OpenDeckSMR涡轮风扇健康监测数据集

该数据集由法国SystemX技术研究所联合赛峰科技开发，聚焦航空发动机健康监测领域，包含500条涡轮风扇发动机退化轨迹数据，每条轨迹最多含2000个时间步的10维健康指标和7维传感器测量值。数据通过OpenDeckSMR热力学模拟器生成，创新性地引入了三种退化速率、随机维护事件及四种飞行工况（巡航/起飞/爬升），并添加了符合真实场景的边界噪声。该数据集旨在解决稀疏传感器条件下发动机部件健康状态反演的病态逆问题，为数据驱动模型、贝叶斯滤波及自监督学习算法提供基准测试平台。

This dataset was jointly developed by the French SystemX Institute and Safran Technology, focusing on the field of aero-engine health monitoring. It contains 500 turbofan engine degradation trajectory datasets, where each trajectory includes up to 2000 time steps of 10-dimensional health indicators and 7-dimensional sensor measurements. The data was generated using the OpenDeckSMR thermodynamic simulator, and innovatively introduces three degradation rates, random maintenance events, four flight conditions (cruise, takeoff, climb) as well as boundary noise that conforms to real-world scenarios. This dataset aims to solve the ill-posed inverse problem of aero-engine component health state inversion under sparse sensor conditions, providing a benchmark test platform for data-driven models, Bayesian filtering and self-supervised learning algorithms.

搜集汇总

数据集介绍

构建方式

在航空发动机健康监测领域，构建具有工业级复杂性的数据集对于算法验证至关重要。OpenDeckSMR涡轮风扇健康监测数据集基于OpenDeckSMR稳态涡扇性能模型生成，该模型严格遵循工业发动机仿真实践，通过求解各发动机组件的热力学平衡方程来模拟传感器读数。数据生成过程模拟了真实的退化轨迹，考虑了不同组件特有的退化模式、三种退化速度的概率分布与动态转换，并引入了随机发生的维护事件，使发动机健康状态得以部分恢复。每个轨迹包含长达2000个时间步，覆盖巡航、起飞、爬升等多种飞行工况，传感器测量值还叠加了有界噪声以逼近真实环境。

特点

该数据集的核心特点在于其高度的工业真实性与复杂性。它不仅提供了十个具有明确物理意义的组件级健康指标作为真实标签，还嵌入了异构的退化动态、随机的维护干预以及多变的运行工况，这些要素共同构成了一个贴近实际运维场景的仿真环境。与以往仅模拟单一故障或快速退化的数据集相比，本数据集通过模拟组件间不同的退化速度、概率性速度转换以及维护后的状态恢复，更全面地刻画了发动机全生命周期的健康演化过程。此外，数据集规模可观，包含超过500条退化轨迹，为数据驱动模型学习复杂的时空依赖关系提供了充分样本。

使用方法

该数据集为评估和比较涡扇发动机健康估计算法提供了标准化的基准平台。研究人员可将其用于监督学习任务，直接基于稀疏的传感器测量序列预测十个组件健康指标；也可用于自监督学习，探索在缺乏真实健康标签条件下从传感器数据中学习有效表征的方法。数据集支持对稳态模型、非平稳时序模型、贝叶斯滤波以及自监督表征学习等多种方法范式的性能对比。在使用时，建议遵循论文中的实验设置，将轨迹按序列划分为训练、验证和测试集，并采用五折交叉验证以确保评估的稳健性。数据集适用于研究健康估计这一病态逆问题的可解性极限，以及探索融合物理知识与数据驱动的混合推理策略。

背景与挑战

背景概述

航空发动机健康监测是保障飞行安全与实现预测性维护的核心技术，涡轮风扇发动机作为现代航空动力的关键组成部分，其健康状态的精确估计长期面临传感器稀疏与热力学非线性的双重制约。传统方法如气体路径分析或卡尔曼滤波虽具备物理可解释性，却受限于先验假设的准确性；而纯数据驱动方法虽能学习复杂表征，却常因缺乏足量真实时序数据而难以捕捉领域特有的退化机制。在此背景下，由法国SystemX研究所、巴黎综合理工学院及赛峰科技的研究团队于2026年联合创建的OpenDeckSMR涡轮风扇健康监测数据集应运而生，该数据集依托OpenDeckSMR高保真热力学仿真器，生成了涵盖多种退化速度、维护事件及飞行工况的合成时序数据，旨在为发动机健康估计这一病态逆问题提供具有工业复杂性的基准测试平台，推动数据驱动与物理模型融合的研究范式。

当前挑战

该数据集致力于解决涡轮风扇发动机健康估计这一典型逆问题，其核心挑战在于从稀疏传感器观测中反演组件级健康指标，这本质上是一个欠定且病态的问题：多个不同的健康状态可能映射至近乎相同的传感器读数。具体挑战体现在两方面：其一，领域问题层面，发动机内部热力学过程高度非线性，且低压涡轮等组件因处于气流末端，其健康状态的可观测性较弱，导致传统方法在部分指标上估计精度显著下降；其二，数据构建层面，为贴近工业实际，数据集需模拟真实的退化动态与维护干预，这要求生成算法能协调多种退化速度的概率分布、维护事件的随机恢复系数以及不同飞行工况下的传感器响应，同时确保生成轨迹的物理一致性与统计多样性，以克服现有公开数据在退化模式真实性与基准可复现性上的不足。

常用场景

经典使用场景

在航空发动机健康管理领域，OpenDeckSMR涡轮风扇健康监测数据集为研究稀疏传感器条件下的部件级健康状态反演问题提供了基准平台。该数据集最经典的使用场景是评估和比较不同机器学习模型在复杂退化模式下的性能，包括稳态模型、非平稳时序模型、贝叶斯滤波以及自监督学习方法。研究者通过该数据集能够系统分析模型在包含维护事件、多工况变化及异质退化速度的真实场景中，从部分观测数据恢复十个核心健康指标的能力，从而为算法设计提供实证依据。

解决学术问题

该数据集有效解决了涡轮发动机健康监测领域长期存在的若干学术难题。首先，它通过提供包含真实维护干预和退化动力学的合成数据，克服了传统数据集如NASA C-MAPSS中退化模式单一、缺乏维护事件的局限性，使得算法评估更贴近工程实际。其次，数据集提供了可验证的真实健康指标标签，为研究病态反演问题中的可观测性分析、模型不确定性量化以及时序信息利用等基础问题创造了条件。其意义在于为社区建立了一个可复现、可比较的基准，推动了健康估计方法从理想化假设向现实约束下的稳健推理演进。

衍生相关工作

围绕OpenDeckSMR数据集，已衍生出一系列经典的对比研究与算法改进工作。原始论文中建立的基准比较了梯度提升机、多层感知机、门控循环单元、无迹卡尔曼滤波以及自编码器和视频JEPA等自监督架构，为后续研究奠定了性能基线。这些工作揭示了传统滤波方法在部分指标上的优势，以及自监督方法在无标签场景下捕获数据全局结构的能力与局限。受此启发，后续研究可聚焦于开发融合物理模型与数据驱动的混合方法，或探索更具可解释性的健康状态嵌入表示，以进一步提升在复杂退化动力学下的估计精度与可靠性。