航空发动机数据-C-MAPSS数据集的个人理解

最新推荐文章于 2025-03-19 08:55:24 发布
最新推荐文章于 2025-03-19 08:55:24 发布
阅读量9.3k 收藏 41
点赞数 5
分类专栏： 寿命预测 故障诊断与预测 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_45057858/article/details/128671470
版权
C-MAPSS数据集包含不同运行和故障条件的传感器数据，用于航空发动机的故障预测研究。数据集分为训练和测试子集，训练集显示故障逐渐发展，测试集提供故障前的状态，目标是预测剩余操作周期。FD004因其多种工作状态和故障模式被视为最难预测的数据子集。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

数据来源:https://www.nasa.gov/intelligent-systems-division
数据集介绍:
在这里插入图片描述
NASA的C-MAPSS(商用模块化航空推进系统仿真)数据集(涡扇发动机退化仿真数据集)是一种被广泛使用的基准数据.C-MAPSS数据包括不同数量的运行工况和故障工况的传感器数据。
数据:该数据有4个子数据集，每个子数据集有不同数量的运行工况和故障工况，每个子数据集又分为训练子集和测试子集，其中训练集记录了航空发动机的多个状态参数从正常到故障的完整周期内每个时间序列的采样值，测试集则包含了故障前某一个时间点之前的状态参数值以及对应的剩余寿命。如上表所示。数据中的每一行是单个运行时间周期内数据的快照，包含26列:第一列表示发动机ID，第二列表示当前运行周期数，3-5列表示对发动机性能有重大影响的三个操作设置，6-26列表示21个传感器值。发动机在每个时间序列开始时正常工作，但在某个未知时间点出现故障。在训练集中，故障的量级不断增长，直到系统出现故障。在测试集中，数据一直提供到系统故障之前的一段时间。目标是在测试数据出现故障之前估计剩余的操作周期的数量。
注:由于FD004有六种工作状态，两种故障模式，所以认为FD004数据是最难进行预测的
数据结构如下:
在这里插入图片描述例如FD001包含train_FD001,test_FD001和RUL_FD002,值得说明的是:test数据集中的cycle是随机停止在某一步的(还没有停止工作的某一cycle),并且每个engine对应的RUL在RUL_FD001给出，因此在RUl_FD001中有100个数字，代表的就是RUL。

C-MAPSS数据集详细介绍
weixin_46275898的博客
05-21 3806
第一列同样是样本序号，从1-100，也是100个样本，第二列是采集数据的时序，上述样本1含有从1到31次时序采集的状态数据，预测未来发生故障前剩余的时序次数，及剩余的url，真实的url标签存放在RUL_FD001中。当前基于机器学习的剩余寿命预测方法的研究异常火爆，其中C-MAPSS数据集在该领域的使用非常广泛，为了方便各位同仁的学习和理解，借此文章向大家简单介绍一下。第一列表示样本序号，样本序号从1-100即共100个样本，第二列表示采集数据的时序，直到发生故障：即样本1发生故障前的192个时序数据。
nasa航空发动机数据集，cmapss仿真数据
06-15
nasa航空发动机数据集，cmapss仿真数据。
数据集C-MAPSS-Data.rar
01-07
C-MAPS数据集
C-MAPSS/航天发动机/涡轮发动机数据集
10-12
C-MAPSS/航天发动机/涡轮发动机数据集 包含FD001-FD004
基于MATLAB的遗传算法优化BP神经网络航空发动机寿命预测
最新发布
默默科研仔的博客
03-19 1092
基于MATLAB的遗传算法优化BP神经网络航空发动机寿命预测
RUL 预测（C-MAPSS 数据集）：Dynamic Adaptation for Length Changeable Weighted Extreme Learning Machine-matlab开发
05-29
这项工作介绍了 [1] 中提出的 LCI-ELM 的新改进。 新的贡献集中在训练模型对更高维度的“时变”数据的适应性上。 使用C-MAPSS数据集对提出的算法进行了研究[2]。 PSO[3] 和 R-ELM[4] 训练规则被整合到了这个任务中。 拟议算法和用户指南的详细信息可在： https : //www.researchgate.net/publication/337945405_Dynamic_Adaptation_for_Length_Changeable_Weighted_Extreme_Learning_Machine [1] YX Wu、D. Liu 和 H. Jiang，“长度可变增量极限学习机”，J. Comput。 科学技术，卷。 32号3，第 630-643 页，2017 年。 [2] A. Saxena、M. Ieee、K. Goebel、D. Simon 和
C-MAPSS大型涡轮风扇发动机数据集
02-26
涡轮风扇发动机从正常运行至失效的全寿命采集的实验数据，对于研究涡轮风扇发动机的故障的预测及性能评估想必有用。-Turbofan engine failure from normal operation to the whole life of the experimental data collected for the study of turbofan engine failure prediction and performance evaluation must be useful.
