本数据集是基于安装在轨道上的多维度传感器（AI轨道异动监测设备）所采集的原始数据，包括设备状态、运行模式、三维物理量变化与时间序列，经过专业的数据清洗、校准、对齐，并融合行业知识的特征工程与算法模型加工，衍生出总震动频率、总晃动幅度、运行健康度、异常反馈字段，可应用于轨道交通领域的设备预测性维护、健康状态实时评估、故障智能诊断与预警，以及运维资源优化调度等核心场景，通过将海量、难懂的原始传感数据，转化为可直接支持运维决策的语义化信息，显著提升运维效率与安全性。

1、数据来源及预处理：据来源AI轨道异动监测设备采集数据,经过实时采集与初步处理，形成包含时间戳、设备ID、信号强度、电池电压、三轴震动频率（X/Y/Z）、倾斜角度、晃动幅度等字段的多维度时序原始数据。 2、数据加工处理：1）对X/Y/Z三轴的震动频率、倾斜角度、晃动幅度，进行标量化汇总，生成总震动频率、总晃动幅度。 2）监测设备运行健康度：是通过加权模型算法，计算得出反映设备实时健康状态的综合评分（0-100分）。其计算公式：电压稳定性*20%权重+震动稳定性评分*30%权重+X/Y/Z倾斜角度偏差的稳定性*25%权重+信号强度得分*25%。 3）异常反馈:是基于规则引擎和模式识别的分类模型，触发知识库生成反馈结果。首先对震动能量、倾斜偏差等特征进行异常检测(如基于30准则的异常值过滤)，然后通过预定义的故障模式规则库(如"轨道不平顺":任一方向震动频率>阈值目总晃动幅度>阈值)进行匹配，输出离散的分类标签(如松动/轨道不平顺/正常运行)。 3、隐私化处理：脱敏处理:对设备ID等敏感信息进行加密，确保数据不可回溯至具体设备。

1、设备预测性维护，通过聚合分析轨道关键位置监测设备的震动、温度、倾斜等多维传感数据，提前识别性能退化趋势，在故障发生前触发维护工单； 2、监测设备的健康状态实时评估，基于运行健康度评分模型，识别设备运行状态，实现从定性判断到量化评估的转变； 3、故障智能诊断与预警，利用异常反馈，自动关联历史案例与故障知识库，精准定位异常根源并分级推送预警信息，减少误报漏报； 4、数据分析运用：将原本分散、高噪、难以解读的原始传感数据，转化为具有明确业务语义的决策依据，使运维从“经验驱动”迈向“数据驱动”，在保障行车安全的同时，显著提升响应速度与资源利用效率。

信号强度 电池电压 启动状态 上报时间 上报类型 X震动频率 Y震动频率 Z震动频率 总震动频率 X倾斜角度 Y倾斜角度 Z倾斜角度 X晃动幅度 Y晃动幅度 Z晃动幅度 总晃动幅度 监测设备运行健康度 异常反馈 超强 3531mv 已启动 2025/3/22 13:22 定时 0 0 0 0 -10.08 -25.03 -27.25 331 373 473 466 93 无 超强 3646mv 已启动 2025/3/4 8:45 异常 3 3 3 1 -8.93 -6.86 -11.3 1018 1007 2430 1352 86 正常运行 超强 3638mv 已启动 2025/3/4 8:45 定时 0 0 0 0 -8.94 -6.76 -11.24 447 473 505 458 85 无 附件下载

字段 字段类型 字段说明 信号强度 字符串 设备通信信号状态 电池电压 字符串 监测设备供电电压值 启动状态 字符串 设备运行状态 上报时间 日期时间 数据记录产生的精确时间戳 上报类型 字符串 数据上报的触发方式 X震动频率 浮点数 设备在X轴向侦测到的瞬时震动频率 Y震动频率 浮点数 Y轴向侦测到的震动频率 Z震动频率 浮点数 Z轴向侦测到的震动频率 总震动频率 浮点数 震动的整体幅度 X倾斜角度 浮点数 设备在X轴向相对于基准面的倾斜角度 Y倾斜角度 浮点数 在Y轴向的倾斜角度 Z倾斜角度 浮点数 在Z轴向的倾斜角度 X晃动幅度 浮点数 设备在X轴上，瞬时晃动幅度 Y晃动幅度 浮点数 Y轴上晃动幅度 Z晃动幅度 浮点数 Z轴上晃动幅度 总晃动幅度 浮点数 晃动的整体幅度 监测设备运行健康度 字符串 监测设备运行的健康评估得分 异常反馈 字符串 当上报类型为“异常”时，系统初步判定的原因摘要 （详见附件）