风力电机异音AI诊断数据集【数据背景】在风力电机生产线上普遍采用人工听音的方法分辨良、次品不仅成本高而且重复、单调的听音工作极易引起人员疲劳容易出现误判若个别不良品混入整批成品中会给工厂带来严重经济损失甚至严重影响产品声誉。基于加速度传感器采集的振动信号利用机器学习、深度学习等人工智能技术设计智能检验的算法要求算法对故障电机不能有漏识别在召回100%的情况下尽量提高预测准确率以达到替代人工质检的目的。【应用领域】AI风机故障诊断【数据描述】数据集包含2个文件Motor_tain.zip和Motor_testP.zipMotor_tain.zip用于训练的采集数据其中文件夹“正样本”包含30个异常电机的数据样本文件夹“负样本”包含500个正常电机的数据样本Motor_testP.zip用于测试的采集数据包含500个电机的数据样本【文件说明】采集数据时是分别对电机正转、反转时的振动信号进行采集。也就是说每台电机有两条数据其中F代表正转B代表反转。每条数据包含两路振动信号数据文件命名规则编号_旋转方向.csv。一、风力电机异音AI诊断数据集 信息表项目详细说明数据集名称风力电机异音/振动故障AI诊断数据集数据背景针对风机电机人工听音质检效率低、易疲劳、误判率高的问题基于加速度传感器采集振动信号用于AI智能质检、故障识别实现人工替代应用领域AI工业故障诊断、风机电机质检、工业声学/振动异常检测、产线智能巡检数据构成分为训练集、测试集两大压缩包1.Motor_tain.zip训练集2.Motor_testP.zip测试集训练集样本分布正样本异常故障电机30个负样本正常电机500个数据采集规则每台电机分别采集正转(F)、反转(B)两组数据单条数据包含两路振动信号文件格式单样本文件.csv格式命名规则编号_旋转方向.csvF正转B反转测试集规模共500个电机样本任务要求故障样本召回率达到100%同时尽可能提升整体识别准确率杜绝漏检适用算法传统机器学习、CNN、LSTM、一维卷积网络、音频/振动时序异常检测模型二、核心应用场景1. 工业产线落地应用风机电机自动化质检替代传统人工听音检测部署在电机生产流水线实时分析振动信号全自动区分正常/故障电机降低人工成本、避免人员疲劳导致的误判、漏判。产线质量风控严格保障故障电机100%召回防止不良品流入市场减少企业经济损失维护产品品牌口碑。设备在线监测可拓展应用于在役风力发电机实时采集振动数据提前识别隐性故障、异响缺陷实现预测性维护。2. 算法研发与模型训练一维时序信号故障检测基于振动时序数据训练一维CNN、LSTM、TCN等模型研究工业时序信号异常识别算法。不平衡样本算法研究训练集正常样本远多于故障样本适合开展类别不平衡学习实验过采样、欠采样、Focal Loss、类别加权等方案对比。双工况融合识别研究结合电机正转、反转两种工况数据做多特征、多维度信息融合提升复杂工况下故障识别能力。3. 科研、教学与竞赛高校毕设/课程课题机械工程、自动化、人工智能、测控技术等专业可作为工业故障诊断、时序数据分析、AI质检方向研究素材。学科/算法竞赛数据集贴近工业真实场景故障零漏检的任务要求贴合实际工业需求适合工业AI赛道竞赛使用。实训教学用于振动信号处理、时序数据分析、深度学习建模等课程实操训练。4. 技术拓展研究多通道信号融合分析利用单样本两路振动信号研究多传感器数据融合策略提升故障特征提取效果。轻量模型优化针对产线边缘部署需求对模型进行剪枝、量化、轻量化改造适配嵌入式终端。三、公众号标签直接复制使用分类标签#数据集#风机故障诊断#AI质检#振动信号#时序数据#工业AI#异常检测组合标签技术向#一维CNN #LSTM #工业时序数据 #故障识别行业向#风机电机 #智能质检 #智能制造 #预测性维护精简封面标签#电机异音检测 #AI数据集 #工业缺陷识别四、版本1干货版风力电机异音AI诊断数据集基于加速度传感器采集振动信号区分电机正常/故障状态。训练集含30个异常样本、500个正常样本每台电机采集正转、反转两路CSV振动数据。工业场景要求故障样本100%召回适合AI质检、时序故障检测、不平衡样本算法研究可直接用于产线智能化改造与课题研究。标签#数据集 #风机故障诊断 #AI质检 #工业AI版本2精简引流版工业风机电机质检数据集依托振动时序数据实现异响、故障智能识别真实产线采集样本正负样本分布贴合实际工况适配各类时序检测模型工业落地、毕设学习均可使用。标签#振动信号 #异常检测 #智能制造