旋转叶片系统中裂纹分析与检测的振动数据集

《Data》：Vibration Dataset for Crack Analysis and Detection in a Rotating Bladed System

　　

该研究展示了从以恒定转速240 rpm运行的旋转叶片系统的三个叶片展向轴获取的调理和归一化振动信号数据集。调理数据集是通过安装在叶片根部的压电加速度计获得的。加速度计输出信号经专用数据采集系统调理并记录。信号在健康和有损条件下均被采集。首先，在所有三个叶片处于健康状态时记录基线振动信号。随后，在叶片展向的三个不同位置（根部、中部和尖部区域）人为引入裂纹。每个裂纹位置分别在三个叶片上独立评估，从而生成一个包含健康运行状态及所有叶片-损伤位置组合的综合数据集。该数据集能够分析系统的振动响应以及动态信息向叶片根部的传播，具体取决于裂纹区域。其主要贡献在于为基于振动的诊断和结构健康监测技术的开发、验证和基准测试提供可靠的实验数据。此外，该数据集可作为推进早期裂纹检测策略并提高旋转工业设备（如风扇、压缩机、涡轮机和风力发电机）叶片可靠性的宝贵资源。数据集：本研究中呈现的数据可在Mendeley数据公开获取，网址为https://data.mendeley.com/datasets/9m4rk6b4r8/2（于2026年8月5日访问）。数据集许可证：CC BY 4.0。

**旋转叶片系统裂纹分析与检测的振动数据集解读**

**研究背景**
在现代制造和能源系统中，带有叶片的旋转工业设备（如风扇、压缩机、涡轮机和风力发电机）扮演着基础性角色。这些叶片通常具有类似悬臂梁的结构特征，一端固定于根部，另一端自由，使其在运行过程中极易受振动诱导应力、疲劳和裂纹萌生影响。叶片裂纹是风扇中最常见且反复出现的损伤类型之一，可能沿叶片截面不同位置发生，导致断裂、剪切失效、有害振动及其他部件加速磨损。裂纹的存在会显著改变叶片的动态行为，引起固有频率、模态振型和振动响应的变化，从而威胁效率、安全性和可靠性。因此，对该类部件的裂纹进行监测、检测和精确定位已成为预测性维护和结构健康监测（Structural Health Monitoring, SHM）中的关键任务。

**研究问题与必要性**
现有研究已发展多种方法探究裂纹对旋转叶片动态行为的影响，例如通过离散数学模型分析裂纹位置与深度的关系，或结合有限元分析（FEA）和断裂力学的数值模拟。然而，旋转叶片动力学的复杂性、运行噪声及变化的边界条件使得精确裂纹识别极具挑战性。尽管已有研究整合人工智能（AI）技术进行状态监测，但现有数据集存在局限，如裂纹仅局限于单一位置且始终在同一叶片上引入，限制了不同裂纹位置和叶片间变异性的表征。特别是，裂纹沿叶片展向的位置强烈影响动态响应，因此急需鲁棒的实验数据以提高诊断精度。为此，在叶片根部采集振动信号的数据集尤为宝贵，因为该区域是结构振动的主要传递路径，也是应力集中最关键的部位之一。收集不同位置裂纹叶片的振动数据，有助于建立可靠的损伤模式，并支持基于信号处理、模态分析和AI技术的先进诊断方法开发。

**研究内容与结论**
本研究提供了公开可用的调理和归一化数据集，模拟工业风扇旋转叶片不同区域的裂纹失效条件。研究人员在健康及有损运行条件下测量振动信号，健康子集包含所有三个叶片完好时的基线展向振动信号，有损子集则包含在叶片展向三个预设位置（根部、中部和尖部）引入受控结构裂纹后获得的振动信号。每个损伤位置在三片叶片上独立评估，共生成10个实验工况，涵盖健康状态及所有单个叶片-损伤位置组合。数据集包含调理和归一化两个版本，共76,800个文件，每个工况7,680个文件，每个文件包含500个采样点（0.5秒）。主要创新在于直接在每个叶片根部捕获实时振动信号，减少了广泛仪器化的需求，为基于振动的诊断和SHM技术的开发、验证和基准测试提供了可靠实验数据。该数据集有助于推进早期裂纹检测策略，并提升带有叶片的旋转工业设备（如风扇、压缩机、涡轮机和风力发电机）的可靠性。论文发表在《Data》。