航空发动机轴承数据集 | 写论文再也不用担心没数据集啦！
m0_47410750的博客
10-17 6424
本文针对航空发动机轴间轴承故障进行了试验，首次提出了基于转子和机匣振动信号的数据集。首先，建立了以航空发动机为原型的试验台，该试验台采用电动机驱动，并安装了润滑系统。然后，按照规范流程拆卸组装航空发动机，更换人为故障的轴间轴承。接下来，在28组高、低压速度下进行航空发动机试验。设置6个测点，其中2个位移传感器用于测试低压转子的位移振动信号，4个加速度传感器用于测试机匣的加速度振动信号。测试结果被整合到轴间轴承故障数据集中。
[数据集][目标检测]航空发动机缺陷检测数据集VOC+YOLO格式291张4类别
FL1623863129的博客
05-28 1053
数据集格式：Pascal VOC格式+YOLO格式(不包含分割路径的txt文件，仅仅包含jpg图片以及对应的VOC格式xml文件和yolo格式txt文件)特别声明：本数据集不对训练的模型或者权重文件精度作任何保证，数据集只提供准确且合理标注。标注类别名称:[“crease”,“damage”,“dot”,“scratch”]图片数量(jpg文件个数)：291。标注数量(xml文件个数)：291。标注数量(txt文件个数)：291。使用标注工具：labelImg。标注规则：对类别进行画矩形框。
C-MAPSS数据集介绍和学习
weixin_44943389的博客
09-27 1825
该数据集包括了在不同工况下（称为工作点）模拟的多个航空发动机的运行数据。此外，每个工作点都提供了与之相关联的剩余寿命（Remaining Useful Life, RUL）信息，即预计在当前工作点下发动机故障之前的剩余寿命。C-MAPSS数据集中的发动机类型分为四种，分别用0、1、2和3表示。每个发动机类型包括了不同的剩余寿命和运行数据，以模拟现实中的不同发动机健康状态和工作条件。通常，研究人员可以使用C-MAPSS数据集来训练和评估发动机故障诊断算法，以提高对发动机健康状态的监测和诊断能力。
NASA航空发动机数据集 - CMAPSS仿真数据
gitblog_09820的博客
10-12 866
NASA航空发动机数据集 - CMAPSS仿真数据 NASA航空发动机数据集-CMAPSS仿真数据 本仓库提供了一个重要的资源文件，即NASA航空发动机数据集，CMAPSS仿真数据。该数据集是航空发动机健康监测和故障预测领域的重要研究资源，广泛应用于机器学习和数据分析的研究与实践中 ...
航空公司数据集_Flight#2_flight_航空公司数据集_
10-01
各大航空公司数据集MEMBER_NOFFP_DATEFIRST_FLIGHT_DATEGENDERFFP_TIERWORK_CITYWORK_PROVINCEWORK_COUNTRYAGELOAD_TIMEFLIGHT_COUNTBP_SUMEP_SUM_YR_1EP_SUM_YR_2SUM_YR_1SUM_YR_2SEG_KM_SUMWEIGHTED_SEG_KMLAST_FLIGHT_DATEAVG_FLIGHT_COUNTAVG_BP_SUMBEGIN_TO_FIRSTLAST_TO_ENDAVG_INTERVALMAX_INTERVALADD_POINTS_SUM_YR_1ADD_POINTS_SUM_YR_2EXCHANGE_COUNTavg_discountP1Y_Flight_CountL1Y_Flight_CountP1Y_BP_SUML1Y_BP_SUMEP_SUMADD_Point_SUMEli_Add_Point_SumL1Y_ELi_Add_PointsPoints_SumL1Y_Points_SumRation_L1Y_Flight_CountRation_P1Y_Flight_CountRation_P1Y_BPSRation_L1Y_BPSPoint_NotFlight
CMAPSS 涡扇发动机数据集
11-12
CMAPSS 涡扇发动机数据集，亲测可用，用于寿命预测入门
航空发动机寿命预测训练和预测数据
12-25
该数据集的挑战在于，数据来自50或60米的气象塔的数据。 每个塔都有多个风速计，一个风向标和一个温度传感器。 每个传感器在10分钟内测量数据并报告10分钟内的平均值，标 准偏差，最小值和最大值。 通常情况下，最高两级有一对风速计（例如60米高的59米和49米），然后是30米和/或10米的单个或配对风速计。 a）训练数据集 提供的数据文件中有两个结构，第一个是“Train_EngineRun”。这包含结构内的260个发动机。在每个结构中，该引擎的生命周期数据，从新引擎直到退役。数据包含24列，每行对应一个给定的航班。每次飞行数据都采集自六种飞行状态中的一种，飞行状态标签也有提供。
航空公司-客户数据集.csv
04-06
航空公司数据集
C-MAPSS航空发动机模拟数据集
gitblog_09750的博客
10-17 535
C-MAPSS航空发动机模拟数据集 【下载地址】C-MAPSS航空发动机模拟数据集 本仓库提供了一个名为“C-MAPSS航空发动机模拟数据集”的资源文件下载。该数据集是航空发动机模拟数据的重要资源，适用于航空工程、机械工程、数据分析和机器学习等领域的研究与应用 ...
