旋转机械故障数据集选型指南一份覆盖全球20个开源数据源的全景清单【免费下载链接】Rotating-machine-fault-data-setOpen rotating mechanical fault datasets (开源旋转机械故障数据集整理)项目地址: https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set做旋转机械故障诊断的研究十个人里有九个会先卡在同一件事上——找不到靠谱的数据。要么论文里的数据集不公开要么公开了但格式混乱、标注不清要么下载链接早已失效。这正是很多人第一次打开本文要介绍的Rotating-machine-fault-data-set项目时的心情原来全球范围内值得用的轴承故障诊断数据集、齿轮箱振动数据集和预测性维护数据资源已经有人系统整理成了一份持续更新的清单。为什么搞故障诊断先要解决数据荒旋转机械电机、轴承、齿轮箱、转子是工厂里最常见的设备也是最容易出问题的一环。一个直观的对比采集正常运转的数据很容易但想拿到内圈裂纹 0.014 英寸这种标注精确的故障样本需要在实验室里人为制造损伤再在受控条件下反复试验而真实工业场景里的故障数据更是稀缺——等它真的坏一次损失往往已经发生。于是研究者普遍面临四道坎样本难获取故障不是想有就有采集周期长、成本高标注成本高需要专家逐段判定故障类型与严重程度费时费力工况差异大负载、转速、温度一变信号形态完全不同模型往往换台机器就失灵信号复杂振动信号非平稳、强噪声特征提取本身就有门槛。与其自己从零攒数据更务实的做法是先用标准化的公开数据集验证方法再迁移到自己的场景。这也是本项目的核心价值——它把散落在全球各个大学和研究机构的数据源按用途整理成一张清晰的地图。一张图看懂数据生态三类资源各司其职图1典型的轴承故障诊断实验台电机、轴承、扭矩传感器与测功机依次排布是CWRU等经典数据集的诞生环境项目目前收录了约 20 个数据源粗看是罗列细看其实暗含分层逻辑。按研究用途可以把它们分成三类数据类别代表数据集典型用途故障分类基准CWRU、MFPT、Paderborn、康涅狄格齿轮箱验证诊断算法、做模式识别寿命退化与预测XJTU-SY、FEMTO-ST、IMS剩余寿命预测、退化趋势建模特定场景应用东南大学齿轮箱、武汉大学转子、各类竞赛数据多工况、多通道、工业落地验证这样划分的好处是入门选第一类进阶做预测选第二类做工程化选第三类各取所需不会在数据海洋里迷路。故障分类类数据算法验证的试金石CWRU被引用最多的黄金基准美国凯斯西储大学轴承数据中心的数据是轴承故障诊断数据集里当之无愧的老大哥。它的实验条件设计得相当严谨用 2 马力电机做负载试验用电火花加工EDM在轴承内圈、滚动体、外圈上分别制造直径 0.007 至 0.040 英寸的故障再在 0 到 3 马力对应转速约 1797 到 1720 RPM的负载下采集振动信号。三个细节让它成为基准首选双采样率12 kHz 和 48 kHz 两档可选兼顾不同研究需求格式友好官方提供 .mat 格式MATLAB 开箱即用社区也有 Python 加载方案文献海量大量论文以其为基准新方法的表现可以直接和前人工作对照。它的人为故障特征明显诊断相对容易因此最适合当作方法的第一道检验关卡——算法如果连标准数据都跑不好也就别谈真实场景了。MFPT带着真实故障案例来的实用派如果觉得 CWRU 太干净MFPT美国机械故障预防技术学会的数据就更接地气。除了常规的 270 磅负载下正常、外圈故障、内圈故障数据外它最珍贵的是三个真实世界故障样本风电齿轮箱中间轴轴承、风电油泵轴轴承、以及真实的行星轮轴承故障。这些数据采样率从 48828 sps 到 97656 sps 不等结构里直接记录了载荷、轴转速等信息非常适合做从实验室到工业现场的迁移研究。Paderborn 与康涅狄格不同传感维度的补充德国帕德博恩大学的 Paderborn 数据集2014 年发布有一个独特卖点它同时采集电机电流信号和振动信号。由于变频器脉宽调制带来的噪声电流信号更接近工业现场的真实情况这让它成为研究不装振动传感器也能诊断这一方向的宝藏。美国康涅狄格大学唐炯教授团队分享的齿轮箱数据则瞄准另一类设备一个可换齿轮的两级齿轮箱人为设置了缺齿、齿根裂纹、点蚀、齿顶崩裂等 9 种状态采样率 20 kHz。