摘要：该数据集主要面向感应电机在正常与异常运行状态下的红外热成像分析，通过采集不同故障工况下电机表面的温度分布图像，为电气设备故障诊断、热异常识别和预测性维护研究提供视觉数据基础。数据以红外热像为核心，可以从空间温度分布角度反映电机不同部件在异常状态下产生的局部过热和热场变化。
数据集概述
该数据集中的红外图像在约 23°C 环境温度条件下采集，使用 Dali-tech T4/T8 红外热像仪记录感应电机不同运行状态下的热分布情况。数据同时覆盖正常运行状态以及多种异常或故障工况，通过比较电机外壳、定子、转子、风扇及相关区域的温度变化，可用于分析故障导致的热特征差异。相比仅依赖电流或振动信号的故障诊断方法，热成像能够以非接触方式直接呈现电机表面的异常温升和热聚集区域，因此特别适合开展基于计算机视觉和机器学习的电机健康状态识别研究。
数据结构与关键特征
数据集中的感应电机额定功率约为 1.11 kW，额定电压为 220/380 V，输入电流约 5 A，转速约 2800 RPM，频率为 50 Hz；变压器额定功率约为 1 kW，电压 220 V，输入电流约 1.5 A，工作频率为 50–60 Hz。感应电机故障包括定子绕组约 10%、30% 和 50% 不同短路程度，并进一步区分单相、两相和三相短路，同时还包含 Rotor 和 Cooling 两种机械相关故障。变压器则按照约 80、160、240、320、400、480、560 和 600 匝等不同短路匝数设置故障等级。采集设备 Dali-tech T8 的红外探测器分辨率为 384×288，测温范围约 −20°C 至 +650°C，帧率为 50/60 Hz，能够较清晰地记录故障条件下设备表面的热点分布和温度梯度。
应用价值与研究方向
该数据集适合用于感应电机故障诊断、变压器绕组短路识别、热异常检测、故障严重程度分类以及预测性维护等研究方向。算法方面可以采用 ResNet、EfficientNet、MobileNet、DenseNet、ConvNeXt 和 Vision Transformer 等模型直接对红外热像进行分类，也可以提取最高温度、平均温度、热点面积、温度梯度、纹理特征等指标后结合 SVM、随机森林或 XGBoost 等机器学习方法进行诊断。进一步还可研究 Grad-CAM 可解释分析、跨设备迁移学习、多故障等级识别、热图分割以及热成像与振动、电流、声音等信号的多模态融合，为工业电机和变压器的在线智能状态监测提供数据基础。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-762
文件大小：9M
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)