Predictive-Maintenance-Test

该数据集是一个包含发动机运行状态监测数据的结构化数据集。数据特征包括发动机转速（Engine rpm）、润滑油压力（Lub oil pressure）、燃油压力（Fuel pressure）、冷却液压力（Coolant pressure）、润滑油温度（lub oil temp）、冷却液温度（Coolant temp）以及发动机状态标签（Engine Condition）。数据集共包含3907个训练样本，每个样本记录了发动机在不同工况下的多个传感器测量值和对应的运行状态。该数据集适用于发动机健康状态监测、故障诊断、异常检测和预测性维护等机器学习任务。

This dataset is a structured dataset containing engine operating condition monitoring data. The data features include engine rpm, lubricating oil pressure, fuel pressure, coolant pressure, lubricating oil temperature, coolant temperature, and engine condition labels. The dataset consists of 3907 training samples, each recording multiple sensor measurements and corresponding operating conditions of the engine under different working conditions. It is suitable for machine learning tasks such as engine health monitoring, fault diagnosis, anomaly detection, and predictive maintenance.

原始信息汇总

• 数据集名称：Predictive-Maintenance-Test
• 数据集链接：https://huggingface.co/datasets/Kaddy4613/Predictive-Maintenance-Test
• 数据集描述：该数据集用于预测性维护测试，包含发动机运行状态相关的多维度传感器数据。
• 特征字段：
  • Engine rpm：发动机转速（int64）
  • Lub oil pressure：润滑油压力（float64）
  • Fuel pressure：燃油压力（float64）
  • Coolant pressure：冷却液压力（float64）
  • lub oil temp：润滑油温度（float64）
  • Coolant temp：冷却液温度（float64）
  • Engine Condition：发动机状态（int64）
  • index_level_0：索引列（int64）
• 数据划分：
  • 训练集（train）：共 3907 个样本，数据大小为 250048 字节
• 文件信息：
  • 下载大小：226174 字节
  • 数据集总大小：250048 字节
  • 数据文件路径：data/train-*（默认配置）

搜集汇总

数据集介绍

构建方式

Predictive-Maintenance-Test数据集专为工业设备状态监测与故障预测任务而设计，其构建源于对典型机械系统运行参数的精细采集。数据集中包含发动机转速（Engine rpm）、润滑油压力（Lub oil pressure）、燃油压力（Fuel pressure）、冷却液压力（Coolant pressure）、润滑油温度（lub oil temp）以及冷却液温度（Coolant temp）六个核心连续变量，辅以表示设备工况的离散标签（Engine Condition）。这些特征共同构成了对发动机运行状态的全面数字化描述，为后续预测性维护模型的训练奠定了数据基础。

特点

该数据集的一个显著特点在于其规模紧凑且特征维度适中，共包含3907条训练样本，每个样本由七个字段组成，覆盖了机械系统关键性能指标。特别地，目标变量“Engine Condition”为整数值，用以表征发动机的健康状态或故障模式，使得该数据集既适用于二分类故障检测，也可扩展至多分类诊断场景。此外，数据采用高效存储格式，训练集大小约为250KB，便于快速加载与迭代实验，尤其适合算法原型验证与教学演示。

使用方法

使用时，用户可通过HuggingFace Datasets库便捷加载该数据集，指定配置名为'default'并读取'train'分片。数据以表格形式组织，各数值特征可直接输入至机器学习或深度学习模型中。建议在建模前对连续变量进行标准化或归一化处理，并注意将'__index_level_0__'列作为无关索引予以剔除。对于分类任务，可将'Engine Condition'作为监督信号，利用其他六项传感器指标进行预测，从而实现对设备运行风险的提前评估。

背景与挑战

背景概述

预测性维护作为工业4.0背景下智能制造的核心组成部分，旨在通过实时监测设备运行状态，提前识别潜在故障，从而降低停机时间与维修成本。Predictive-Maintenance-Test数据集由相关研究机构或团队针对旋转机械与发动机系统设计，采集了包括发动机转速、润滑油压力、燃油压力、冷却液压力及温度等关键运行参数，并标注了发动机健康状态。该数据集为机器学习模型在工业预测性维护中的应用提供了标准化测试基准，自发布以来，在故障诊断与剩余寿命预测领域产生了广泛影响，推动了从被动维修向主动维护的范式转变。

当前挑战

在领域问题层面，该数据集致力于解决工业设备在复杂工况下故障模式识别与预测的挑战，即如何从高维、时序性的传感器数据中提取有效特征，准确辨别正常与异常状态。在构建过程中，面临数据采集环境噪声干扰、传感器精度限制、以及运行条件差异导致的样本不均衡等问题，尤其是故障样本稀缺使得模型泛化能力不足。此外，多参数间的非线性耦合关系与实时性要求，进一步增加了特征工程与模型设计的难度，需在保障预测精度的同时兼顾计算效率与部署可行性。

常用场景

经典使用场景

Predictive-Maintenance-Test数据集的核心应用场景聚焦于工业设备的预测性维护，通过监测发动机转速、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等多维传感器数据，对发动机的运行状态进行实时分类。该数据集为二分类任务设计，标签为“发动机状态”，旨在判断设备是否处于正常或异常工况。其典型使用方式包括构建时序分类模型，利用历史传感器演变规律提前识别潜在故障迹象，从而替代传统的定期检修策略，推动工业运维从“被动响应”向“主动预警”转型。

解决学术问题

该数据集系统性地回应了工业4.0时代设备健康管理中的关键学术挑战，即如何在非均衡、高噪声的传感器流数据中精准捕获退化特征并实现故障早期预警。它解决了传统维护策略中过度依赖专家经验、缺乏可迁移诊断框架的痛点，为状态监测、剩余寿命预测及故障诊断等研究提供了标准化的基准评估平台。借助该数据集，学者可以对比不同机器学习算法（如随机森林、长短时记忆网络或卷积神经网络）在设备异常检测任务中的鲁棒性与泛化能力，推动数据驱动维护理论从假设验证迈向工程实证。

衍生相关工作

基于Predictive-Maintenance-Test数据集，研究者已经衍生了多项代表性工作。其中，有工作提出结合特征重要性排序与堆叠集成学习的方法，针对多模态传感器信号进行分级故障检测，显著提升了少样本场景下的预警准确率。另有研究探索了训练集中正负样本不均衡问题，利用生成对抗网络合成异常状态数据，增强了模型对稀有故障模式的识别能力。此外，该数据集还被用于验证基于Transformer的时序预测架构在发动机退化轨迹建模中的有效性，为后续开发跨设备、跨工况的通用预训练模型奠定了基础。