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、3，4，x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.
