数据动态感知与采集策略调整数据集

本研究构建了一个用于验证和评估工业数据动态感知与采集策略调整方法的综合数据集。该数据集包括四类公共基准数据集（Electricity、UCI-HAR、QT、Condition Monitoring of Hydraulic Systems），以及两类本研究自采集的工业现场数据集：轮胎制造关键工序固定采样数据集和轮胎制造关键工序动态采样数据集。通过智能边缘网关和云端平台的协同工作，本数据集记录了在不同工业工况下，基于LD_DualNet模型动态感知和DQN强化学习自适应调整采集频率所获得的工业时序数据。其中，两个自采集的工业现场数据集包含了传统固定高频采集与本方法动态调整采集策略下的对比数据，验证了在确保下游质量预测模型性能（波动控制在±4%以内）的前提下，数据汇交量可显著降低约38%的有效性。本数据集为工业物联网、智能制造以及时序数据分析领域的研究者提供了丰富的资源，有助于推动工业数据高效汇交、自适应采集和数据价值优化的研究与应用。