Wind Turbine Blade Acoustic Dataset for Damage Detection

该数据集包含用于风力涡轮机叶片故障诊断的声学信号，包括从实验室规模水平轴风力涡轮机在不同叶片条件下记录的原始声学录音、处理信号、提取特征和标签，类别包括健康、裂纹、侵蚀、弯曲和波纹。This dataset contains acoustic signals for fault diagnosis of wind turbine blades. Specifically, it includes raw acoustic recordings, processed signals, extracted features and labels collected from lab-scale horizontal-axis wind turbines under various blade conditions, where the category labels cover healthy, cracked, eroded, bent and corrugated states.

原始信息汇总

数据集概述

本数据集专为风力发电机叶片故障诊断研究设计，结合深度学习与信号处理技术，包含完整的数据与代码资源。

数据集名称：Wind Turbine Blade Acoustic Dataset for Damage Detection
作者：Vijay Tiwari, Lalit Bansal（通讯作者）
所属机构：Vellore Institute of Technology, School of Mechanical Engineering
联系方式：[e-mail], [e-mail]
许可协议：MIT License
引用建议：Vijay Tiwari, Lalit Bansal. "Wind Turbine Blade Acoustic Dataset for Damage Detection", Version 1.0, 2026.

---

数据详情

• 实验对象：实验室规模水平轴风力发电机（3叶片）
• 传感器：PCB 130F20 麦克风
• 采样频率：50 kHz
• 单次录制时长：2秒
• 环境：室外场地

叶片状态类别（共5类）

1. 健康
2. 裂纹
3. 侵蚀
4. 弯曲
5. 波纹

---

数据构成与格式

数据类型	格式	说明
原始音频	WAV	原始声学信号
处理后数据	-	经处理的信号
提取特征	CSV	特征值文件
标签	CSV	分类标签文件
图片	PNG	可视化图片
源代码	Python	故障诊断与机器学习代码

---

仓库目录结构

Raw_Audio/ # 原始音频文件 Processed_Data/ # 处理后数据 Features/ # 提取的特征 Labels/ # 标签文件 Python_Code/ # Python源代码 Documentation/ # 文档 Images/ # 图片

---

引用与许可

• 引用格式：Vijay Tiwari, Lalit Bansal. "Wind Turbine Blade Acoustic Dataset for Damage Detection", Version 1.0, 2026.
• 许可证：MIT License

搜集汇总

数据集介绍

构建方式

在风力发电领域，叶片作为核心部件其健康状况直接关乎机组运行安全与发电效率。该数据集基于实验室规模的水平轴风力发电机，通过PCB 130F20型麦克风以50 kHz采样频率采集2秒时长的声学信号，涵盖健康、裂纹、侵蚀、弯曲和波纹五种叶片状态。原始音频以WAV格式存储，经信号处理后生成特征CSV文件与标签CSV文件，同时配套Python源代码实现端到端故障诊断流程。

特点

该数据集的核心优势在于其多模态数据层次与标准化构建体系。从原始时域波形到工程化特征矩阵，每一级数据均经过严格质量管控，确保可复现性。五类叶片工况覆盖典型结构损伤模式，配合详尽的数据标注，为深度学习模型提供了丰富的有监督训练样本。此外，全开源的MIT许可协议与配套文档极大降低了学术复用门槛。

使用方法

研究人员可直接加载Raw_Audio目录下的WAV文件进行自定义信号分析，或利用Features目录中的预提取特征CSV快速构建分类模型。Python_Code文件夹提供完整的特征提取与模型训练脚本，可作为基准实验框架。结合Labels目录的标注信息，用户能轻松实现五类工况的监督学习任务，或基于Processed_Data开展迁移学习研究。

背景与挑战

背景概述

该数据集由Vellore Institute of Technology的Vijay Tiwari与Lalit Bansal于2026年创建，聚焦于风力涡轮机叶片损伤的声学诊断。风力涡轮机作为可再生能源核心装备，其叶片在长期运行中易出现裂纹、侵蚀、弯曲及波纹等损伤，传统检测手段依赖人工巡检或昂贵传感系统，效率与安全性受限。该数据集通过采集健康与五种损伤状态下的声学信号，系统提供原始音频、处理数据、特征及标签，旨在利用深度学习与信号处理技术实现非接触、低成本的故障诊断。其发布推动了声学检测在风电领域的标准化研究，为开发高效智能诊断模型奠定了数据基础。

当前挑战

数据集所解决的领域挑战在于，风力涡轮机叶片损伤模式多样且声学信号易受环境噪声干扰，传统特征提取方法难以鲁棒区分不同故障类型，亟需深度学习自动捕获细微声学特征。构建过程中面临多重难点：实验室尺度水平轴风机需模拟真实叶片损伤，但裂纹、侵蚀等缺陷的精确复现与声学特性验证极为困难；户外环境采集时，风噪、机械振动等背景噪声叠加于目标信号，导致信噪比控制与纯净样本分离成为瓶颈；此外，2秒短时录音需在50kHz高频采样下平衡数据量与损伤瞬态信息的捕获，对设备同步与重复性实验设计提出严苛要求。

常用场景

经典使用场景

风能作为可再生能源的重要支柱，其叶片在长期运行中易出现裂纹、腐蚀、弯曲及波纹状损伤，严重影响发电效率与安全性。该数据集采集自实验室级水平轴风力发电机叶片在不同状态下的声学信号，涵盖健康与五种典型损伤类型，为基于声学信号的故障诊断提供了标准化测试基准。研究者可利用50 kHz高采样率的原始音频，结合信号处理与深度学习技术，构建端到端的损伤分类与定位模型，服务于智能运维系统中的早期预警机制。

衍生相关工作

该数据集激发了多项衍生研究工作，包括基于卷积神经网络的声谱图分类方法、结合自注意力机制的时序损伤判别模型，以及利用数据增强策略解决类别不平衡问题的创新方案。研究者还基于该数据集对比了支持向量机、随机森林与深度特征提取方法在叶片故障诊断中的性能差异，并探索了跨工况的域自适应技术，为构建通用型风电叶片声学健康管理系统奠定了理论基础。

数据集最近研究

最新研究方向

该数据集聚焦于利用声学信号与深度学习技术实现风力发电机叶片损伤的智能检测，涵盖裂纹、侵蚀、弯曲、波纹等典型故障类型。当前前沿研究方向包括基于原始音频的端到端故障分类、时频域特征融合与轻量化神经网络的部署，以及针对风机叶片在复杂环境下的噪声鲁棒性分析。在“双碳”目标和全球风电装机容量持续攀升的背景下，叶片作为关键结构件的高效健康监测对降低运维成本、预防灾难性事故具有重要意义。该数据集的发布为声学故障诊断提供了标准化基准，推动了非接触式、低成本检测技术从实验室向现场应用的转化。