Jiaolong_DSMS_V2.csv

该数据集由国家深海中心提供，收集于2017年3月19日，用于JiaoLong深海载人潜水器的探索任务。数据形式为多变量时间序列，包含约24个特征。旨在为动态系统的实时安全评估（RTSA）方法提供基准数据集，使研究人员能够有效地进行研究。

This dataset is provided by the National Deep Sea Center and was collected on March 19, 2017, for the exploration mission of the JiaoLong manned submersible. The data is in the form of multivariate time series, containing approximately 24 features. It aims to provide a benchmark dataset for Real-Time Safety Assessment (RTSA) methods of dynamic systems, enabling researchers to conduct their studies effectively.

原始信息汇总

数据集概述

背景

• 数据集（Jiaolong_DSMS_V2.csv）由中国山东省青岛市的国家深海中心收集并提供。
• 初始数据收集于2017年3月19日，用于“蛟龙”号深海载人潜水器的探索任务。
• 数据形式为多元时间序列，包含约24个特征。
• 所有变量的测量单位未公开，旨在为动态系统的实时安全评估（RTSA）方法提供基准数据集。

变量描述

监测变量	中文解释
Roll Angle of Motion Sensor	运动传感器横倾角
Pitch Angle of Motion Sensor	运动传感器纵倾角
Yaw Angle of Motion Sensor	运动传感器航向角
Velocity in Bow Direction	运动传感器艏向速度
Roll Velocity of Motion Sensor	运动传感器横摇速度
Pitch Velocity of Motion Sensor	运动传感器纵倾速度
Salinity	盐度
Temperature	温度
Depth	深度
Velocity	速度
Thrust in X-axis	x轴向推力
Thrust in Y-axis	y轴向推力
Thrust in Z-axis	z轴向推力
Moment about X-axis	绕X轴力矩
Moment about Y-axis	绕Y轴力矩
Moment about Z-axis	绕Z轴力矩
Oxygen Concentration	氧气浓度
Carbon Dioxide Concentration	二氧化碳浓度
Cabin Pressure	舱内压力
Cabin Temperature	舱内温度
Cabin Humidity	舱内湿度
Emergency Hydraulic Source Pressure	应急液压源压力
Backup 2	备份2
Backup 3	备份3

标签描述

安全级别	描述
Level I	DSMS当前处于安全状态，外部环境无安全风险，系统内部处于健康状态。
Level II	DSMS当前处于轻微不安全状态，外部环境可能存在安全风险或系统内部可控异常。
Level III	DSMS当前处于不安全状态，外部环境存在一定安全风险或系统内部危险异常。

数据集描述

监测变量数量	24
安全级别数量	3
时间点数量	30000
不平衡比率 (I: II: III)	10512 : 10985 : 8503

引用

@article{liu2022OABL, title={An Online Active Broad Learning Approach for Real-Time Safety Assessment of Dynamic Systems in Nonstationary Environments}, author={Liu, Zeyi and Zhang, Yi and Ding, Zhongjun and He, Xiao}, journal={IEEE Transactions on Neural Networks and Learning Systems}, year={2022}, doi={10.1109/TNNLS.2022.3222265}, publisher={IEEE} } @INPROCEEDINGS{10295743, author={Liu, Zeyi and Hu, Songqiao and He, Xiao}, booktitle={2023 CAA Symposium on Fault Detection, Supervision and Safety for Technical Processes (SAFEPROCESS)}, title={Real-time Safety Assessment of Dynamic Systems in Non-stationary Environments: A Review of Methods and Techniques}, year={2023}, volume={}, number={}, pages={1-6}, doi={10.1109/SAFEPROCESS58597.2023.10295743}}

搜集汇总

数据集介绍

构建方式

Jiaolong_DSMS_V2.csv数据集由位于中国山东青岛的国家深海中心提供，数据采集自2017年3月19日蛟龙号深潜器的探索任务。该数据集以多变量时间序列的形式呈现，包含约24个特征变量，涵盖了运动传感器、环境参数、推力及力矩等多个维度的监测数据。为确保数据的通用性，所有变量的测量单位均被隐藏。该数据集旨在为动态系统的实时安全评估（RTSA）方法提供基准数据，支持相关研究的深入开展。

