Conjunto de datos de vibración, corriente, par y RPM para condiciones de fallas múltiples en motores eléctricos a...

Área de la Ciencia:

• Ingeniería mecánica
• Ingeniería eléctrica
• Ciencia de los datos

Sus antecedentes:

• El desarrollo de algoritmos robustos de diagnóstico de fallas es crucial para la fiabilidad de las máquinas industriales.
• Los conjuntos de datos existentes a menudo carecen de la complejidad de las condiciones operativas del mundo real, lo que limita la generalización del modelo.
• Los enfoques basados en datos requieren conjuntos de datos completos y etiquetados para una capacitación y validación efectivas.

Objetivo del estudio:

• Presentar un conjunto de datos completo y multicondicionado para el diagnóstico de fallas en motores de CA y unidades HVAC.
• Apoyar el desarrollo y la validación de métodos de detección de fallos basados en datos y de mantenimiento predictivo.
• Abordar las limitaciones de los conjuntos de datos existentes mediante la inclusión de múltiples fallas, múltiples gravedades y condiciones de funcionamiento variables.

Principales métodos:

• Datos recogidos de motores de CA industriales con fallas simuladas (enrollamiento, cortocircuitos, desalineación, problemas con los rodamientos) en varios niveles de gravedad.
• Datos obtenidos de unidades de aire acondicionado que experimentan fallas de relajación del cinturón bajo tensiones de cinturón variables.
• Las señales multi-sensores registradas incluyen corriente, vibración, par y RPM bajo variaciones aleatorias de velocidad y carga.

Principales resultados:

• Un gran conjunto de datos (>60 GB) de señales de sensores sin procesar con metadatos detallados y etiquetas para el tipo de falla, la gravedad y las condiciones de funcionamiento.
• Los datos se recopilan en condiciones de velocidad variable realistas (6%, 16%) y de carga, imitando entornos industriales.
• El conjunto de datos incluye diversos escenarios de fallas, lo que permite la capacitación de algoritmos de diagnóstico generalizables.

Conclusiones:

• El conjunto de datos presentado llena una brecha crítica para desarrollar algoritmos de diagnóstico de fallas robustos y aplicables en el mundo real.
• Es adecuado para evaluar modelos de aprendizaje automático y técnicas de procesamiento de señales para el monitoreo de condiciones y el mantenimiento predictivo.
• El conjunto de datos facilita las aplicaciones de aprendizaje supervisado tanto para la investigación académica como para la implementación industrial.