LucasThil/nasa_turbofan_degradation_FD004

NASA的CMAPSS商用模块化航空推进系统仿真喷气发动机模拟数据FD004。该数据集包含了CMAPSS喷气发动机的模拟数据。训练轨迹数为248，测试轨迹数为249，涉及六种条件，有两种故障模式：高压压缩机退化与风扇退化。数据集包含的传感器读数包括风扇入口总温度、低压压缩机出口总温度、高压压缩机出口总温度、低压涡轮出口总温度、风扇入口压力、旁通管道总压力、高压压缩机出口总压力、物理风扇转速、物理核心转速等，以及一些衍生参数如发动机压力比、静压、燃料流量比、校正的风扇和核心转速、旁通比、燃烧器燃料空气比、抽气焓等。NASAs CMAPSS Jet Engine Simulated Data FD004. This dataset contains simulated data from the CMAPSS (Commercial Modular Aero-Propulsion System Simulation) Jet Engine. There are 248 training trajectories and 249 test trajectories, involving six conditions and two fault modes: HPC Degradation and Fan Degradation. The sensor readings include total temperature at fan inlet, total temperature at LPC outlet, total temperature at HPC outlet, total temperature at LPT outlet, pressure at fan inlet, total pressure in bypass-duct, total pressure at HPC outlet, physical fan speed, physical core speed, engine pressure ratio (P50/P2), static pressure at HPC outlet, ratio of fuel flow to Ps30, corrected fan speed, corrected core speed, bypass ratio, burner fuel-air ratio, bleed enthalpy, demanded fan speed, demanded corrected fan speed, HPT coolant bleed, and LPT coolant bleed.

搜集汇总

数据集介绍

构建方式

该数据集源自美国国家航空航天局（NASA）开发的CMAPSS（商用模块化航空推进系统仿真）平台，旨在模拟航空涡扇发动机从正常运行至失效的退化过程。FD004子集聚焦于六种运行工况与两种故障模式（高压压气机退化与风扇退化）的耦合场景，通过高保真仿真生成多发动机单元的时序运行数据。数据集共包含248条训练轨迹与249条测试轨迹，每条轨迹记录了发动机从初始状态到故障发生的完整时间序列。每条样本由单位编号、时间周期、三种操作设置参数以及21个传感器测量值构成，传感器覆盖温度、压力、转速、燃油流量等关键物理量。最终，每条轨迹的末端标注了剩余使用寿命（RUL），为预测性维护研究提供了基准标签。

特点

本数据集的核心特点在于其丰富的工况与故障组合，模拟了真实航空发动机在复杂环境下的退化行为。六种不同运行条件与两种故障机制的交叉设计，使得数据集具备高度的多样性与挑战性，能够有效评估预测模型在多变场景下的泛化能力。21个传感器通道涵盖了从进气口到排气口的全流程物理参数，包括温度、压力、转速及流体比率等，为多维度特征融合提供了数据基础。此外，数据集明确划分训练集（61,249条）与验证集（41,214条），并提供了完整的RUL标签，便于开展监督学习任务。其仿真数据的可重复性与标准化结构，使其成为涡轮发动机退化预测领域广泛使用的基准数据集。

使用方法

该数据集适用于回归与分类两类任务，典型应用包括基于时序数据的剩余使用寿命预测与故障诊断。使用时，可将unit_number作为序列标识，time_cycles作为时间步，以setting_1至setting_3作为工况条件特征，s_1至s_21作为传感器观测特征，RUL作为目标变量。建议采用滑动窗口或序列截断方式构建输入样本，以适应不同长度的轨迹序列。数据加载可通过Hugging Face Datasets库直接调用，指定config为'default'即可获取预划分的训练与验证集。研究者可基于此数据集训练深度学习模型（如LSTM、Transformer或时序卷积网络），并利用验证集评估预测精度。需注意，该数据集为仿真数据，应用于实际系统时应考虑领域迁移与噪声适配问题。

背景与挑战

背景概述

在航空发动机健康管理领域，预测与健康管理（PHM）技术对于保障飞行安全、降低维护成本具有至关重要的意义。NASA于2008年由Abhinav Saxena、Kai Goebel等研究人员基于商用模块化航空推进系统仿真（CMAPSS）平台，开发了涡扇发动机退化模拟数据集FD004。该数据集聚焦于多运行工况与多故障模式（高压压气机退化与风扇退化）下的发动机性能衰退建模，通过记录248条训练轨迹与249条测试轨迹中21个传感器随时间变化的参数，为剩余使用寿命（RUL）预测研究提供了标准化的基准。其核心研究问题在于如何从高维时序传感器数据中准确捕捉非线性退化趋势，从而推动数据驱动的故障诊断与预测算法的发展，已成为PHM领域最具影响力的开源数据集之一。

当前挑战

该数据集所解决的领域问题在于复杂工况下航空发动机退化模式的识别与RUL预测，其挑战体现在多源不确定性耦合：六种不同运行条件导致传感器响应呈现非平稳特性，而两种故障模式的叠加效应使得退化轨迹高度异质，传统统计模型难以有效泛化。构建过程中，仿真参数需精确匹配真实发动机的物理约束，包括21类传感器在不同量纲（如华氏度、psi、rpm）下的同步采集，以及从正常运行到故障演化的完整生命周期覆盖。此外，数据中隐含的噪声与传感器漂移现象，对特征提取算法的鲁棒性提出了严苛要求，且训练集与测试集在工况分布上的差异性进一步加剧了跨条件迁移学习的难度。

常用场景

经典使用场景

在航空发动机健康管理研究领域，FD004数据集凭借其模拟的多工况运行与双故障模式（高压压气机退化与风扇退化）特性，成为验证剩余寿命预测模型的经典基准。该数据集记录了248台训练发动机与249台测试发动机从初始状态直至失效的全生命周期传感器数据，涵盖21维物理信号（如温度、压力、转速等），为深度时序模型（如LSTM、Transformer）与统计退化模型的性能评估提供了标准化平台。研究者常利用该数据集对比不同算法在复杂工况下的预测精度与鲁棒性，尤其关注多故障耦合场景下的泛化能力。

实际应用

在实际工业运维中，该数据集为航空发动机的健康管理决策提供了仿真验证依据。基于其训练的预测模型可应用于机队实时状态监测，通过分析传感器时序演变趋势，提前识别部件退化拐点，从而优化维修调度策略、降低非计划停飞风险。例如，航空公司可借助该数据集开发的算法，结合机载传感器数据对发动机高压压气机或风扇叶片的剩余寿命进行动态预估，实现从定期检修向基于状态的维护转型，进而延长部件使用寿命并减少运营成本。

衍生相关工作

该数据集催生了多项具有影响力的研究工作。Saxena等人最初基于CMAPSS仿真平台提出了该数据集的生成框架，奠定了航空发动机退化数据基准。后续研究如深度卷积神经网络（CNN）与双向LSTM融合的端到端预测模型，以及基于变分自编码器的无监督退化特征提取方法，均以FD004作为核心验证集。此外，该数据集还被用于对比不同注意力机制（如时间注意力、特征注意力）在时序预测中的效能，并衍生出针对多工况自适应校准的迁移学习架构，如域对抗神经网络与元学习策略，进一步拓展了其在跨场景预测性维护中的学术边界。