Changes

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "Schlagenhauf, Tobias",
2
  "author": "Schlagenhauf, Tobias",
            
3
  "author_email": "",
3
  "author_email": "",
            
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
4
  "creator_user_id": "17755db4-395a-4b3b-ac09-e8e3484ca700",
            
5
  "doi": "10.35097/1340",
5
  "doi": "10.35097/1340",
            
6
  "doi_date_published": "2023",
6
  "doi_date_published": "2023",
            
7
  "doi_publisher": "",
7
  "doi_publisher": "",
            
8
  "doi_status": "True",
8
  "doi_status": "True",
            
9
  "groups": [],
9
  "groups": [],
            
10
  "id": "a3c30003-f073-4972-bb01-fce226c854df",
10
  "id": "a3c30003-f073-4972-bb01-fce226c854df",
            
11
  "isopen": false,
11
  "isopen": false,
            
12
  "license_id": "CC BY-NC 4.0 Attribution-NonCommercial",
12
  "license_id": "CC BY-NC 4.0 Attribution-NonCommercial",
            
13
  "license_title": "CC BY-NC 4.0 Attribution-NonCommercial",
13
  "license_title": "CC BY-NC 4.0 Attribution-NonCommercial",
            
14
  "metadata_created": "2023-08-04T08:50:52.566076",
14
  "metadata_created": "2023-08-04T08:50:52.566076",
            
t
15
  "metadata_modified": "2023-08-04T08:52:06.148842",
t
15
  "metadata_modified": "2023-08-04T08:53:39.241594",
            
16
  "name": "rdr-doi-10-35097-1340",
16
  "name": "rdr-doi-10-35097-1340",
            
17
  "notes": "Abstract: The dataset shows the development of 82 surface 
17
  "notes": "Abstract: The dataset shows the development of 82 surface 
            
18
defects (pits) over the operating time of Ball Screw Drives. The name 
18
defects (pits) over the operating time of Ball Screw Drives. The name 
            
19
of the images is structured as follows: XX_XX_YYMMDDHHMMSS_XX_XX. Here 
19
of the images is structured as follows: XX_XX_YYMMDDHHMMSS_XX_XX. Here 
            
20
X is some identifier, which is not important in this context. The 
20
X is some identifier, which is not important in this context. The 
            
21
dataset is especially suited to investigate the development of surface 
21
dataset is especially suited to investigate the development of surface 
            
22
defects on ball screw drive spindles. The dataset mainly addresses the 
22
defects on ball screw drive spindles. The dataset mainly addresses the 
            
23
machine learning research community for engineering and computer 
23
machine learning research community for engineering and computer 
            
24
science to build intelligent models for surface defect detection and 
24
science to build intelligent models for surface defect detection and 
            
25
forecasting in the context of prognostics and health management (PHM).  
25
forecasting in the context of prognostics and health management (PHM).  
            
26
Each folder consists the evolution of one pit.\r\nAbstract: The 
26
Each folder consists the evolution of one pit.\r\nAbstract: The 
            
27
dataset shows the development of 82 surface defects (pits) over the 
27
dataset shows the development of 82 surface defects (pits) over the 
            
28
operating time of Ball Screw Drives. The name of the images is 
28
operating time of Ball Screw Drives. The name of the images is 
            
29
structured as follows: XX_XX_YYMMDDHHMMSS_XX_XX. Here X is some 
29
structured as follows: XX_XX_YYMMDDHHMMSS_XX_XX. Here X is some 
            
30
identifier, which is not important in this context. The dataset is 
30
identifier, which is not important in this context. The dataset is 
            
31
especially suited to investigate the development of surface defects on 
31
especially suited to investigate the development of surface defects on 
            
32
ball screw drive spindles. The dataset mainly addresses the machine 
32
ball screw drive spindles. The dataset mainly addresses the machine 
            
33
learning research community for engineering and computer science to 
33
learning research community for engineering and computer science to 
            
34
build intelligent models for surface defect detection and forecasting 
34
build intelligent models for surface defect detection and forecasting 
            
