本数据集包含在线扫码称重机的多源运行数据及AI预测结果，主要包括扫码数据（成功率、图像特征）、称重数据（重量值、偏差）、振动数据（幅值）及AI预测结果（故障概率、剩余寿命）。开发背景源于解决传统维护方式的滞后性、过度维护、复杂故障难诊断及合规风险等行业痛点。采用多模态数据融合算法（CNN-LSTM+注意力机制）、小样本故障学习模型等技术，数据格式为xlsx。可广泛应用于食品、医药、物流等行业的扫码称重设备维护场景，实现故障提前预警、维护成本降低及合规管理。

1. 数据清洗 异常值剔除：删除扫码失败记录、称重偏差超过±0.1g（超出设备精度标准）的记录、振动幅值＞5mm/s²（超出行业稳定标准）的记录。 缺失值填充：若检测值缺失，采用同型号设备历史均值填充。 2. 特征提取 扫码图像特征：采用OpenCV提取二维码清晰度、污渍面积等特征。 称重数据滤波：使用中值滤波算法处理称重数据，消除高频噪声。 振动信号特征：提取振动信号1000-2000Hz频段能量作为故障特征。 3. AI算法应用 多模态数据融合：采用CNN-LSTM+注意力机制融合模型，动态加权扫码图像、称重数据、振动信号等多源特征。 小样本故障学习：结合迁移学习与元学习，实现低频率故障的准确预测。 4. 合规处理 采用区块链技术存储扫码记录、称重数据、维护日志，确保数据不可篡改，符合HACCP/GMP标准要求。

本数据集主要应用于在线扫码称重机的预测性维护，解决传统维护方式的滞后性（故障后维修导致产线中断）、过度维护（按固定周期更换部件导致成本过高）、复杂故障难诊断（多源干扰引发的隐性故障难以识别）及合规风险（纸质记录易丢失或篡改）等问题。通过对设备运行状态数据的实时分析和AI预测，实现关键故障提前48小时预警，维护计划与产线排程联动，降低非计划停机率，确保生产质量，同时满足食品/医药行业HACCP/GMP合规要求。

扫码成功率(%) 图像清晰度(分) 扫码结果 故障类型 称重值(g) 称重偏差(g) 称重标准差 X轴振动(m/s²) Y轴振动(m/s²) Z轴振动(m/s²) 1000-2000Hz能量 环境温度(℃) 相对湿度(%) 温度变化率(℃/s) X_振动均值 X_振动方差 X_振动峰值 X_振动峭度 Y_振动均值 Y_振动方差 Y_振动峰值 Y_振动峭度 Z_振动均值 Z_振动方差 Z_振动峰值 Z_振动峭度 称重波动系数 X_主频(Hz) Y_主频(Hz) Z_主频(Hz) 高频能量占比(%) 故障概率 剩余寿命(小时) 98.16 90.8 PROD-44707 正常 100 0 0.0512 2.064 1.725 1.91 1.9007 24.3 45.2 0.0038 1.9922 0.072715 2.447 -0.8652 2.0576 0.096001 2.49 -1.1885 1.997 0.085581 2.486 -1.4362 0.000512 1825.6 1690 1477.5 33 0.1672 832.8 97.36 86.6 PROD-89013 正常

1. 原始传感数据（19个字段） 1.1 扫码模块数据 字段名称 数据类型 单位 取值范围 描述 时间戳 datetime - 2025-07-01至2025-07-30 数据采集时间 扫码成功率(%) float % 80.0-100.0 成功扫码次数占比 图像清晰度(分) float 分 60.0-100.0 扫码图像质量评分 扫码结果 string - PROD-XXXXX或ERROR 扫码内容或错误标识 故障类型 string - 镜头污染/振动干扰/正常 扫码故障原因分类 1.2 称重模块数据 字段名称 数据类型 单位 取值范围 描述 称重值(g) float g 99.0-101.0 实际称重结果 称重偏差(g) float g -0.5-0.5 与目标重量的差值 称重标准差 float g 0.01-0.1 50次称重数据的稳定性指标 覆膜速度(m/min) float m/min 5.0-15.0 生产线运行速度 设定温度(℃) float ℃ 90.0-110.0 称重模块设定温度 1.3 振动监测数据 字段名称 数据类型 单位 取值范围 描述 X轴振动(m/s