旋转机械故障数据集使用指南从选数据到跑通轴承故障诊断模型的完整攻略【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深夜的电机生产车间里质检员老张戴着耳机逐台贴近运转中的电机靠听判断有没有异响。一天下来几百台电机耳朵发麻、判断飘忽偶尔漏掉一台次品混进整批成品带来的是一整条产线的返工和客户投诉。这是很多工厂的真实写照——工业设备健康监测这件事缺的往往不是算法而是一份靠谱的训练数据。如果你正在研究轴承故障诊断、齿轮箱振动信号分析或者想尝试预测性维护和剩余使用寿命预测多半会遇到同样的困境真实故障样本极其稀缺专家标注又贵又慢不同负载、转速下的工况千差万别。好消息是有人已经把这些难题系统性解决了一遍——「Rotating-machine-fault-data-set」这个开源项目把散落在全球各研究机构的旋转机械故障数据集汇总到了一处还配了详细的中文说明文档堪称故障诊断领域的数据集超市。下面这份指南会带你从零认识这个项目先搞懂振动信号为什么能看病再看清仓库里躺着哪3类数据资源最后沿着预处理→特征提取→模型评估的完整链路把一套可用的故障诊断模型真正跑起来。一、先搞懂振动信号为什么是设备的心电图在进入数据集之前先建立一个基本直觉。任何旋转机械——电机、风机、泵、齿轮箱——运转时都会产生振动。健康的设备振动波形平稳规律一旦轴承出现点蚀、裂纹、磨损或者齿轮缺齿、齿根开裂每一次滚动体碾过损伤部位都会在振动信号里留下一个规律性的脉冲。这些脉冲出现的频率、强度和位置恰恰对应着不同的故障类型和损伤部位。把振动信号比作设备的心电图再合适不过医生看心电图判断心脏是否健康工程师则靠分析振动信号判断机器哪里出了问题。数据采集用的加速度传感器就是贴在设备上的听诊器而记录下来的那一段段波形就是诊断疾病的基础素材。问题在于心电图有海量公开数据可查旋转机械的病历却很难得。这正是本项目存在的意义——它把这些病历从各个实验室里挖出来、整理好、配上说明让研究者不用重复造轮子。二、仓库里躺着什么3类数据资源一次看清打开项目目录你会发现每个数据集都配了一份独立的说明文档放在doc/文件夹下涵盖实验台构成、工况参数、数据格式和使用情况。按用途可以粗略分成3类分别对应故障诊断研究的三种典型需求。第一类故障分类的标准答案——基准数据集这类数据适合用来训练和检验故障分类模型特征是故障类型明确、标注清晰、被论文反复引用相当于诊断教科书里的标准病例。CWRU凯斯西储大学堪称轴承故障诊断界的黄金标准几乎所有入门研究都会先拿它练手。实验在2马力电机上进行用电火花加工在轴承的内圈、外圈和滚动体上人为制造直径0.007~0.040英寸的故障采样频率有12kHz和48kHz两档负载从0到3马力连续可调。官方提供MATLAB格式数据用起来非常顺手。MFPT机械故障预防技术学会除了实验室台架数据还额外包含3个真实工业案例——风电中间轴轴承、油泵轴轴承和行星轴承的故障数据采样率最高接近98kHz是连接实验室研究与工业现实的桥梁。Paderborn帕德博恩大学德国团队2014年搭建的测试台亮点在于同时提供了健康、人工损伤和自然退化三类轴承样本采样率64kHz还同步采集了电机电流信号支持电流法诊断研究。第二类记录从健康到报废的退化数据集这类数据回答的是另一个问题设备什么时候会坏——也就是剩余使用寿命预测。它们的共同特征是把轴承一直跑报废完整记录整个退化过程。XJTU-SY西安交通大学雷亚国课题组发布的轴承加速退化数据25.6kHz采样设计了3种工况如40Hz转速配10kN径向力每种工况测5个轴承直到失效覆盖了从正常运行到完全报废的全寿命周期。FEMTO-ST法国来自IEEE PHM 2012数据挑战赛在加速退化实验台上以1500~1800rpm转速、4~5kN载荷跑完多组轴承寿命实验同时提供振动和温度信号是寿命预测领域论文的高频引用数据。IMS辛辛那提大学李杰教授团队在2003~2004年间完成的三组测试到失效实验20kHz采样每组实验持续数周到一个月每10分钟记录一次1秒长的振动快照最终分别在内圈、滚动体和外圈发生了真实故障。