NASA涡轮风扇数据集：预测性维护方案集合

5星

浏览量: 0

大小:None

文件类型：ZIP

简介：
研究 NASA 涡轮风扇发动机的数据集。该资源包中包括有关 NASA涡轮风扇降级数据集[2]上一小部分博客文章[1]的信息。本数据集共设计了四个具有逐步复杂性的挑战任务。在每个挑战场景中，所有涡轮风扇发动机均会运行直至发生故障。每种挑战任务要求用户对发动机状态进行分析，并预测测试集中每个涡扇发动机的剩余使用寿命（RUL）。此类挑战任务设计得具有逐步递增的难度，以模拟实际工程中的复杂情况。数据集结构包括四个部分：运行条件、故障模式、火车尺寸（引擎数）和测试尺寸（发动机数量）。具体参数如下： FD001：1个发动机，1个故障模式，火车尺寸为100台发动机，测试尺寸为100台。 FD002：6个发动机，3种故障模式，火车尺寸为260台发动机，测试尺寸为259台。 FD003：1个发动机，2种故障模式，火车和测试尺寸均为100台。 FD004：6个发动机，3种故障模式，火车尺寸为248台发动机，测试尺寸为249台。笔记本提供了这样一个平台，用户可探索不同建模方法及其在涡轮风扇发动机预测性维护中的应用。如需进一步了解各挑战细节，请参考下文中的详细说明。

全部评论 (0)

还没有任何评论哟~

客服

NASA 涡轮风扇发动机退化仿真数据集

优质

本数据集由NASA提供，专注于涡扇发动机的退化过程模拟，旨在促进发动机性能预测及维护策略优化的研究进展。 NASA提供了一个关于涡扇发动机的仿真数据集，以文本形式打包，并包含readme文件。该数据集适用于人工智能、机器学习等领域研究。使用C-MAPSS进行了发动机退化仿真实验，模拟了四种不同的操作条件和故障模式组合下的情况。记录了几种传感器通道的数据来描述故障的发展过程。此数据集由NASA艾姆斯研究中心的预测中心提供。

PHM08挑战数据集：预测涡轮风扇发动机剩余使用寿命

优质

PHM08挑战数据集专注于通过分析涡轮风扇发动机运行状态数据，来预测其剩余使用寿命，旨在提高航空发动机维护效率与安全性。 PHM08-Challenge-Data-Set：该数据集用于预测涡轮风扇发动机的剩余使用寿命。

风力涡轮机对象检测数据集

优质

本数据集包含大量风力涡轮机图像及其标注信息，旨在支持风力涡轮机对象检测研究。适用于训练与评估相关模型。该数据集包含在动态及变化背景下拍摄的风力涡轮机图像，并专为无人机摄影师设计。市面上许多商用无人机（例如大疆无人机）预装了软件开发工具包，允许用户使用Python等编程语言对其进行定制化操作。因此，装备有高质量摄像头的商业级无人机可以与SDK结合使用，以创建出引人注目的计算机视觉项目。这类项目的可能性是无穷无尽的，所以我将继续为这个数据集做出贡献，请大家期待后续更新。该数据集采用YOLO v7 PyTorch格式，并具有以下特点： - 水平翻转的概率设定为50% - 随机高斯模糊范围在0到3像素之间 - 对曝光度进行随机调整，幅度介于±25%之内预处理阶段将数据集划分为87%用于训练、9%用于验证和4%用于测试（共包含2885张图像）。类似的数据集包括皮肤癌二元分类数据集。标签由Roboflow提供，这是一个免费的图片标注工具。

涡轮风扇引擎

优质

涡轮风扇发动机是一种广泛应用于现代民用和军用飞机上的高效喷气发动机，通过内外涵道同时产生推力。涡轮风扇发动机的预测维修端到端预测模型描述如下：基准模型将RUL（剩余使用寿命）视为常量与线性组合的一部分。使用以下命令行设置代码仓库： ``` $ git clone https://github.com/matheus695p/turbofan-engines-predictive-mantenaince.git $ cd turbofan-engines-predictive-mantenaince $ echo 安装requirements $ pip install -r requirements.txt ``` 文件结构包括： - README.md - readme.txt - requirements.txt 代码目录如下： - codes/ - baseline/ - exploratory_baseline.py

