来自NGAFID的大规模标注多变量时间序列航空维修数据集
机器学习
2022-10-17 v1
摘要
本文呈现了用于预测部件故障与维修需求的最大公开、非仿真、全机队飞行记录与维修日志数据。我们呈现了跨越 28,935 次飞行的 31,177 小时飞行数据，这些数据相对于聚类为 36 类维修问题的 2,111 起非计划维修事件。飞行被标注为维修前或维修后，部分飞行发生在维修当日。收集数据以评估预测性维修系统颇具挑战，因为从受损飞机生成数据困难、危险且不道德。为克服此点，我们使用国家通用航空飞行信息数据库（NGAFID），其包含飞机常规运行期间记录的飞行与维修日志，以构建部件故障数据集。我们采用剩余使用寿命（RUL）预测的新颖 framing，并考虑部件 RUL 大于 2 天的概率。与先前在仿真或实验室环境中生成的数据集不同，NGAFID 航空维修数据集包含来自不同季节、天气条件、飞行员与飞行模式的真实飞行记录与维修日志。此外，我们提供 Python 代码以便轻松下载数据集，以及 Colab 环境以复现我们在三种不同模型上的基准。我们的数据集对机器学习研究者构成困难挑战，并为测试与开发 prognostics health management 方法提供宝贵机会。
引用
@article{arxiv.2210.07317,
title = {A Large-Scale Annotated Multivariate Time Series Aviation Maintenance Dataset from the NGAFID},
author = {Hong Yang and Travis Desell},
journal= {arXiv preprint arXiv:2210.07317},
year = {2022}
}