Tennessee Eastman v1.0

本数据集包含六种模式，每种模式在72小时内有28个故障。每种模式包含12个输入变量，41个测量变量和28个干扰变量。数据集用于比较研究和算法验证。

This dataset comprises six modes, each featuring 28 faults within a 72-hour period. Each mode includes 12 input variables, 41 measurement variables, and 28 disturbance variables. The dataset is utilized for comparative research and algorithm validation.

原始信息汇总

数据集概述

数据集名称

Multimode dataset of Tennessee Eastman v1.0

数据集内容

• 模式数量：六种模式
• 故障数量：每种模式包含28个故障
• 数据维度：包含12个输入变量，41个测量变量，28个干扰变量
• 数据时长：72小时

数据集使用

• 数据下载：支持Python和Matlab下载
• 数据生成：可通过运行MultiLoop_mode1.mdl至MultiLoop_mode6.mdl重新生成数据集

数据集调整

• 参数调整：用户可根据需要自行调整参数以实现不同模式
• 示例：以模式2为例，通过复制和修改相关文件及参数实现模式调整

数据集展示

• 正常数据：展示了六种模式的正常数据
• 故障数据：展示了部分故障的测量数据

引用信息

• 引用文献：Liu, Zeyi, et al. "Evidential Ensemble Preference-Guided Learning Approach for Real-Time Multimode Fault Diagnosis." IEEE Transactions on Industrial Informatics, 2024.

版本信息

• 版本：v1.0
• 发布日期：2023/01/12

搜集汇总

数据集介绍

构建方式

在系统理论的广泛应用背景下，Tennessee Eastman v1.0数据集通过模拟真实的多组件系统，构建了一个复杂且非线性的模型。该数据集包含六种不同模式，每种模式在72小时内记录了28种故障，涵盖12个输入变量、41个测量变量和28个干扰变量。通过调整参数文件如*Mode1xInitial.mat*至*Mode6xInitial.mat*，用户可以模拟不同的操作模式，从而生成多样化的数据集。

特点

该数据集的显著特点在于其多模式和多故障的复杂性，每种模式下均包含详细的输入、测量和干扰变量，为故障诊断和系统验证提供了丰富的数据支持。此外，数据集的构建基于真实的工业过程模型，确保了数据的实用性和可靠性。通过可视化的测量和干扰变量图表，用户可以直观地理解不同模式下的系统行为。

使用方法

用户可以通过Python或Matlab直接下载并加载数据集，例如使用scipy.io库加载Matlab格式的数据文件。此外，用户还可以通过运行*MultiLoop_mode1.mdl*至*MultiLoop_mode6.mdl*文件，自行生成或调整数据集。调整参数时，建议逐步进行，以避免模拟过早结束。数据集的灵活性和可调整性使其适用于多种研究场景，如故障诊断和系统优化。

背景与挑战

背景概述

Tennessee Eastman v1.0数据集是基于Tennessee Eastman（TE）模型的重要工具，广泛应用于系统理论的各个领域，特别是在算法比较和验证中。该模型以其基于真实过程建模的复杂非线性特性而著称，为多组件系统的研究提供了坚实的基础。数据集的创建旨在对TE过程模型进行修订和扩展，以适应现代故障诊断和监控算法的需求。该数据集由清华大学自动化系的THUFDD团队在2023年发布，主要研究人员包括Liu Zeyi、Li Chen和He Xiao。其核心研究问题集中在多模式故障诊断，通过模拟72小时内的六种不同操作模式，每种模式包含28种故障，涵盖12个输入变量、41个测量变量和28个干扰变量。该数据集的发布对工业过程监控和故障诊断领域具有重要影响，为研究人员提供了一个标准化的测试平台。

当前挑战

Tennessee Eastman v1.0数据集在构建过程中面临多项挑战。首先，模型的复杂性和非线性特性使得数据生成和处理变得极为复杂，尤其是在模拟多模式和多故障场景时，需要精确控制参数以确保数据的准确性和一致性。其次，数据集的多样性和规模要求高效的存储和处理方法，以应对大规模数据集的生成和分析需求。此外，故障诊断领域的挑战在于如何从复杂的多变量数据中提取有用的信息，并准确识别和分类故障模式。最后，数据集的扩展性和可调整性也是一个重要挑战，用户需要能够根据具体需求调整模型参数，以生成符合特定研究目标的数据集。这些挑战共同构成了该数据集在实际应用中的主要难点。

常用场景

经典使用场景

在系统理论的广泛领域中，Tennessee Eastman v1.0数据集被广泛用于算法验证和比较研究。其经典使用场景包括多模式故障诊断，通过模拟真实工业过程的复杂非线性模型，研究人员可以评估和优化各种故障检测和诊断算法的性能。数据集提供了六种不同模式下的72小时数据，每种模式包含28种故障，涵盖12个输入变量、41个测量变量和28个干扰变量，为算法测试提供了丰富的数据支持。

衍生相关工作

基于Tennessee Eastman v1.0数据集，许多经典工作得以展开，包括多模式故障诊断算法的开发和优化。例如，Liu等人提出了一种基于证据推理的实时多模式故障诊断方法，该方法在数据集上进行了验证，并展示了其在复杂工业环境中的有效性。此外，该数据集还促进了其他相关研究，如动态系统建模、过程监控和实时系统优化，进一步推动了工业自动化领域的发展。

数据集最近研究

最新研究方向

在系统理论与工业过程控制领域，Tennessee Eastman v1.0数据集因其基于真实过程模型的复杂非线性特性，成为算法验证与故障诊断研究的核心工具。最新研究方向聚焦于多模式故障诊断的实时性与精确性提升，尤其是通过集成学习与证据推理技术，实现对多种工况下的故障类型与模式的快速识别。这一研究不仅推动了工业过程监控的智能化发展，还为复杂系统中的动态变化与概念漂移问题提供了有效的解决方案。