网站设计工作室,搜索百度app下载,网站建设哪家做的好一点,代理网店怎么做数据集介绍 在开始介绍数据集之前#xff0c;先帮大家理清一下涡扇发动机的数据#xff08;NASA提供#xff0c;本文中称为数据集A#xff09;和PHM2008竞赛数据#xff08;本文称为数据集B#xff09;的关系。之所以将数据集A和数据集B放在一篇文章中#xff0c;是因为…数据集介绍 在开始介绍数据集之前先帮大家理清一下涡扇发动机的数据NASA提供本文中称为数据集A和PHM2008竞赛数据本文称为数据集B的关系。之所以将数据集A和数据集B放在一篇文章中是因为数据集A和数据集B都是利用MATLAB所搭建的航空发动机Simulink模型搭建的。换句话说它们的试验平台是一致的但是其输入是存在差异的具体可查看参考文献1和2。借用文献2中关于数据的介绍数据集A和数据集B之间的联系如下表所示数据集 故障模式 条件 训练样本 测试样本 数据集A #1 1 1 100 100 #2 1 6 260 259 #3 2 1 100 100 #4 2 6 249 248 数据集B #5T 1 6 218 218 #5V 1 6 218 435 从上表中能发现数据集A由4个不同故障模式、不同条件的涡扇发动机数据集组成而数据集B是由2个涡扇发动机数据集组成这些涡扇发动机数据其实是相似的仅仅是由于其条件和故障模式不同而已。值得注意的是数据集A中#1、#2、#3都是#4的特殊情况即#4是最复杂的情况故障模式多并且条件多。对比数据集A数据集B并没有给出测试样本的剩余寿命值这是其重要差异。数据集B中#5v的435个测试样本是用于最终不同选手模型的打分所用的其也缺乏寿命预测真值。在比赛中选手通过上传自己的模型RUL来获得最终打分。**因此在我看来数据集A是完整的可以全部使用而数据集B则仅只有#5T的训练样本可以使用**数据集B的其他数据缺乏RUL真值因此我们并不知道无法在论文实验中使用。**综上所述数据集B的价值不大因此本篇文章主要解读数据集A。**涡扇发动机仿真数据
试验说明
数据 数据集A即C-MAPSS模拟数据该数据是模拟大型商用涡扇发动机的数据 发动机简图如上图所示。该数据的代码采用了MATLAB及其Simulink模块。该模型的详细细节参考文献1。2023
数据解读
data
数据集A网址
https://data.nasa.gov/Aerospace/CMAPSS-Jet-Engine-Simulated-Data/ff5v-kuh6
数据集A和B的网址NASA
https://www.nasa.gov/content/prognostics-center-of-excellence-data-set-repository
01
所有数据均为txt文件文件数量不多大家可以手动读取利用MATLAB“主页”菜单下的“导入数据”进行自行读取不懂得大家可以百度。
02
文件分为三类训练数据 train_FD00x.txt 测试数据test_FD00x.txt以及测试数据每个样本最后时刻时其涡扇发动机的剩余使用寿命对应文件RUL_FD00x.txt。(x可以为1、2、34x取值不同即改涡扇发动机的故障模式和条件不同
03
训练数据 train_FD00x.txt与测试数据test_FD00x.txt内容想类似其均为nX26的数值矩阵。该矩阵n表示不同样本的不同循环周期循环周期可以理解成时间26维度分别对应样本编号、时间循环、操作1、操作2、操作3、传感器1、传感器2、…、传感器21。该矩阵从第一行到后先是第一个样本的不同时刻的操作和传感器输出然后是第二样本的直至所有样本的。
04
剩余寿命预测数据RUL_FD00x.txt其大小为max(样本编号X1比如FD001数据集有100个样本那么其RUL_FD001.txt的大小为100X1。该数据的含义为第i个样本的最后监测时刻其对应的剩余寿命预测值。
05
数据集A网址
https://data.nasa.gov/Aerospace/CMAPSS-Jet-Engine-Simulated-Data/ff5v-kuh6
数据集A和B的网址NASA
https://www.nasa.gov/content/prognostics-center-of-excellence-data-set-repository
关注公众号“滚动轴承故障诊断与寿命预测”每天进步一点点。
参考文献
[1] Saxena A, Goebel K, Simon D, et al. Damage propagation modeling for aircraft engine run-to-failure simulation[C]//2008 international conference on prognostics and health management. IEEE, 2008: 1-9.
[2] Ramasso E, Saxena A. Performance Benchmarking and Analysis of Prognostic Methods for CMAPSS Datasets[J]. International Journal of Prognostics and Health Management, 2014, 5(2): 1-15.
[3] Wang T, Yu J, Siegel D, et al. A similarity-based prognostics approach for remaining useful life estimation of engineered systems[C]//2008 international conference on prognostics and health management. IEEE, 2008: 1-6.
[4] Heimes F O. Recurrent neural networks for remaining useful life estimation[C]//2008 international conference on prognostics and health management. IEEE, 2008: 1-6.
[5] Peel L. Data driven prognostics using a Kalman filter ensemble of neural network models[C]//2008 international conference on prognostics and health management. IEEE, 2008: 1-6.