想做齿轮箱振动数据集相关研究这是少见的故障类型齐全的选择。寿命退化类数据预测性维护的核心燃料分类只能回答坏没坏、坏在哪而工业界更关心的是还能撑多久。这就要靠预测性维护数据资源里最珍贵的全寿命周期数据了。XJTU-SY国产数据的标杆西安交通大学雷亚国课题组发布的 XJTU-SY 轴承数据集记录的是轴承从健康到完全失效的完整退化过程。实验对象为 LDK UER204 滚动轴承设计了三种工况35Hz/12kN、37.5Hz/11kN、40Hz/10kN每种工况测试 5 个轴承。基于这类数据做剩余使用寿命预测业界已有模型把平均误差控制在 8% 以内远优于传统的振动阈值预警。FEMTO-ST竞赛检验过的经典法国 FEMTO-ST 研究所的数据源自 IEEE PHM 2012 数据挑战赛专门面向旋转机械剩余寿命预测任务。实验在 1500-1800 rpm 转速、4-5 kN 载荷下加速轴承退化提供 6 组训练数据和 11 组测试数据同时包含振动与温度信号。因为是国际竞赛的官方数据不同方法的成绩可以直接横向对比公平性有保障。图2用于加速退化试验的精密台架集成电机、减速器、扭矩计、力传感器与加速度计FEMTO-ST、XJTU-SY 等退化数据由此产生IMS长期监测量产的样本美国辛辛那提大学李杰教授团队的 IMS 数据是在 4 个 Rexnord ZA-2115 双列轴承、2000 rpm 恒速、6000 磅弹簧加载的试验台上长期采集的。数据按 10 分钟间隔记录 1 秒振动快照20 kHz 采样20480 点单组实验可持续数周。三组数据分别对应内圈故障、外圈故障和滚动体故障的失效结局是研究早期退化征兆检测的好素材。从原始信号到可用特征预处理与特征工程怎么做拿到原始数据只是第一步想让算法读懂振动信号还得走完预处理和特征工程这两段路。去噪与分割是前提。振动信号里夹杂着工频干扰和随机噪声常见做法包括小波阈值去噪对非平稳信号效果好、经验模态分解自适应地把信号拆成不同尺度的分量、以及针对特定频率干扰的自适应滤波。信号分割则负责把长序列切成固定长度的样本供模型批量学习。特征提取决定天花板。业内常规套路是三层特征配合# 时域 频域 时频域 特征提取示例 import numpy as np def extract_features(signal): # 时域RMS 反映能量大小峭度/偏度刻画冲击特性 rms np.sqrt(np.mean(signal**2)) kurt np.mean((signal - signal.mean())**4) / (signal.std()**4) # 频域FFT 后找主频与故障特征频率 fft_spec np.abs(np.fft.fft(signal)) dominant_freq np.argmax(fft_spec) # 时频域小波/短时傅里叶捕捉瞬态冲击 # cwt_matrix cwt(signal, wavelet, widths) return rms, kurt, dominant_freq数据增强缓解稀缺。故障样本少是常态可以通过时间拉伸/压缩±10%、叠加高斯噪声信噪比 20-40 dB、幅度缩放±20%等方式扩充样本频域上做频率偏移模拟转速波动、谐波增强突出故障特征频率也能提升模型的泛化能力。评估方法如何公平地证明我的算法更好数据集选得再对评估不严谨照样会被审稿人挑刺。建议统一口径分类任务看准确率、精确率、召回率、F1 分数四个指标缺一不可回归/预测任务用均方误差、平均绝对误差、决定系数 R² 来衡量交叉验证要讲究分层按负载和转速工况分层采样或按设备划分训练集与测试集检验模型在不同设备间的泛化能力。另外强烈建议在研究中使用数据集时遵循版权方的引用要求用规范格式标注数据来源如 BibTeX 条目这不仅是对数据提供者的尊重也是论文可复现性的基本保障。把数据用起来从竞赛数据看真实落地场景项目里还收录了一些工业竞赛数据它们最能说明真实场景长什么样。比如电机异音检测竞赛的背景电机生产线上长期靠人工听音分辨良品与次品工人易疲劳、易误判个别不良品混入整批产品会给工厂带来严重经济损失。