Fatigue Crack Growth in Aluminum Lap Joint - PHM Data Challenge 2019

疲劳裂纹在铝接头中的增长 - PHM数据挑战2019：对铝接头试样进行了疲劳实验，并在多个时间点记录了兰姆波信号。来自压电执行器-接收器传感器对的信号被报告，并观察到这些信号与疲劳测试期间发展的裂纹长度直接相关。表面裂纹长度的光学测量也作为地面实况提供。数据集分为训练和验证，以促进数据驱动方法的应用。

疲劳裂纹在铝接头中的扩展——PHM数据挑战2019：对铝接头试样实施了疲劳试验，并在多个时点对兰姆波信号进行了记录。压电执行器-接收器传感器对的信号被详细报告，且观察到这些信号与疲劳试验期间形成的裂纹长度存在直接关联。此外，表面裂纹长度的光学测量数据亦作为基准情况提供。该数据集被划分为训练与验证两部分，旨在推动数据驱动型方法的应用研究。

原始信息汇总

数据集概述

1. 疲劳裂纹增长在铝合金融接 - PHM 数据挑战 2019

• 描述: 该数据集包含铝合金融接试件的疲劳实验结果，记录了多个时间点的Lamb波信号，这些信号与疲劳测试中发展的裂纹长度直接相关。此外，还提供了表面裂纹长度的光学测量数据作为基准真相。
• 结构: 数据集分为训练和验证两部分，分别存储在名为“training”和“validation”的文件夹中，按试件编号组织。
• 来源: 由亚利桑那州立大学的Yongming Liu教授和Tishun Peng博士及其合作者生成。
• 用途: 用于2019年PHM数据挑战。

2. 齿轮箱故障检测数据集, PHM 数据挑战 2009

• 描述: 该数据集专注于使用加速度计数据和轴承几何信息进行齿轮箱的故障检测和损伤程度估计。
• 目的: 评估正确识别齿轮系统中故障类型、位置和损伤程度的能力。
• 来源: 2009年PHM社会会议的一部分。

3. Bosch生产线的性能

• 描述: 该数据集记录了Bosch装配线上每个步骤的数据，用于应用高级分析以改进制造过程。
• 挑战: 预测内部故障，使用数千个测量和测试数据。
• 目的: 帮助Bosch以更低的成本提供高质量产品。

4. 硬盘可靠性样本

• 描述: 该数据集每日记录Backblaze数据中心中每个运行硬盘的状态，包括基本驱动信息和S.M.A.R.T.统计数据。
• 结构: 每个文件包含日期、序列号、型号、容量、故障状态等列。
• 用途: 分析硬盘的可靠性。

搜集汇总

数据集介绍

构建方式

该数据集通过在铝制搭接接头试件上进行疲劳实验构建而成。实验过程中，记录了每个试件在多个时间点（定义为疲劳测试中的循环次数）的Lamb波信号。这些信号由压电激励器-接收器传感器对采集，并与疲劳测试过程中产生的裂纹长度直接相关。此外，还提供了表面裂纹长度的光学测量结果作为基准。数据集被分为训练集和验证集，以支持数据驱动方法的应用。

特点

该数据集的主要特点在于其结合了Lamb波信号与光学测量结果，提供了裂纹生长的全面视图。通过压电传感器采集的信号与裂纹长度之间的直接关联，使得该数据集在疲劳裂纹扩展研究中具有重要价值。此外，数据集的结构清晰，分为训练和验证两部分，便于研究人员进行模型训练与评估。

使用方法

使用该数据集时，研究人员可以利用训练集进行模型训练，并通过验证集评估模型的性能。数据集的文件结构包括一个主文件和两个子文件夹，分别存储训练和验证数据。每个文件夹中的数据按试件编号组织，详细格式在‘Read Me.docx’文件中说明。在使用数据集进行研究发表时，需引用推荐的文献以尊重数据集的版权。

背景与挑战

背景概述

疲劳裂纹扩展在航空航天和机械工程领域具有重要意义，尤其是在铝合金搭接接头的应用中。Fatigue Crack Growth in Aluminum Lap Joint - PHM Data Challenge 2019数据集由亚利桑那州立大学的刘永明教授、彭体顺博士及其合作者创建，旨在通过疲劳实验研究铝合金搭接接头的裂纹扩展行为。该数据集记录了在疲劳测试过程中，通过压电传感器对铝合金试件的Lamb波信号进行监测，并结合光学测量结果作为地面真值。该数据集的发布不仅为疲劳裂纹扩展的预测与健康管理（PHM）提供了宝贵的实验数据，还为2019年PHM数据挑战赛提供了核心资源，推动了相关领域的研究进展。

当前挑战

该数据集在构建过程中面临多项挑战。首先，疲劳裂纹扩展的复杂性要求精确的实验设计和数据采集，以确保信号与裂纹长度之间的直接关联性。其次，数据集的分割与标注需要高度的专业知识，以确保训练集和验证集的有效性。此外，Lamb波信号的噪声处理和特征提取也是一大难点，需采用先进的数据处理技术以提高模型的准确性。最后，如何将该数据集应用于实际工程中的裂纹扩展预测，仍需进一步的研究与验证。

常用场景

经典使用场景

在疲劳裂纹扩展研究领域，Fatigue Crack Growth in Aluminum Lap Joint - PHM Data Challenge 2019数据集被广泛应用于基于数据驱动的疲劳裂纹增长预测。该数据集通过记录铝搭接接头试件在疲劳试验中的Lamb波信号，结合光学测量得到的表面裂纹长度作为基准，为研究人员提供了一个全面的数据平台。通过分析这些信号与裂纹长度之间的关系，研究者能够开发出高效的预测模型，从而在工程实践中实现对结构疲劳寿命的精准评估。

解决学术问题

该数据集解决了疲劳裂纹扩展预测中的关键学术问题，特别是在缺乏大量实验数据的情况下，如何通过信号处理和机器学习技术准确预测裂纹的增长。通过提供详细的Lamb波信号和光学测量数据，该数据集为研究者提供了一个可靠的基准，推动了疲劳裂纹扩展预测模型的开发和验证。这不仅提升了学术研究的深度，也为工程实践中的结构健康监测提供了理论支持。

衍生相关工作

基于该数据集，许多研究者开展了相关的经典工作，包括开发新的信号处理算法、改进机器学习模型以及探索深度学习在疲劳裂纹预测中的应用。例如，有研究者利用卷积神经网络（CNN）对Lamb波信号进行特征提取，显著提高了裂纹长度的预测精度。此外，该数据集还被用于验证多种裂纹扩展模型的有效性，推动了疲劳裂纹扩展预测领域的技术进步。