第三类贴近真实工况的齿轮箱与电机数据如果研究对象不是轴承而是齿轮箱或者你想挑战更贴近生产线的场景第三类数据能派上用场。康涅狄格大学齿轮数据两级齿轮箱实验台20kHz采样人为设置了9种齿轮状态——健康、缺齿、齿根裂纹、剥落以及5个等级的齿顶碎裂非常适合齿轮故障的分类与严重程度评估。东南大学齿轮箱数据基于传动系统动态模拟器DDS采集同时包含轴承和齿轮两个子集每个文件有8行信号覆盖电机振动、行星齿轮箱三轴振动、电机扭矩和平行齿轮箱三轴振动支持多通道融合研究。电机振动数据源自工业大数据竞赛针对电机生产线人工听音质检效率低、易疲劳误判的痛点要求参赛者用振动信号设计智能检验算法数据来自真实生产环境工况更接地气。三、按需取用一张决策表帮你选对数据集面对这么多选择新手最容易陷入哪个都想试的纠结。其实决策路径很简单先明确你的研究目标再对照下表选数据。你的研究目标首选数据集为什么选它入门故障分类、验证算法CWRU标注清晰、论文参考多、公认基准检验模型在真实场景的表现MFPT含风电等真实工业故障案例自然退化与人工损伤对比Paderborn三类轴承样本齐全还带电流信号剩余使用寿命预测XJTU-SY / FEMTO-ST完整寿命周期数据退化轨迹清晰长期退化趋势分析IMS数周持续监测时间跨度大齿轮故障诊断康涅狄格 / 东南大学齿轮状态丰富多通道可选一个实用建议做研究时尽量在多个数据集上交叉验证比如用CWRU训练、用MFPT检验泛化能力这样得出的结论才更有说服力也更容易获得审稿人认可。四、拿到数据之后一份振动信号要经历的4步预处理原始振动信号就像没洗过的食材直接下锅肯定不行。标准流程一般分4步去噪振动信号里混着环境干扰和高频噪声。小波阈值去噪适合处理非平稳信号经验模态分解能自适应地把信号拆成不同成分再配合自适应滤波剔除特定频段的干扰。分割把连续的长信号切成固定长度的样本段比如每段2048个点。样本多了训练数据自然就扩充了。增强针对故障样本稀缺的问题可以对信号做时间拉伸±10%、叠加随机噪声信噪比控制在20~40dB、幅度缩放±20%等操作让模型见过的花样更多泛化能力更强。标准化统一采样长度、归一化幅值避免不同批次数据量纲不一致影响模型训练。五、把信号变成特征从三个视角看同一段波形预处理完还需要把波形翻译成模型能理解的特征。一般有三个视角时域视角直接统计波形的数字特征比如均方根值RMS反映能量大小、峰度反映冲击性、偏度反映不对称性。故障越严重冲击越明显峰度往往越高。频域视角对信号做傅里叶变换看能量集中在哪些频率上。轴承内外圈故障各有特征频率比如BPFO、BPFI在频谱上找到这些指纹故障类型就呼之欲出了。时频视角用小波变换等工具同时观察什么时间、出现什么频率特别适合转速波动、信号非平稳的场景。如果你用的是深度学习甚至可以跳过手工特征直接让卷积神经网络从原始波形或时频图里自动学习特征——这也是当前主流做法很多基于CWRU数据的CNN分类研究能达到99%以上的准确率。六、模型练好了吗5个必看的评估要点模型训练完别急着高兴先对照这5个要点检查看全面指标分类任务别只盯准确率还要看精确率、召回率和F1分数——尤其在故障样本少的时候准确率会骗人。算对寿命误差做剩余使用寿命预测时关注均方误差MSE、平均绝对误差MAE和决定系数R²。基于XJTU-SY等退化数据的寿命预测模型平均误差可以控制在8%以内明显优于传统的振动阈值预警。按工况分层验证不同负载、转速下的数据差异很大交叉验证时按工况分层采样避免靠运气赢。尊重时间顺序退化数据有强烈的时间相关性用普通随机划分会把未来数据泄漏给训练集必须按时间分割。测试跨设备泛化用一台设备的模型去测另一台设备检验真实部署时的表现这也是迁移学习研究的价值所在。七、数据真正能干什么三个看得见的应用说了这么多这套数据资源到底解决了什么实际问题至少有三个场景已经得到验证风电设备健康监测基于MFPT真实故障案例开发的轴承诊断系统在风电场景中实现了接近99%的故障检测准确率平均能提前约72小时发出预警误报率控制在2%以内——这72小时对更换备件、安排停机来说就是真金白银。