竞赛要求参赛者基于加速度传感器采集的振动信号设计智能质检算法在故障电机零漏检召回率 100%的前提下尽量提高准确率。这正是轴承故障诊断数据集和机器学习方法在产线上最典型的落地形态。图3电机生产质检场景示意——用振动信号智能算法替代人工听音是旋转机械故障数据集最直接的工业应用同样被收录的还有第三届工业大数据创新竞赛的旋转机械数据多台压缩机、汽轮机的转子部件脱落数据需获得版权方授权以及加拿大渥太华大学的变速工况轴承数据36 个数据集、200 kHz 高采样率、含转速编码器通道后者尤其适合研究变转速工况下的诊断这一难题。给新手的四条入门建议从 CWRU 起步。先跑通分类流程理解内圈、外圈、滚动体故障的信号差异再对比 12 kHz 和 48 kHz 两种采样率的取舍。用 Paderborn 或 MFPT 进阶。感受电流信号诊断、真实故障样本带来的不理想感这更接近工业现实。做寿命预测就上 XJTU-SY 或 FEMTO-ST。从分类切换到预测思维方式完全不同。多看项目文档。每个数据源都有单独说明页doc/目录包含试验条件、参数表、代表性论文先读文档再下数据能少走很多弯路。结语数据是诊断研究的起点而非终点旋转机械故障数据集的价值在于它把看不见的故障变成了可计算的问题。这个开源项目所做的是把散落全球的资源汇成一份可持续更新的清单让新手有路可循让老手有据可查。建议收藏这份清单按自己的研究方向对号入座做分类验证选 CWRU做真实场景选 MFPT做寿命预测选 XJTU-SY 与 FEMTO-ST做多工况泛化看渥太华和东南大学的数据。拿到数据后别忘了从预处理和特征工程做起用规范的评估指标证明方法的价值——毕竟数据只是起点真正解决问题的是你在此基础上建立的诊断能力。【免费下载链接】Rotating-machine-fault-data-setOpen rotating mechanical fault datasets (开源旋转机械故障数据集整理)项目地址: https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考 旋转机械故障数据集选型指南：一份覆盖全球20个开源数据源的全景清单
旋转机械故障数据集选型指南一份覆盖全球20个开源数据源的全景清单【免费下载链接】Rotating-machine-fault-data-setOpen rotating mechanical fault datasets (开源旋转机械故障数据集整理)项目地址: https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set做旋转机械故障诊断的研究十个人里有九个会先卡在同一件事上——找不到靠谱的数据。要么论文里的数据集不公开要么公开了但格式混乱、标注不清要么下载链接早已失效。这正是很多人第一次打开本文要介绍的Rotating-machine-fault-data-set项目时的心情原来全球范围内值得用的轴承故障诊断数据集、齿轮箱振动数据集和预测性维护数据资源已经有人系统整理成了一份持续更新的清单。为什么搞故障诊断先要解决数据荒旋转机械电机、轴承、齿轮箱、转子是工厂里最常见的设备也是最容易出问题的一环。一个直观的对比采集正常运转的数据很容易但想拿到内圈裂纹 0.014 英寸这种标注精确的故障样本需要在实验室里人为制造损伤再在受控条件下反复试验而真实工业场景里的故障数据更是稀缺——等它真的坏一次损失往往已经发生。于是研究者普遍面临四道坎样本难获取故障不是想有就有采集周期长、成本高标注成本高需要专家逐段判定故障类型与严重程度费时费力工况差异大负载、转速、温度一变信号形态完全不同模型往往换台机器就失灵信号复杂振动信号非平稳、强噪声特征提取本身就有门槛。与其自己从零攒数据更务实的做法是先用标准化的公开数据集验证方法再迁移到自己的场景。这也是本项目的核心价值——它把散落在全球各个大学和研究机构的数据源按用途整理成一张清晰的地图。一张图看懂数据生态三类资源各司其职图1典型的轴承故障诊断实验台电机、轴承、扭矩传感器与测功机依次排布是CWRU等经典数据集的诞生环境项目目前收录了约 20 个数据源粗看是罗列细看其实暗含分层逻辑。