基于加速度计的钢渣流动监测数据集：提升钢铁制造质量控制与过程效率的新资源

本数据论文推荐研究人员关注钢铁制造中的关键质量控制问题——钢渣检测。研究团队通过三轴加速度计采集了钢铁生产过程中不同阶段的振动数据，构建了Steel Slag Flow Dataset（SSFD）数据集。该数据集支持机器学习模型开发，能够准确区分熔融金属与钢渣流动，对防止设备损坏、提高钢材质量和增强生产效率具有重要意义。数据集采样频率达6,400 Hz，包含多种流动条件数据，为实时监测提供了宝贵资源。

　　

在钢铁制造过程中，钢渣（slag）的混入会严重影响最终产品的质量和性能。传统检测方法往往难以实现精准区分熔融金属与钢渣的流动，导致设备损坏、生产效率下降和资源浪费。因此，开发能够实时、准确监测钢渣流动的技术成为行业迫切需求。

为解决这一问题，Mert Sehri等人开展了一项基于加速度计传感器的数据采集研究，并在《BMC Research Notes》上发布了名为“Steel Slag Flow Dataset（SSFD）”的数据论文。该研究旨在通过振动信号分析实现钢渣与金属流动的区分，为机器学习算法提供训练和验证基础，推动智能制造在钢铁行业的应用。

研究人员主要采用了三轴加速度计（PCB, model 356A15）进行数据采集，采样频率为6,400 Hz，符合香农-奈奎斯特定理（Shannon-Nyquist theorem），有效频率范围为3,200 Hz。数据以5秒为一个单元，每个文件包含32,000个样本，覆盖早期无渣（E）、即将出渣（B）和渣流动（S）等不同状态。传感器布置在流控轴的操作端，以降低热损伤和噪声干扰。数据来源于实际钢铁企业生产现场，但因企业保密要求未公开具体材料配比和流量参数。

数据描述

SSFD数据集通过振动振幅的时间序列数据记录不同钢渣流动状态，包括x、y、z三轴加速度值，单位转换为米（m）。数据标签采用“{字母}-{数字}”格式，如“E-5”表示第5种流动条件下的早期无渣状态。数据多样化涵盖了16种不同钢渣混合物流动条件，增强了模型的泛化能力。

数据收集过程

加速度计安装在流控轴操作端，如图2所示，该位置既能有效捕捉振动特征，又避免了高温环境对传感器的损害。数据采集于实际钢水浇注过程中，确保了数据的真实性和工业适用性。

局限性

数据集的局限在于仅包含有限种类的钢渣流动条件（16种），且未进行预处理（如滤波），用户需自行完成数据清洗和特征提取。此外，因保密协议无法提供材料配比和工艺参数，可能影响部分深入研究。

本研究通过SSFD数据集的构建与公开，为钢渣检测提供了首个数振动据资源，支持传统信号处理与深度学习方法的开发与应用。该数据不仅能优化现有生产流程，还可推动预测性维护（predictive maintenance）和实时监控系统在工业场景中的部署，具有较高的工程应用价值和学术意义。