摘要：该数据集面向智能制造、数字孪生、轴承故障诊断以及下一代工业通信网络研究，将物理轴承设备运行状态、数字孪生代理协调信息与边缘—云通信性能数据进行融合，可用于分析机械设备健康状态、数字孪生同步质量、网络通信状态以及智能代理决策之间的关联关系。
数据集概述
该数据集共包含 1000 条记录和 28 个字段，每条记录表示一台工业机器、对应数字孪生代理及其通信环境在某一时刻的同步状态快照。数据同时记录轴承振动、声发射、温度、转速和扭矩等物理运行信息，以及数字孪生同步延迟、通信负载、端到端网络延迟、感知准确性、代理协调质量和边缘云资源利用率等信息，因此能够同时描述“物理设备—数字孪生—智能代理—通信网络”多个层面的运行状态。数据同时包含数值型与类别型变量，并且记录完整、无缺失值，适合直接进行机器学习建模与统计分析。
数据结构与关键特征
数据集采用 CSV 格式保存，核心机器状态特征包括 Vibration_RMS、振动峰值、Acoustic_Emission、Temperature_C、RPM 和 Torque_Nm 等；数字孪生和网络层特征包括 Cloud_Sync_Delay_ms、Communication_Load_kbps、端到端延迟、感知准确性、Agent_Coordination_Score 和资源利用率等。数据还提供多个目标变量，其中 Bearing_Fault_Type 包含正常、内圈故障、外圈故障和滚珠故障 4 种状态，Fault_Severity 描述轴承故障严重程度，Network_Status 区分正常与网络拥塞状态，Agent_Decision 则包含不执行操作、重新配置和发出警报等决策结果，因此同一数据集能够同时支持故障分类、严重程度预测、网络状态分析以及代理决策建模。
应用价值与研究方向
该数据集适合用于数字孪生轴承故障诊断、故障严重程度预测、边缘—云通信性能分析、网络拥塞检测、多智能体决策以及工业预测性维护等研究方向。算法方面可以使用随机森林、XGBoost、LightGBM、SVM 和神经网络完成轴承故障与网络状态分类，并利用回归模型预测故障严重程度；进一步还可以研究机器振动与通信延迟之间的相关性、数字孪生同步误差、边缘云资源调度、多智能体协同控制以及通信异常对故障诊断可靠性的影响。该数据集尤其适合构建“物理轴承状态感知—数字孪生同步—边缘云分析—智能代理决策—故障预警”一体化智能制造系统。
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-769
文件大小：170K
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)