按研究用途可以把它们分成三类数据类别代表数据集典型用途故障分类基准CWRU、MFPT、Paderborn、康涅狄格齿轮箱验证诊断算法、做模式识别寿命退化与预测XJTU-SY、FEMTO-ST、IMS剩余寿命预测、退化趋势建模特定场景应用东南大学齿轮箱、武汉大学转子、各类竞赛数据多工况、多通道、工业落地验证这样划分的好处是入门选第一类进阶做预测选第二类做工程化选第三类各取所需不会在数据海洋里迷路。故障分类类数据算法验证的试金石CWRU被引用最多的黄金基准美国凯斯西储大学轴承数据中心的数据是轴承故障诊断数据集里当之无愧的老大哥。它的实验条件设计得相当严谨用 2 马力电机做负载试验用电火花加工EDM在轴承内圈、滚动体、外圈上分别制造直径 0.007 至 0.040 英寸的故障再在 0 到 3 马力对应转速约 1797 到 1720 RPM的负载下采集振动信号。三个细节让它成为基准首选双采样率12 kHz 和 48 kHz 两档可选兼顾不同研究需求格式友好官方提供 .mat 格式MATLAB 开箱即用社区也有 Python 加载方案文献海量大量论文以其为基准新方法的表现可以直接和前人工作对照。它的人为故障特征明显诊断相对容易因此最适合当作方法的第一道检验关卡——算法如果连标准数据都跑不好也就别谈真实场景了。MFPT带着真实故障案例来的实用派如果觉得 CWRU 太干净MFPT美国机械故障预防技术学会的数据就更接地气。除了常规的 270 磅负载下正常、外圈故障、内圈故障数据外它最珍贵的是三个真实世界故障样本风电齿轮箱中间轴轴承、风电油泵轴轴承、以及真实的行星轮轴承故障。这些数据采样率从 48828 sps 到 97656 sps 不等结构里直接记录了载荷、轴转速等信息非常适合做从实验室到工业现场的迁移研究。Paderborn 与康涅狄格不同传感维度的补充德国帕德博恩大学的 Paderborn 数据集2014 年发布有一个独特卖点它同时采集电机电流信号和振动信号。由于变频器脉宽调制带来的噪声电流信号更接近工业现场的真实情况这让它成为研究不装振动传感器也能诊断这一方向的宝藏。美国康涅狄格大学唐炯教授团队分享的齿轮箱数据则瞄准另一类设备一个可换齿轮的两级齿轮箱人为设置了缺齿、齿根裂纹、点蚀、齿顶崩裂等 9 种状态采样率 20 kHz。想做齿轮箱振动数据集相关研究这是少见的故障类型齐全的选择。寿命退化类数据预测性维护的核心燃料分类只能回答坏没坏、坏在哪而工业界更关心的是还能撑多久。这就要靠预测性维护数据资源里最珍贵的全寿命周期数据了。XJTU-SY国产数据的标杆西安交通大学雷亚国课题组发布的 XJTU-SY 轴承数据集记录的是轴承从健康到完全失效的完整退化过程。实验对象为 LDK UER204 滚动轴承设计了三种工况35Hz/12kN、37.5Hz/11kN、40Hz/10kN每种工况测试 5 个轴承。基于这类数据做剩余使用寿命预测业界已有模型把平均误差控制在 8% 以内远优于传统的振动阈值预警。FEMTO-ST竞赛检验过的经典法国 FEMTO-ST 研究所的数据源自 IEEE PHM 2012 数据挑战赛专门面向旋转机械剩余寿命预测任务。实验在 1500-1800 rpm 转速、4-5 kN 载荷下加速轴承退化提供 6 组训练数据和 11 组测试数据同时包含振动与温度信号。因为是国际竞赛的官方数据不同方法的成绩可以直接横向对比公平性有保障。图2用于加速退化试验的精密台架集成电机、减速器、扭矩计、力传感器与加速度计FEMTO-ST、XJTU-SY 等退化数据由此产生IMS长期监测量产的样本美国辛辛那提大学李杰教授团队的 IMS 数据是在 4 个 Rexnord ZA-2115 双列轴承、2000 rpm 恒速、6000 磅弹簧加载的试验台上长期采集的。数据按 10 分钟间隔记录 1 秒振动快照20 kHz 采样20480 点单组实验可持续数周。三组数据分别对应内圈故障、外圈故障和滚动体故障的失效结局是研究早期退化征兆检测的好素材。从原始信号到可用特征预处理与特征工程怎么做拿到原始数据只是第一步想让算法读懂振动信号还得走完预处理和特征工程这两段路。去噪与分割是前提。振动信号里夹杂着工频干扰和随机噪声常见做法包括小波阈值去噪对非平稳信号效果好、经验模态分解自适应地把信号拆成不同尺度的分量、以及针对特定频率干扰的自适应滤波。