mboth/kaelteErzeugen-50-undersampled

---
configs:
- config_name: default
data_files:
- split: train
path: data/train-*
- split: test
path: data/test-*
- split: valid
path: data/valid-*
dataset_info:
features:
- name: Datatype
dtype: string
- name: Beschreibung
dtype: string
- name: Name
dtype: string
- name: Unit
dtype: string
- name: Grundfunktion
dtype: string
- name: ScoreGrundfunktion
dtype: float64
- name: ZweiteGrundfunktion
dtype: string
- name: ScoreZweiteGrundfunktion
dtype: float64
- name: label
dtype:
class_label:
names:
'0': Kaelteanlage
'1': KaeltekreisAllgemein
'2': Kaeltemaschine
'3': Kaeltemengenzaehler
'4': Klappe
'5': Pumpe
'6': RKW
'7': Regler
'8': Ruecklauf
'9': Ventil
'10': Vorlauf
'11': Waermemengenzaehler
- name: ScoreKomponente
dtype: float64
- name: Datenpunkt
dtype: string
- name: ScoreDatenpunkt
dtype: float64
- name: text
dtype: string
splits:
- name: train
num_bytes: 72126.24090121317
num_examples: 293
- name: test
num_bytes: 18282
num_examples: 73
- name: valid
num_bytes: 18282
num_examples: 73
download_size: 54220
dataset_size: 108690.24090121317
---
# Dataset Card for "kaelteErzeugen-50-undersampled"

[More Information needed](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

配置项：
- 配置名称：default
数据文件：
- 划分集：训练集（train），路径：data/train-*
- 划分集：测试集（test），路径：data/test-*
- 划分集：验证集（valid），路径：data/valid-*
数据集信息：
特征：
- 名称：数据类型（Datatype），数据类型：字符串
- 名称：描述（Beschreibung），数据类型：字符串
- 名称：名称（Name），数据类型：字符串
- 名称：单位（Unit），数据类型：字符串
- 名称：基础功能（Grundfunktion），数据类型：字符串
- 名称：基础功能得分（ScoreGrundfunktion），数据类型：64位浮点型
- 名称：第二基础功能（ZweiteGrundfunktion），数据类型：字符串
- 名称：第二基础功能得分（ScoreZweiteGrundfunktion），数据类型：64位浮点型
- 名称：标签（label），数据类型：分类标签（class_label），其类别名称对应如下：
'0'：制冷系统（Kaelteanlage）
'1'：通用制冷循环（KaeltekreisAllgemein）
'2'：制冷机（Kaeltemaschine）
'3'：制冷量计数器（Kaeltemengenzaehler）
'4'：阀片（Klappe）
'5'：泵（Pumpe）
'6'：RKW
'7'：调节器（Regler）
'8'：回流管路（Ruecklauf）
'9'：阀门（Ventil）
'10'：供液管路（Vorlauf）
'11'：热量计数器（Waermemengenzaehler）
- 名称：组件得分（ScoreKomponente），数据类型：64位浮点型
- 名称：数据点（Datenpunkt），数据类型：字符串
- 名称：数据点得分（ScoreDatenpunkt），数据类型：64位浮点型
- 名称：文本（text），数据类型：字符串
划分集信息：
- 名称：训练集（train），字节数：72126.24090121317，样本数：293
- 名称：测试集（test），字节数：18282，样本数：73
- 名称：验证集（valid），字节数：18282，样本数：73
下载大小：54220
数据集总大小：108690.24090121317

# "kaelteErzeugen-50-undersampled" 数据集卡片
[更多信息待补充](https://github.com/huggingface/datasets/blob/main/CONTRIBUTING.md#how-to-contribute-to-the-dataset-cards)

原始信息汇总

数据集概述

数据集配置

• 配置名称: default
• 数据文件:
  • 训练集: data/train-*
  • 测试集: data/test-*
  • 验证集: data/valid-*

数据集信息

• 特征:
  • Datatype: 字符串
  • Beschreibung: 字符串
  • Name: 字符串
  • Unit: 字符串
  • Grundfunktion: 字符串
  • ScoreGrundfunktion: 浮点数
  • ZweiteGrundfunktion: 字符串
  • ScoreZweiteGrundfunktion: 浮点数
  • label: 类别标签，包含以下类别:
    • 0: Kaelteanlage
    • 1: KaeltekreisAllgemein
    • 2: Kaeltemaschine
    • 3: Kaeltemengenzaehler
    • 4: Klappe
    • 5: Pumpe
    • 6: RKW
    • 7: Regler
    • 8: Ruecklauf
    • 9: Ventil
    • 10: Vorlauf
    • 11: Waermemengenzaehler
  • ScoreKomponente: 浮点数
  • Datenpunkt: 字符串
  • ScoreDatenpunkt: 浮点数
  • text: 字符串

数据集分割

• 训练集:
  • 字节数: 72126.24090121317
  • 样本数: 293
• 测试集:
  • 字节数: 18282
  • 样本数: 73
• 验证集:
  • 字节数: 18282
  • 样本数: 73

