剔除设备抖动、电源波动跳变点，校验时序对齐与工况完整性，缺失点邻近插补；计算衍生序列，按公式"输出功率值序列=扭矩值序列×转速值序列÷9.55"得到输出功率值序列，按公式"效率值序列=输出功率值序列÷输入功率值序列×100%"得到效率值序列。 2. 处理规则 （1）形态特征提取：将清洗后全工况曲线作时序图像输入一维卷积神经网络提取深层特征，得到启动段斜率因子（反映加速响应）、额定点平台波动率（反映运行稳定性）、最大点曲率衰减指数（反映过载潜力），三项因子均无量纲。 （2）健康度评分计算：按型号取历次全合格、无返修20组最优样品为黄金样本，经自编码器（重建输入学习数据分布）无监督训练该型号健康基准模型；计算待测曲线与健康基准的特征距离，映射为0-100健康度评分。 （3）阈值判定与异常编码定位：健康度评分≥80分时：异常模式编码记000（无异常）、异常定位工况区间记无；健康度评分<80分时，以梯度反向定位（由评分反向追踪扣分区域）把扣分区间按负载位置定位为空载段、轻载段、额定点附近或最大输出段，得到异常定位工况区间，并匹配异常模式编码：007（效率曲线中段凹陷）、012（磁路饱和）、018（绕组匝间异常）、099（综合异常）。 （4）诊断结论与建议措施生成：按编码映射诊断结论和建议措施：000：健康状态优良/正常放行；007：效率平台波动偏大，建议复查磁钢一致性/增加该批次磁钢抽检频次；012：转矩曲线异常，可能磁路饱和/检查磁钢牌号及充磁工艺；018：输出功率曲线塌陷，可能绕组匝间异常/检查绕组直流电阻及匝间绝缘；099：综合性能异常，建议全面排查/拆解分析，检查磁钢、绕组、轴承。 3. 数据内容描述 加工后数据集以一台电机一行为单元，共21个字段，主要包括电机型号、生产批次、扭矩值序列、输出功率值序列、启动段斜率因子、健康度评分、异常模式编码、诊断结论等。本数据集为电机全工况性能曲线健康评估结果，可用于型式试验智能判异、产线质量趋势监控与产业链质量采信。