基于Python和NASA涡扇发动机退化数据的预测性维护机器学习实例__源码下载.zip

优质

本资源提供一个使用Python进行预测性维护的机器学习案例研究，采用NASA公开的涡扇发动机退化数据集，包含代码实现与详细注释。在这个Python实践案例中，我们探讨的是利用机器学习技术来分析NASA的涡扇发动机退化模拟数据集，并进行预测性维护。预测性维护通过监测设备性能以提前识别潜在故障，从而减少停机时间和维修成本。首先需要了解这个数据集的内容：它包含了大量的传感器读数，在不同阶段记录了发动机运行的关键参数如温度、压力、振动和转速等，反映了发动机的工作状态。机器学习模型可以通过分析这些数据来发现正常运行与可能出现的故障之间的模式关系。案例中的Python源码将涵盖以下步骤： 1. **数据预处理**：这一步包括清洗数据，处理缺失值和异常值，并进行标准化或归一化以方便后续建模工作。此外，可能还会通过特征工程创建新的变量或者提取关键信息。 2. **特征选择**：在理解了各个参数与故障之间的关系后，会选择最有预测能力的特征进入模型。这可以通过相关性分析、主成分分析（PCA）等方法实现。 3. **模型选择**：根据问题性质选用不同的机器学习算法，如线性回归、决策树、随机森林和支持向量机（SVM），在这个案例中可能会使用监督学习的方法。 4. **训练与验证模型**：利用交叉验证评估模型性能，并确保不会过拟合或欠拟合。可能的评价指标包括准确率、精确率、召回率及AUC-ROC曲线。 5. **优化模型**：通过调整参数来提高预测准确性，如决策树深度和随机森林中的树木数量等。可能会使用网格搜索或者随机搜索算法进行优化。 6. **部署模型**：将训练好的模型应用于实际环境中，实时监控发动机状态并预测故障发生的时间点，为维护决策提供支持。此案例不仅帮助我们掌握时间序列数据处理技巧及机器学习技术的应用方法，还展示了如何在工业设备运维中实施有效的预测性维护策略。这有助于提高设备运行效率和降低运营成本，并且能够显著提升Python编程与机器学习技能水平。

涡扇发动机的CMAPSS数据集

优质

本数据集专注于涡扇发动机运行状态分析，包含详尽的CMAPSS（条件监控与预测性维护系统）信息，旨在支持故障预测及性能评估研究。 CMAPSS 涡扇发动机数据集适用于寿命预测入门学习，亲测可用。

C-MAPSS大型涡扇发动机数据集

优质

C-MAPSS大型涡扇发动机数据集是NASA为了推进预测维护和健康管理研究而开发的一套仿真数据集，包含多维度参数与性能退化模型，广泛应用于故障预测算法测试。涡轮风扇发动机从正常运行到整个生命周期内收集的实验数据对于研究其故障预测及性能评估非常有用。

脑中风预测的数据集

优质

这个数据集包含了用于预测脑中风风险的相关信息和变量，旨在帮助研究人员开发有效的预防模型和策略。脑中风又称脑卒中，是由于颅内血管破裂或堵塞导致的脑组织坏死所引起的一系列症状，包括脑出血、脑梗死等。若不及时治疗，患者可能会死亡；即使得到及时救治，也可能留下残疾。近年来，慢性疾病如中风、缺血性心脏病、肺癌、慢性阻塞性肺病和肝癌在中国急剧增加，并已成为导致过早死亡的主要原因。中国目前是全球中风发病风险最高的国家之一，居民的中风风险率高达39.3%。研究表明，引发脑卒中的主要因素与个人生活习惯密切相关，如高血压、吸烟、饮酒及高盐饮食等都是重要的危险因子。据统计，在我国仅有10%到20%的患者能够在发病后的三小时内被送至医院接受治疗，而延误救治时间越长，则患者的脑损伤程度就越严重。鉴于中国当前较高的中风死亡率，《中国脑卒中防治：进展与挑战》报告指出尽管在中国，中风发病率和患病人数都远超心脏病，但相关医疗资源的可及性和服务质量却在32种可控疾病中的排名倒数第二。因此，在防控策略方面应更加重视预防措施而非单纯依赖治疗手段。

风力发电预测数据集ZX

优质

风力发电预测数据集ZX包含详细的气象与发电量信息，旨在提升风电场短期至中期功率输出预报精度，促进可再生能源高效利用。风力发电量预测数据集包含风速、转速、发电量等相关数据，记录时间从2019年11月至2019年12月，读数间隔为每十分钟一次。