数据集大小

• 下载大小: 54220
• 数据集大小: 108690.24090121317

搜集汇总

数据集介绍

构建方式

该数据集名为mboth/kaelteErzeugen-50-undersampled，聚焦于制冷系统领域的文本分类任务。其构建基于对原始数据集的欠采样处理，以平衡类别分布。数据集包含训练集、测试集和验证集三个划分，分别存储于data/train-*、data/test-*和data/valid-*路径下。数据特征涵盖多种字段，如Datatype（数据类型）、Beschreibung（描述）、Name（名称）等，其中label字段为12个类别的分类标签，包括Kaelteanlage（制冷设备）、Pumpe（泵）、Ventil（阀门）等制冷系统关键组件。通过欠采样技术，数据集在保持样本代表性的同时，缓解了类别不平衡问题，提升了模型训练的稳定性。

特点

该数据集的核心特点在于其精细的多字段结构和明确的分类体系。每条样本包含16个特征，从基础属性（如Unit单位）到功能评分（如ScoreGrundfunktion基础功能评分），再到文本描述字段text，为多模态或混合特征建模提供了可能。类别标签覆盖12种制冷系统组件，涵盖设备、循环、控制器等全链条元素，具有高度的领域专精性。数据集规模适中，训练集含293条样本，测试集和验证集各73条，总大小约108KB，适合快速迭代实验。欠采样处理确保了各类别样本数量均衡，避免了模型对多数类的偏向。

使用方法

使用该数据集时，可通过HuggingFace Datasets库直接加载，指定配置名为default。数据已预分为train、test和valid三个子集，用户可直接用于模型训练、评估和调参。推荐利用text字段作为输入特征，label字段作为分类目标，构建基于Transformer的文本分类模型。由于包含数值型评分特征（如ScoreKomponente），可探索将结构化数据与文本融合的混合模型。数据集小巧轻量，适合在资源受限环境下进行原型验证或教学演示。加载示例：load_dataset("mboth/kaelteErzeugen-50-undersampled", split="train")。

背景与挑战

背景概述

在工业自动化与建筑能效管理领域，制冷系统的精准监控与故障诊断长期依赖于专家规则与物理模型，然而随着传感器数据规模的激增，传统方法在泛化性与可扩展性上逐渐显现出瓶颈。mboth/kaelteErzeugen-50-undersampled数据集由研究团队于近年创建，聚焦于制冷设备组件分类这一核心任务，旨在通过机器学习方法实现从原始传感器描述文本到设备类型（如冷却机、泵、阀门等12类）的自动映射。该数据集包含439个标注样本，涵盖训练、验证与测试划分，其发布为工业物联网场景下的文本分类研究提供了稀缺的基准资源，尤其推动了对德语领域专业术语处理与不平衡数据场景下的算法评估。

当前挑战

该数据集面临的核心挑战在于领域问题与构建过程的双重复杂性。在领域层面，制冷设备组件的文本描述高度依赖专业术语与缩写，且类别分布呈现显著不平衡（如仅少数样本属于‘冷却机’或‘回流管’），这对分类模型的鲁棒性与低资源学习能力提出了严苛要求。构建过程中，数据来源于工业日志与系统配置文档，原始文本存在拼写变体、标注噪声及上下文缺失等问题，需通过欠采样策略平衡类别分布，但这一过程可能引入信息损失，导致模型在稀有类别上的泛化性能下降。此外，德语复合词的形态学特征进一步增加了文本解析的难度。

常用场景

经典使用场景

在工业自动化与建筑设备管理领域，制冷系统作为能耗大户，其组件的精准识别与分类是智能运维的关键环节。mboth/kaelteErzeugen-50-undersampled数据集专为制冷设备组件分类任务而设计，涵盖从制冷机组到阀门、泵、控制器等12类典型部件。该数据集通过提供结构化的描述文本与多维度评分特征，支持基于自然语言处理或混合特征模型的组件识别研究，成为评估序列标注、文本分类及多标签分类算法在工业领域表现的标准基准。

衍生相关工作

围绕该数据集，学术界已衍生出多项经典工作。研究者利用其多标签特性，探索了基于Transformer的工业文本分类架构，并验证了对比学习在类别不均衡场景下的有效性。此外，该数据集被用于评估跨语言迁移学习在德语工业文本上的表现，催生了针对技术术语的领域预训练语言模型（如BERT-for-Industry）。部分工作还结合知识蒸馏技术，在保持精度的前提下实现了模型轻量化，为边缘端部署提供了可行方案。

数据集最近研究

最新研究方向

该数据集聚焦于制冷系统关键组件的智能化识别与分类，属于工业物联网与自然语言处理交叉的前沿方向。随着建筑能效优化与碳中和目标的推进，制冷设备（如冷水机组、阀门、泵等）的自动化标注成为数字孪生与预测性维护的核心挑战。mboth/kaelteErzeugen-50-undersampled通过多维度特征（功能描述、评分、数据类型）构建结构化文本，采用欠采样策略平衡类别分布，旨在提升模型在长尾组件（如热计量表、调节器）上的识别鲁棒性。当前研究热点已从单一设备分类转向跨系统语义理解，例如结合知识图谱实现制冷回路拓扑关系的自动推理。该数据集为开发可解释的工业NLP模型提供了基准，推动建筑能源管理系统从规则驱动向数据驱动转型，对降低运维成本与碳排放具有显著意义。