特点

Jiaolong_DSMS_V2.csv数据集具有多维度和高时间分辨率的特点，包含24个监测变量和3个安全等级标签。数据集中包含30,000个时间点，安全等级分布为Level I（安全状态）、Level II（轻度不安全状态）和Level III（不安全状态），其比例为10512:10985:8503。数据集的不平衡性反映了实际动态系统中安全状态的分布特点，为研究者提供了真实且具有挑战性的实验环境。

使用方法

该数据集适用于动态系统实时安全评估方法的研究与验证。研究者可通过加载CSV文件获取多变量时间序列数据，并结合安全等级标签进行模型训练与评估。数据集中的变量涵盖了运动、环境、推力等多个维度，可用于多任务学习或特征工程。建议使用时间序列分析、机器学习或深度学习模型进行建模，并结合不平衡数据处理技术以提升模型性能。数据集的最新版本（Version 2）于2023年10月27日更新，提供了更多监测变量和详细描述，建议优先使用。

背景与挑战

背景概述

Jiaolong_DSMS_V2.csv数据集由位于中国山东青岛的国家深海中心收集并提供，数据最初于2017年3月19日在蛟龙号深潜器的探索任务中采集。该数据集以多变量时间序列的形式呈现，包含约24个特征，旨在为动态系统的实时安全评估（RTSA）方法提供基准数据。该数据集由清华大学自动化系THU-FDD研究团队发布，并在2023年10月27日更新至第二版，新增了更多监测变量和详细描述。其核心研究问题聚焦于非平稳环境下动态系统的实时安全评估，相关研究成果已在IEEE Transactions on Neural Networks and Learning Systems等顶级期刊发表，对深海探测与动态系统安全评估领域具有重要影响力。

当前挑战

Jiaolong_DSMS_V2.csv数据集在解决动态系统实时安全评估问题时面临多重挑战。首先，深海环境的非平稳性使得数据具有高度复杂性和不确定性，如何从多变量时间序列中提取有效特征并准确评估系统安全状态成为关键难题。其次，数据集中安全等级的分布存在不平衡性（I: II: III = 10512 : 10985 : 8503），这可能导致模型在训练过程中对少数类样本的学习不足。此外，构建过程中需处理高维时间序列数据的噪声干扰，并确保数据采集的实时性与准确性，这对传感器精度和数据预处理技术提出了极高要求。这些挑战共同构成了该数据集在应用与研究中的核心难点。

常用场景

经典使用场景

Jiaolong_DSMS_V2.csv数据集在深海载人潜水器实时安全评估（RTSA）领域具有广泛的应用。该数据集通过多变量时间序列数据，捕捉了潜水器在深海环境中的运动状态、环境参数及系统内部状态的变化，为研究人员提供了一个标准化的基准数据集。经典的使用场景包括利用该数据集开发和验证实时安全评估算法，确保潜水器在复杂多变的深海环境中能够及时识别潜在的安全风险。

解决学术问题

Jiaolong_DSMS_V2.csv数据集解决了动态系统在非平稳环境下的实时安全评估问题。通过提供24个监测变量和3个安全等级标签，该数据集为研究人员提供了丰富的数据基础，用于开发高效的在线学习算法和异常检测模型。其意义在于推动了深海载人潜水器安全评估技术的发展，提升了系统在极端环境下的可靠性和安全性。

衍生相关工作

基于Jiaolong_DSMS_V2.csv数据集，衍生了一系列经典研究工作。例如，Liu等人提出的在线主动宽学习算法（OABL）被用于实时安全评估，并在IEEE Transactions on Neural Networks and Learning Systems上发表。此外，该数据集还被用于2023年CAA技术过程故障检测与安全研讨会（SAFEPROCESS）中的相关研究，推动了动态系统安全评估方法的发展。