**重要意义**
该数据集为振动信号与裂纹存在之间的关系提供了综合实验资源，可用于结构健康监测、故障诊断、损伤定位及机器学习应用。通过基准分析，基于K近邻（K-Nearest Neighbors, KNN）分类器在归一化数据集上实现了99.86%的总体分类准确率，证明了振动信号包含足够区分健康与裂纹运行状态的判别信息。

**关键技术方法**
研究人员使用三个TE Connectivity 830M1-500三轴压电加速度计，安装在每片叶片的根部，通过AD620仪表放大器进行信号调理，再经MCC 118 DAQ HAT和Raspberry Pi 4B+进行数据采集。转子转速为240 rpm，采样率1 kHz，每段记录0.5秒（500个样本）。数据集包括调理信号和通过绝对最大缩放法归一化的信号。裂纹通过人为切口（厚1 mm，深12 mm）模拟，分别位于叶片根部、中部和尖部。实验在风扇试验台上进行，使用ASTM A36钢制简化叶片（长650 mm，宽38 mm，厚3 mm，质量650 g）。静态平衡程序用于减少转子质量不平衡。共10个实验工况，每个工况7,680个文件。

**研究结果**

**1. Summary**
通过回顾现有文献，研究人员指出旋转叶片裂纹监测的挑战，并强调在叶片根部采集多位置裂纹振动数据的必要性。本研究提供了包含健康及三种裂纹位置（根部、中部、尖部）的综合数据集，覆盖所有叶片-损伤组合，为开发基于振动和AI的诊断方法奠定基础。

**2. Data Description**
该部分描述了数据集的结构和内容。调理数据集包含76,800个文件，每个文件三列（对应三个叶片的电压幅值），每列500个样本。归一化数据集通过绝对最大缩放法对每个0.5秒段独立归一化，使数据范围在(-1, 1)之间。10个工况文件夹分别对应健康状态及每个叶片在三个位置裂纹的情况。通过时间序列图和频谱图示例，展示了不同工况下的信号特征，包括旋转谐波（4 Hz基频及其倍数）、叶片通过频率（12 Hz）和前三阶弯曲模态（约10-14 Hz、60-90 Hz、170-250 Hz）。裂纹条件下可观察到第一阶弯曲固有频率降低、共振附近振幅增加及边带现象。

**3. Experimental Design, Materials and Methods**
3.1 实验设置：风扇试验台由混凝土基座、3 HP交流电机、变频驱动器、轮毂、安装盘和三片简化叶片组成。数据采集系统包括三个加速度计、三个AD620仪表放大器模块、一个MCC 118 DAQ HAT和Raspberry Pi 4B+。加速度计安装在叶片根部，使用环氧树脂固定，电缆沿叶片表面布设并固定。
3.2 实验步骤：首先进行静态平衡，使用三片完好叶片（UC1、UC2、UC3）分别固定在轮毂位置P1、P2、P3。随后依次用裂纹叶片（TC、MC、RC）替换其中一片，保持其他两片完好。每个工况采集7,680个文件。采样频率1 kHz，每段0.5秒，对应约两个转子旋转周期。频谱分析证实了旋转谐波和结构模态的存在。
3.3 基准分析：使用TSFresh库提取时域统计特征，训练决策树（DT）、支持向量机（SVM）、KNN和多层感知机（MLP）分类器。KNN模型表现最佳，总体准确率99.86%，精确率99.87%，召回率99.877%，F1分数99.87%。该基准为后续研究提供了可复现的基线。

**4. User Notes**
讨论部分指出，当前数据集仅包含裂纹损伤，未涉及疲劳、腐蚀等其他损伤类型；人为切口代表受控损伤，而非自然扩展的疲劳裂纹，因此未研究裂纹宽度、深度、方向等影响。未来工作将纳入更多因素。数据集在实验室条件下开发，不直接适用于全尺寸风力涡轮机叶片，但可作为初步基准，待后续在真实运行条件下验证。

**研究结论翻译**
本研究的主要贡献在于提供了公开可用的调理和归一化振动信号数据集，模拟工业风扇旋转叶片不同区域的裂纹失效条件。该数据集涵盖健康状态及所有单个叶片-损伤位置组合，可用于基于振动的诊断和结构健康监测技术的开发、验证和基准测试。此外，数据集作为宝贵资源，有助于推进早期裂纹检测策略并提升旋转工业设备的可靠性。本工作的目标并非再现全尺寸风力涡轮机的动态行为，而是为基于振动的结构健康监测方法学的发展与评估提供可靠的实验基准。