35
in the context of prognostics and health management (PHM). Each folder 
35
in the context of prognostics and health management (PHM). Each folder 
            
36
consists the evolution of one pit.\r\nTechnicalRemarks: The dataset 
36
consists the evolution of one pit.\r\nTechnicalRemarks: The dataset 
            
37
shows the development of 82 surface defects (pits) over the operating 
37
shows the development of 82 surface defects (pits) over the operating 
            
38
time of Ball Screw Drives. The name of the images is structured as 
38
time of Ball Screw Drives. The name of the images is structured as 
            
39
follows: XX_XX_YYMMDDHHMMSS_XX_XX. Here X is some identifier, which is 
39
follows: XX_XX_YYMMDDHHMMSS_XX_XX. Here X is some identifier, which is 
            
40
not important in this context. The dataset is especially suited to 
40
not important in this context. The dataset is especially suited to 
            
41
investigate the development of surface defects on ball screw drive 
41
investigate the development of surface defects on ball screw drive 
            
42
spindles. The dataset mainly addresses the machine learning research 
42
spindles. The dataset mainly addresses the machine learning research 
            
43
community for engineering and computer science to build intelligent 
43
community for engineering and computer science to build intelligent 
            
44
models for surface defect detection and forecasting in the context of 
44
models for surface defect detection and forecasting in the context of 
            
45
prognostics and health management (PHM). Each folder consists the 
45
prognostics and health management (PHM). Each folder consists the 
            
46
evolution of one pit.",
46
evolution of one pit.",
            
47
  "num_resources": 0,
47
  "num_resources": 0,
            
48
  "num_tags": 5,
48
  "num_tags": 5,
            
49
  "orcid": "",
49
  "orcid": "",
            
50
  "organization": {
50
  "organization": {
            
51
    "approval_status": "approved",
51
    "approval_status": "approved",
            
52
    "created": "2023-01-12T13:30:23.238233",
52
    "created": "2023-01-12T13:30:23.238233",
            
53
    "description": "RADAR (Research Data Repository) is a 
53
    "description": "RADAR (Research Data Repository) is a 
            
54
cross-disciplinary repository for archiving and publishing research 
54
cross-disciplinary repository for archiving and publishing research 
            
55
data from completed scientific studies and projects. The focus is on 
55
data from completed scientific studies and projects. The focus is on 
            
56
research data from subjects that do not yet have their own 
56
research data from subjects that do not yet have their own 
            
57
discipline-specific infrastructures for research data management. ",
57
discipline-specific infrastructures for research data management. ",
            
58
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
58
    "id": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
59
    "image_url": "radar-logo.svg",
59
    "image_url": "radar-logo.svg",
            
60
    "is_organization": true,
60
    "is_organization": true,
            
61
    "name": "radar",
61
    "name": "radar",
            
62
    "state": "active",
62
    "state": "active",
            
63
    "title": "RADAR",
63
    "title": "RADAR",
            
64
    "type": "organization"
64
    "type": "organization"
            
65
  },
65
  },
            
66
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
66
  "owner_org": "013c89a9-383c-4200-8baa-0f78bf1d91f9",
            
67
  "private": false,
67
  "private": false,
            
68
  "production_year": "2022",
68
  "production_year": "2022",
            
69
  "publication_year": "2023",
69
  "publication_year": "2023",
            
70
  "publishers": [
70
  "publishers": [
            
71
    {
71
    {
            
72
      "publisher": "Karlsruhe Institute of Technology"
72
      "publisher": "Karlsruhe Institute of Technology"
            
73
    }
73
    }
            
74
  ],
74
  ],
            
75
  "relationships_as_object": [],
75
  "relationships_as_object": [],
            
76
  "relationships_as_subject": [],
76
  "relationships_as_subject": [],
            
77
  "repository_name": "RADAR (Research Data Repository)",
77
  "repository_name": "RADAR (Research Data Repository)",
            
