Acoustic Dataset for Crack of Drone Propeller (ADCP)

Acoustic Dataset for Crack of Drone Propeller (ADCP)是由韩国大学等机构创建的一个声学数据集，用于无人机螺旋桨裂缝的异常检测研究。该数据集包含了正常工作状态下的声学信号以及异常状态（裂缝）下的声学信号，通过改变麦克风与螺旋桨的角度和油门功率来区分。该数据集的构建为无人航空器维护应用提供了基础，有助于提高城市空中交通的安全性。

Acoustic Dataset for Crack of Drone Propeller (ADCP) is an acoustic dataset developed by institutions including universities in the Republic of Korea for anomaly detection research on drone propeller cracks. It contains acoustic signals collected under both normal operating conditions and abnormal (cracked) conditions, where the data acquisition is carried out by adjusting the angle between the microphone and the propeller as well as the throttle power to differentiate between different operating states. The construction of this dataset lays a foundation for unmanned aerial vehicle maintenance applications and helps improve the safety of urban air traffic.

搜集汇总

数据集介绍

构建方式

ADCP数据集的构建采用了无人机螺旋桨的声学信号，通过改变麦克风与螺旋桨的角度和油门功率，记录了正常运作的声音和异常声音（分为撕裂和断裂两种类型）。在数据预处理阶段，结合了快速傅里叶变换（FFT）和短时傅里叶变换（STFT）技术，以捕获全局频率模式和局部时频变化，从而提高异常检测的性能。

特点

ADCP数据集的特点在于其数据采集环境的控制性，确保了声音数据的质量和一致性。此外，数据集包含了多种变量，如麦克风角度和油门功率，这有助于模型学习不同条件下的螺旋桨声音特征。最后，数据集的构建为无人机螺旋桨裂纹的检测提供了可能，为未来城市空中交通（UAM）的维护应用奠定了基础。

使用方法

ADCP数据集的使用方法主要涉及数据预处理、模型训练和异常检测。首先，使用FFT和STFT对声音数据进行预处理，提取频率特征。然后，选择合适的异常检测模型，如自编码器（AutoEncoder），并使用正常数据对其进行训练。最后，通过计算输入数据和预测数据之间的重建误差，得到异常分数，并根据异常分数进行异常检测。

背景与挑战

背景概述

随着城市化进程的加快，城市空中交通(UAM)作为一种新型高效的交通解决方案，正逐渐兴起。然而，UAM的安全性和维护问题成为其商业化的关键挑战。本文介绍的Acoustic Dataset for Crack of Drone Propeller (ADCP)数据集，旨在通过无人机螺旋桨声音数据，实现UAM螺旋桨裂缝的非破坏性检测。该数据集由韩国大学和韩国空军学院的研究人员共同构建，通过记录正常和异常（撕裂和断裂）的螺旋桨声音，并使用快速傅里叶变换(FFT)和短时傅里叶变换(STFT)预处理技术，捕捉全局频率模式和局部时间-频率变化，从而提高异常检测性能。ADCP数据集为UAM的维护应用奠定了基础，对于确保UAM的安全性和提高维护效率具有重要意义。

当前挑战

ADCP数据集在UAM螺旋桨裂缝检测方面面临以下挑战：1)环境噪声的影响：实际操作环境中的噪声可能会降低检测性能，而ADCP数据集在控制环境中收集，未能完全反映这一复杂性。2)麦克风放置的影响：实验表明，麦克风放置的角度对检测精度有显著影响，这需要在动态环境中进行更多的测试。3)可扩展性：目前的实验主要集中在单个螺旋桨，而多螺旋桨系统需要更先进的传感器融合技术。4)不同类型的螺旋桨：电动螺旋桨和内燃机驱动的螺旋桨在声学特征上存在差异，需要定制化的预处理和阈值设置。为了应对这些挑战，未来的研究将探索噪声鲁棒性和领域适应技术，动态阈值适应方法，以及通过多麦克风阵列和高级数据融合策略来提高可扩展性。

常用场景

经典使用场景

ADCP数据集的经典应用场景是无人机螺旋桨裂纹的声学异常检测。该数据集记录了无人机螺旋桨在正常和异常（撕裂和断裂）状态下的声音数据，并利用快速傅里叶变换（FFT）和短时傅里叶变换（STFT）预处理技术来捕捉全局频率模式和局部时间-频率变化，从而提高异常检测的性能。通过训练人工智能模型来监测声学信号，可以识别出螺旋桨缺陷的细微变化，如裂纹。

解决学术问题

ADCP数据集解决了无人机螺旋桨裂纹的早期检测问题，这对于确保无人机安全至关重要。该数据集为无人机螺旋桨裂纹的声学异常检测提供了基础，并展示了声学异常检测在无人机螺旋桨裂纹检测中的应用潜力。此外，该数据集为无人机螺旋桨裂纹的声学异常检测提供了基础，并为未来城市空中交通（UAM）的维护应用奠定了基础。

衍生相关工作

ADCP数据集衍生了无人机螺旋桨裂纹的声学异常检测、城市空中交通（UAM）的维护应用和人工智能模型在无人机维护系统中的应用等方面的相关工作。例如，可以进一步研究无人机螺旋桨裂纹的声学异常检测的鲁棒性和泛化能力，以适应不同的环境和噪声条件。此外，还可以研究城市空中交通（UAM）的维护应用，以开发更加高效和安全的无人机维护系统。最后，还可以研究人工智能模型在无人机维护系统中的应用，以进一步提高无人机维护的自动化程度和效率。