C-MAPSS航空发动机模拟数据集：探索航空工程的未来
gitblog_09802的博客
10-21 869
C-MAPSS航空发动机模拟数据集：探索航空工程的未来 【下载地址】C-MAPSS航空发动机模拟数据集 本仓库提供了一个名为“C-MAPSS航空发动机模拟数据集”的资源文件下载。该数据集是航空发动机模拟数据的重要资源，适用于航空工程、机械工程、数据分析和机器学习等领域的研究与应用 ...
C-MAPSS数据集介绍
woewo_understand的博客
10-26 583
C-MAPSS数据集共有4个子数据集。6~26列是不同传感器信号。每个子数据集都有26列。
2023年最新发布-航空发动机轴承故障数据集
weixin_44028734的博客
01-19 2522
航空发动机是飞机的核心部件，其稳定运行是飞机安全飞行的保证。在双旋翼航空发动机中，飞机是至关重要的承载部件，其运行环境恶劣，极易发生故障，造成严重事故。因此，建立飞机滚动，开展航空发动机故障诊断研究，有助于及时识别飞机滚动轴承早期轻微故障特征，避免事故发生。相应的数据集在机械装备的故障诊断、健康监测和异常检测领域至关重要。本期分享一个来自哈工大发布的飞机滚动。该数据集的详细信息可以已发表的论文中获取：（做故障诊断、健康监测和异常检测的小伙伴们快快尝试。
C-MAPSS数据集
02-11
### C-MAPSS 数据集介绍 C-MAPSS（Commercial Modular Aero-Propulsion System Simulation）数据集是一个广泛应用于航空发动机健康监测和剩余使用寿命（RUL）预测研究的数据集[^1]。此数据集由NASA开发，旨在提供一个标准化平台以便研究人员测试和发展新的算法。 #### 数据结构特点 该数据集中包含了多个不同类型的涡轮风扇引擎运行周期内的操作条件以及来自各种传感器的时间序列测量值。具体来说： - **训练/测试文件**：分为若干个独立的子文件夹，每个代表一组特定的操作场景； - **每条记录**：表示单次飞行循环期间收集到的一组观测结果； - **字段说明**： - `unit`：标识具体的引擎单元编号； - `time`：对应于给定单位在整个生命周期内经历过的总工作时间步数； - 多达21种不同类型的工作参数与环境变量（如温度、压力等），这些构成了输入特征空间的一部分； 值得注意的是，在实际应用中并非所有的传感信号都对退化过程有贡献作用，因此通常会经过预处理筛选出最具影响力的几个维度作为模型构建的基础[^2]。 ### 使用方法概述 对于希望利用C-MAPSS开展RUL建模工作的学者而言，可以从以下几个方面入手准备实验流程： #### 数据探索分析 通过统计描述性指标计算、可视化图表绘制等方式初步掌握整体分布规律及其内部关联模式，识别潜在异常点并考虑适当清洗策略。 #### 特征工程设计 依据领域专业知识选取合适的转换函数或组合方式增强原始属性表达能力，比如采用滑动窗口机制提取局部趋势变化特性，或是引入额外衍生量度反映相对比例关系等等。 #### 模型选择搭建 考虑到任务目标为回归性质的任务形式，可以尝试诸如随机森林、支持向量机乃至深度神经网络在内的多种机器学习技术方案来进行比较评估。特别是卷积神经网络(CNN)，已被证明能够有效捕捉时空依赖性的复杂映射关系，在此类问题上展现出良好表现潜力[^3]。 ```python import pandas as pd from sklearn.model_selection import train_test_split from torch.utils.data import DataLoader, TensorDataset import torch.nn.functional as F import torch.optim as optim def load_data(file_path): df = pd.read_csv(file_path) X = df.iloc[:, :-1].values # 假设最后一列为标签列之外的部分都是特征 y = df.iloc[:, -1].values # 获取真实RUL值 return X, y X_train, y_train = load_data('path_to_training_set.csv') X_test, y_test = load_data('path_to_testing_set.csv') # 进一步划分验证集合... X_trn, X_val, y_trn, y_val = train_test_split(X_train, y_train) dataset_trn = TensorDataset(torch.tensor(X_trn), torch.tensor(y_trn)) loader_trn = DataLoader(dataset_trn) class CNNModel(nn.Module): def __init__(self): super().__init__() self.conv1d_1 = nn.Conv1d(in_channels=..., out_channels=...) ... def forward(self, x): ... output = F.relu(x) return output model = CNNModel() criterion = nn.MSELoss() optimizer = optim.Adam(model.parameters(), lr=0.001) for epoch in range(num_epochs): running_loss = 0. for i, data in enumerate(loader_trn): inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels.unsqueeze(1)) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch {epoch + 1}, Loss: %.3f' % (running_loss / len(loader_trn))) ```
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值