信号分割则负责把长序列切成固定长度的样本供模型批量学习。特征提取决定天花板。业内常规套路是三层特征配合# 时域 频域 时频域 特征提取示例 import numpy as np def extract_features(signal): # 时域RMS 反映能量大小峭度/偏度刻画冲击特性 rms np.sqrt(np.mean(signal**2)) kurt np.mean((signal - signal.mean())**4) / (signal.std()**4) # 频域FFT 后找主频与故障特征频率 fft_spec np.abs(np.fft.fft(signal)) dominant_freq np.argmax(fft_spec) # 时频域小波/短时傅里叶捕捉瞬态冲击 # cwt_matrix cwt(signal, wavelet, widths) return rms, kurt, dominant_freq数据增强缓解稀缺。故障样本少是常态可以通过时间拉伸/压缩±10%、叠加高斯噪声信噪比 20-40 dB、幅度缩放±20%等方式扩充样本频域上做频率偏移模拟转速波动、谐波增强突出故障特征频率也能提升模型的泛化能力。评估方法如何公平地证明我的算法更好数据集选得再对评估不严谨照样会被审稿人挑刺。建议统一口径分类任务看准确率、精确率、召回率、F1 分数四个指标缺一不可回归/预测任务用均方误差、平均绝对误差、决定系数 R² 来衡量交叉验证要讲究分层按负载和转速工况分层采样或按设备划分训练集与测试集检验模型在不同设备间的泛化能力。另外强烈建议在研究中使用数据集时遵循版权方的引用要求用规范格式标注数据来源如 BibTeX 条目这不仅是对数据提供者的尊重也是论文可复现性的基本保障。把数据用起来从竞赛数据看真实落地场景项目里还收录了一些工业竞赛数据它们最能说明真实场景长什么样。比如电机异音检测竞赛的背景电机生产线上长期靠人工听音分辨良品与次品工人易疲劳、易误判个别不良品混入整批产品会给工厂带来严重经济损失。竞赛要求参赛者基于加速度传感器采集的振动信号设计智能质检算法在故障电机零漏检召回率 100%的前提下尽量提高准确率。这正是轴承故障诊断数据集和机器学习方法在产线上最典型的落地形态。图3电机生产质检场景示意——用振动信号智能算法替代人工听音是旋转机械故障数据集最直接的工业应用同样被收录的还有第三届工业大数据创新竞赛的旋转机械数据多台压缩机、汽轮机的转子部件脱落数据需获得版权方授权以及加拿大渥太华大学的变速工况轴承数据36 个数据集、200 kHz 高采样率、含转速编码器通道后者尤其适合研究变转速工况下的诊断这一难题。给新手的四条入门建议从 CWRU 起步。先跑通分类流程理解内圈、外圈、滚动体故障的信号差异再对比 12 kHz 和 48 kHz 两种采样率的取舍。用 Paderborn 或 MFPT 进阶。感受电流信号诊断、真实故障样本带来的不理想感这更接近工业现实。做寿命预测就上 XJTU-SY 或 FEMTO-ST。从分类切换到预测思维方式完全不同。多看项目文档。每个数据源都有单独说明页doc/目录包含试验条件、参数表、代表性论文先读文档再下数据能少走很多弯路。结语数据是诊断研究的起点而非终点旋转机械故障数据集的价值在于它把看不见的故障变成了可计算的问题。这个开源项目所做的是把散落全球的资源汇成一份可持续更新的清单让新手有路可循让老手有据可查。建议收藏这份清单按自己的研究方向对号入座做分类验证选 CWRU做真实场景选 MFPT做寿命预测选 XJTU-SY 与 FEMTO-ST做多工况泛化看渥太华和东南大学的数据。拿到数据后别忘了从预处理和特征工程做起用规范的评估指标证明方法的价值——毕竟数据只是起点真正解决问题的是你在此基础上建立的诊断能力。【免费下载链接】Rotating-machine-fault-data-setOpen rotating mechanical fault datasets (开源旋转机械故障数据集整理)项目地址: https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考