MetroDataset

一个开源的地铁转向架振动加速度数据集，用于预测性维护。数据集包含正常和故障数据，采集了X、Y和Z轴的振动数据，采样频率为1024，包括425组正常数据和248组故障数据。

An open-source dataset of subway bogie vibration acceleration for predictive maintenance. The dataset includes both normal and fault data, capturing vibration data along the X, Y, and Z axes with a sampling frequency of 1024 Hz. It comprises 425 sets of normal data and 248 sets of fault data.

原始信息汇总

MetroDataset 概述

数据集内容

• 类型：包含地铁转向架的正常与故障振动加速度数据。
• 数据维度：收集了X、Y、Z三个轴向的振动数据。
• 采样频率：1024 Hz。
• 数据量：
  • 正常数据：425组
  • 故障数据：248组

文件描述

• good.csv：包含正常振动数据。
• bad.csv：包含故障振动数据。

搜集汇总

数据集介绍

构建方式

MetroDataset的构建基于地铁转向架振动加速度数据的采集，旨在支持轨道交通车辆的预测性维护研究。数据采集过程中，研究团队以1024Hz的采样频率记录了转向架在X、Y、Z三个轴向上的振动数据。数据集共包含425组正常状态数据和248组故障状态数据，分别存储于good.csv和bad.csv文件中，为后续分析提供了坚实的基础。

特点

MetroDataset的特点在于其专注于地铁转向架的振动数据，涵盖了正常与故障两种状态下的多维加速度信息。数据集的采样频率高达1024Hz，能够捕捉到细微的振动变化，为故障检测和预测性维护提供了高精度的数据支持。此外，数据集的开放性和结构化设计使其易于被研究人员和工程师用于算法验证和模型训练。

使用方法

MetroDataset的使用方法较为直观，用户可通过加载good.csv和bad.csv文件分别获取正常和故障状态下的振动数据。这些数据可直接用于机器学习模型的训练与测试，特别是针对故障检测和预测性维护任务。研究人员还可结合数据集的采样频率和多轴信息，开发更精确的振动分析算法，以提升轨道交通车辆的安全性和可靠性。

背景与挑战

背景概述

MetroDataset是一个专注于地铁车辆转向架振动加速度的开源数据集，旨在支持轨道交通车辆的预测性维护研究。该数据集由研究团队在论文《EH-Edge: An Energy harvesting Driven Edge IoT Platform for Predictive Maintenance of Rail Transit Vehicles》中首次提出，主要研究人员包括Enfang Cui等人。数据集包含正常和故障状态下的转向架振动数据，采样频率为1024 Hz，涵盖了425组正常数据和248组故障数据。该数据集的发布为轨道交通领域的预测性维护提供了重要的数据支持，推动了基于物联网和边缘计算的智能维护系统的发展。

当前挑战

MetroDataset在解决轨道交通车辆预测性维护问题时面临多重挑战。首先，数据采集过程中需要精确捕捉转向架在不同工况下的振动特征，这对传感器的精度和采样频率提出了较高要求。其次，故障数据的获取相对困难，尤其是在实际运营环境中，故障发生的频率较低且难以模拟。此外，数据预处理和特征提取的复杂性也是构建该数据集的主要挑战之一，如何从高维振动数据中提取有效的故障特征，直接影响了后续模型的性能。这些挑战不仅体现在数据集的构建过程中，也对后续的算法设计和模型优化提出了更高的要求。

常用场景

经典使用场景

MetroDataset数据集在地铁车辆预测性维护领域具有重要应用。通过采集地铁转向架的振动加速度数据，该数据集为研究人员提供了一个全面的实验平台，用于分析和识别转向架在正常和故障状态下的振动特征。这些数据不仅有助于理解转向架的动态行为，还为开发高效的故障检测算法提供了基础。

实际应用

在实际应用中，MetroDataset已被用于开发智能维护系统，这些系统能够实时监测地铁转向架的振动状态，并在检测到异常时发出预警。通过这种方式，地铁运营商可以提前安排维护工作，避免因转向架故障导致的列车延误或事故。此外，该数据集还为地铁车辆的设计优化提供了数据支持，帮助工程师改进转向架的结构和材料。

衍生相关工作

基于MetroDataset，研究人员已经开发了多种预测性维护算法和系统。例如，一些研究利用该数据集训练深度学习模型，以实现对转向架故障的高精度预测。此外，还有研究结合物联网技术，开发了基于边缘计算的实时监测平台，进一步提升了地铁车辆的维护效率。这些工作不仅推动了预测性维护技术的发展，也为地铁运营的智能化提供了新的解决方案。