78
  "resources": [],
78
  "resources": [],
            
79
  "services_used_list": "",
79
  "services_used_list": "",
            
80
  "source_metadata_created": "2023",
80
  "source_metadata_created": "2023",
            
81
  "source_metadata_modified": "",
81
  "source_metadata_modified": "",
            
82
  "state": "active",
82
  "state": "active",
            
83
  "subject_areas": [
83
  "subject_areas": [
            
84
    {
84
    {
            
85
      "subject_area_additional": "",
85
      "subject_area_additional": "",
            
86
      "subject_area_name": "Engineering"
86
      "subject_area_name": "Engineering"
            
87
    }
87
    }
            
88
  ],
88
  ],
            
89
  "tags": [
89
  "tags": [
            
90
    {
90
    {
            
91
      "display_name": "Ball Screw Drives",
91
      "display_name": "Ball Screw Drives",
            
92
      "id": "799fda52-7235-4122-a059-893473aaa534",
92
      "id": "799fda52-7235-4122-a059-893473aaa534",
            
93
      "name": "Ball Screw Drives",
93
      "name": "Ball Screw Drives",
            
94
      "state": "active",
94
      "state": "active",
            
95
      "vocabulary_id": null
95
      "vocabulary_id": null
            
96
    },
96
    },
            
97
    {
97
    {
            
98
      "display_name": "Condition Monitoring",
98
      "display_name": "Condition Monitoring",
            
99
      "id": "5f393dcf-13da-49e7-829c-07e281a5a3bc",
99
      "id": "5f393dcf-13da-49e7-829c-07e281a5a3bc",
            
100
      "name": "Condition Monitoring",
100
      "name": "Condition Monitoring",
            
101
      "state": "active",
101
      "state": "active",
            
102
      "vocabulary_id": null
102
      "vocabulary_id": null
            
103
    },
103
    },
            
104
    {
104
    {
            
105
      "display_name": "Intelligent Manufacturing",
105
      "display_name": "Intelligent Manufacturing",
            
106
      "id": "8d8a1782-8846-4abb-a36b-d3329f4b601e",
106
      "id": "8d8a1782-8846-4abb-a36b-d3329f4b601e",
            
107
      "name": "Intelligent Manufacturing",
107
      "name": "Intelligent Manufacturing",
            
108
      "state": "active",
108
      "state": "active",
            
109
      "vocabulary_id": null
109
      "vocabulary_id": null
            
110
    },
110
    },
            
111
    {
111
    {
            
112
      "display_name": "Machine Learning",
112
      "display_name": "Machine Learning",
            
113
      "id": "c4f3defc-ca48-45a9-9217-ce35bd3ed73c",
113
      "id": "c4f3defc-ca48-45a9-9217-ce35bd3ed73c",
            
114
      "name": "Machine Learning",
114
      "name": "Machine Learning",
            
115
      "state": "active",
115
      "state": "active",
            
116
      "vocabulary_id": null
116
      "vocabulary_id": null
            
117
    },
117
    },
            
118
    {
118
    {
            
119
      "display_name": "Prognostics and Health Management PHM",
119
      "display_name": "Prognostics and Health Management PHM",
            
120
      "id": "1fdf87a8-2f96-4243-aa9b-d4f5e7477417",
120
      "id": "1fdf87a8-2f96-4243-aa9b-d4f5e7477417",
            
121
      "name": "Prognostics and Health Management PHM",
121
      "name": "Prognostics and Health Management PHM",
            
122
      "state": "active",
122
      "state": "active",
            
123
      "vocabulary_id": null
123
      "vocabulary_id": null
            
124
    }
124
    }
            
125
  ],
125
  ],
            
126
  "title": "Evolution of surface defects on ball screw drive spindles 
126
  "title": "Evolution of surface defects on ball screw drive spindles 
            
127
for intelligent prognostics and health management systems",
127
for intelligent prognostics and health management systems",
            
128
  "type": "vdataset",
128
  "type": "vdataset",
            
129
  "url": "https://doi.org/10.35097/1340"
129
  "url": "https://doi.org/10.35097/1340"
            
130
}
130
}