摘要：模拟冰箱故障诊断数据集是一个基于第一性原理热力学方程的高保真商用冰箱物理模型合成数据集，专为预测性维护、故障检测和能效研究而设计。
数据集简介
数据集概述
模拟冰箱故障诊断数据集是一个基于第一性原理热力学方程的高保真商用冰箱物理模型合成数据集，专为预测性维护、故障检测和能效研究而设计。数据集通过Python脚本生成，包含多个时间序列模拟运行，每次运行代表特定条件下的操作周期，涵盖正常运行（NORMAL）和13种常见故障类型及其不同严重程度，包括冷凝器污染（COND_FOUL_MILD/SEVERE）、蒸发器风扇退化/故障（EVAP_FAN_DEG/FAIL）、制冷剂不足/过量（UNDERCHARGE_MILD/SEVERE、OVERCHARGE）、传感器漂移（SENSOR_DRIFT_PLUS/MINUS）、压缩机效率下降（COMP_INEFFICIENCY）、不可凝气体（NON_CONDENSABLES）和复合故障（UNDERCHARGE_AND_COND_FOUL）。模拟包含动态物理模型（热传递、制冷剂压力/温度、能耗）、可变条件（环境温度、内部热负荷如开门、除霜循环）和真实故障实现（通过修改物理参数如降低冷凝器传热效率来模拟污染）。该数据集解决了真实设备故障数据难以获取且昂贵的问题，为暖通空调制冷（HVAC/R）领域的故障检测、状态监测、能效研究和预测性维护模型提供了透明可复现的工程基准。
数据结构与关键特征
数据集采用时间序列格式，包含多次模拟运行，每次运行记录压缩机、冷凝器、蒸发器和膨胀阀的传感器读数和运行参数。关键特征包括：基于物理模型的合成数据（使用第一性原理热力学方程模拟，确保数据符合物理规律）、多类别故障标签（14类包括正常状态和13种故障类型，部分故障区分轻度/严重等级）、真实故障机制（故障通过修改物理参数实现而非随机噪声，如降低传热系数模拟冷凝器污染）、动态操作条件（每次运行具有独特的环境温度、热负荷和除霜循环）、丰富的特征维度（压力、温度、饱和温度、能耗等关键传感器参数）、以及完全可复现性（附带Python生成脚本Frodge_dataset_generation.py）。数据集的物理建模优势在于能够生成稀有故障场景的大量样本，同时保证数据的物理一致性和真实性。时间序列特性使其适合LSTM、Transformer等序列模型，多类别设计支持从二分类（正常vs故障）到细粒度多类别分类（13种故障类型识别）的不同任务。
应用价值与研究方向
该数据集在预测性维护、工业物联网、能效优化和时间序列分析研究领域具有重要应用价值，可用于开发制冷设备故障诊断系统、预测性维护平台、能效监测工具和状态监控解决方案。研究方向包括：多类别时间序列分类（使用LSTM、Transformer、Gradient Boosting等模型识别14类运行状态）、异常检测（仅在正常数据上训练模型并检测故障数据的偏差）、特征工程（创建压力比、温度提升、传感器移动平均等衍生特征）、故障严重程度评估（区分轻度vs严重故障）、复合故障识别、早期故障预警、能耗优化、以及迁移学习从模拟数据到真实设备。数据集特别适合研究如何从时间序列传感器数据中提取故障特征签名、如何处理类不平衡问题（正常vs多种故障）、以及如何构建可解释的故障诊断模型。此外，该数据集还可扩展至其他HVAC/R设备（空调、冷库）、工业设备健康监测、数字孪生技术等应用场景，为推动AI技术在预测性维护领域的应用、降低设备停机时间、减少能源消耗、延长设备寿命、保障冷藏商品安全提供重要的数据支撑和技术基础。数据集的合成特性使其成为理想的教育和研究工具，完全可复现的生成脚本支持研究者根据需求定制故障场景和参数。
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-234
文件大小：180M
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)