data

该数据集包含发动机运行时的多项参数，包括发动机转速、润滑油压力、燃油压力、冷却液压力、润滑油温度、冷却液温度以及发动机状况（Engine Condition）作为标签。数据集共包含19535个样本，其中训练集15628个，测试集3907个，所有特征均为数值类型。该数据集适用于发动机状态监测、故障诊断等机器学习或深度学习任务的模型训练与评估。

原始信息汇总

数据集概述

基本信息

• 数据集地址：https://huggingface.co/datasets/Stuti22/data
• 配置名称：default

数据特征

特征名称	数据类型
Engine rpm	int64
Lub oil pressure	float64
Fuel pressure	float64
Coolant pressure	float64
lub oil temp	float64
Coolant temp	float64
Engine Condition	int64

数据划分

划分名称	样本数量	字节数
train	15628	875168
test	3907	218792

数据文件路径

• train：data/train-*
• test：data/test-*

数据规模

• 下载大小：994359 字节
• 数据集大小：1093960 字节

搜集汇总

数据集介绍

构建方式

该数据集立足于内燃机健康监测与故障诊断的工程背景，通过采集发动机运行过程中的多源物理信号构建而成。数据采集覆盖发动机转速、润滑油压力、燃油压力、冷却液压力、润滑油温度及冷却液温度六个关键传感通道，并同步记录发动机工况标签，以二分类形式表征设备正常或异常状态。原始时序信号经清洗与分段处理后，按约八成与两成的比例划分为训练集与测试集，分别包含15628条与3907条样本，形成可复现的监督学习数据基础。

特点

数据集聚焦发动机多参数耦合的运行状态表征，涵盖压力类与温度类共六维连续或离散特征，兼有转速这一核心工况变量，特征间存在显著的物理关联性。标签为整数型发动机状态指示，适用于二分类建模任务。数据规模适中，训练与测试划分明确，总体积约为1.09 MB，便于快速加载与实验迭代。其领域针对性强，既可用于故障预测与健康管理研究，也可作为特征工程与模型鲁棒性评估的基准数据。

使用方法

使用该数据集时，可借助HuggingFace datasets库直接加载默认配置，自动获取训练与测试两个split，无需手动划分。加载后可将六维传感特征作为模型输入，以发动机状态标签为预测目标，开展逻辑回归、随机森林、梯度提升或深度时序网络等监督学习实验。在实际应用中，建议先对压力与温度特征进行标准化或归一化处理，并结合领域知识进行特征筛选与异常值分析，以提升模型泛化能力与诊断可解释性。

背景与挑战

背景概述

该数据集聚焦于内燃机状态监测与故障诊断领域，整合了发动机转速、润滑油压力、燃油压力、冷却液压力、润滑油温度、冷却液温度及发动机工况等多维运行参数，旨在为基于机器学习的发动机健康评估与异常检测提供标准化数据支撑。数据集由相关研究机构于近年构建并公开，包含训练集15628例与测试集3907例，覆盖多工况下的引擎运行状态。其核心研究问题在于如何从多源传感信号中有效辨识发动机异常状态，对推动工业设备预测性维护与智能运维技术发展具有积极意义。

当前挑战

该数据集所对应的领域问题在于发动机故障诊断的复杂性与多样性，不同故障模式在传感信号中往往呈现微弱、耦合或时变特征，传统阈值方法难以准确区分。构建过程中面临的挑战包括真实工况下故障样本稀缺与类别不平衡、多传感器噪声与信号漂移对标注可靠性的影响，以及训练集与测试集在工况分布上的一致性保障。此外，发动机运行参数之间存在强相关性与非线性关系，如何在该数据上构建兼具泛化性与可解释性的诊断模型，仍是当前研究关注的重点。

常用场景

经典使用场景

在工业设备健康管理与故障诊断领域，该数据集凭借其多传感器时序监测特性，成为评估发动机状态预测模型的基准资源。经典使用场景聚焦于利用引擎转速、润滑油压力、燃油压力、冷却液压力及温度等运行参数，构建二分类模型以判别发动机是否处于正常工况。研究者常将数据划分为训练集与测试集，采用逻辑回归、随机森林或长短期记忆网络等算法，通过特征工程与超参数调优，实现对发动机异常状态的早期预警与识别。

衍生相关工作

围绕该数据集，学界衍生了一系列经典研究工作，包括基于集成学习的故障分类器优化、引入注意力机制的时间卷积网络设计，以及融合领域知识的混合诊断模型构建。部分研究进一步探索了迁移学习框架，将该数据集预训练模型适配至其他旋转机械故障诊断任务。这些工作不仅丰富了工业大数据分析方法体系，也为后续多模态传感器融合与边缘计算部署奠定了实证基础。

数据集最近研究

最新研究方向

在工业4.0与预测性维护浪潮的推动下，基于该数据集的研究正朝着多模态融合与边缘智能方向演进。当前前沿聚焦于利用发动机转速、润滑油压力、燃油压力、冷却液压力及温度等多源时序信号，构建轻量化深度学习模型以实现故障的早期预警与剩余寿命预测。相关研究结合数字孪生技术，将实时传感器数据映射至虚拟发动机模型，以提升诊断的鲁棒性与可解释性。同时，该数据集在迁移学习与少样本故障诊断中的应用日益受到关注，旨在解决实际工况中标签稀缺与分布偏移问题，为智能运维与降低非计划停机提供关键数据支撑。