轨道交通轴承在线监测利用CWRU数据训练的模型经过迁移适配用于轨道交通轴承的状态监测采用传感器→边缘网关→云端的三级架构在设备端完成初步诊断云端持续更新模型实现毫秒级响应。电机生产线智能质检这正是文章开头那个场景的解法——用加速度传感器采集振动信号训练AI模型替代人工听音要求召回率达到100%的同时尽量提高准确率把误判和漏检都挡在产线之外。八、这个项目和你自己去官网下载有什么区别你可能会想这些数据集官网上都能下为什么还要用这个项目差别在于整理这件事的价值多源整合一处导航全球十几个机构的数据散落各处有的官网年久失修、链接失效这里帮你统一整理了获取途径和说明文档。中文文档降低门槛每个数据集都有中文说明从实验台构成到工况参数、数据格式、代表性论文新手不用对着英文PDF啃半天。格式与工况信息透明哪些数据是MAT格式、哪些是ASCII采样率多少、负载怎么设、文件里每行信号对应什么传感器都写得明明白白省去踩坑时间。持续更新社区活跃项目保持更新还计划围绕数据使用、信号处理、智能诊断、寿命预测等主题组织交流等于附带了一个同行社群。一句话总结它把找数据、读说明、搞清楚格式这几件最耗时的事压缩成了打开一个仓库就能解决的小事让你把精力真正花在算法和研究本身。收尾从哪一步开始你的第一次尝试如果你是第一次接触这个项目建议的路线是先读doc/CWRU.md和doc/MFPT.md两份文档建立整体认知再下载CWRU数据写一个最基础的分类模型哪怕只是简单的特征提取加逻辑回归跑通流程后再逐步尝试退化数据上的寿命预测、多传感器数据融合等进阶课题。想开始的话克隆仓库即可开始探索git clone https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set工业设备健康监测的赛道正在快速升温而数据永远是这条赛道的起跑线。这套整理好的旋转机械故障数据集就是帮你省下大量前期时间、直接进入正题的钥匙。别再让找不到合适数据成为你研究的借口从打开仓库的第一份文档开始吧。【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使用指南：从选数据到跑通轴承故障诊断模型的完整攻略
旋转机械故障数据集使用指南从选数据到跑通轴承故障诊断模型的完整攻略【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深夜的电机生产车间里质检员老张戴着耳机逐台贴近运转中的电机靠听判断有没有异响。一天下来几百台电机耳朵发麻、判断飘忽偶尔漏掉一台次品混进整批成品带来的是一整条产线的返工和客户投诉。这是很多工厂的真实写照——工业设备健康监测这件事缺的往往不是算法而是一份靠谱的训练数据。如果你正在研究轴承故障诊断、齿轮箱振动信号分析或者想尝试预测性维护和剩余使用寿命预测多半会遇到同样的困境真实故障样本极其稀缺专家标注又贵又慢不同负载、转速下的工况千差万别。好消息是有人已经把这些难题系统性解决了一遍——「Rotating-machine-fault-data-set」这个开源项目把散落在全球各研究机构的旋转机械故障数据集汇总到了一处还配了详细的中文说明文档堪称故障诊断领域的数据集超市。下面这份指南会带你从零认识这个项目先搞懂振动信号为什么能看病再看清仓库里躺着哪3类数据资源最后沿着预处理→特征提取→模型评估的完整链路把一套可用的故障诊断模型真正跑起来。一、先搞懂振动信号为什么是设备的心电图在进入数据集之前先建立一个基本直觉。任何旋转机械——电机、风机、泵、齿轮箱——运转时都会产生振动。健康的设备振动波形平稳规律一旦轴承出现点蚀、裂纹、磨损或者齿轮缺齿、齿根开裂每一次滚动体碾过损伤部位都会在振动信号里留下一个规律性的脉冲。这些脉冲出现的频率、强度和位置恰恰对应着不同的故障类型和损伤部位。把振动信号比作设备的心电图再合适不过医生看心电图判断心脏是否健康工程师则靠分析振动信号判断机器哪里出了问题。数据采集用的加速度传感器就是贴在设备上的听诊器而记录下来的那一段段波形就是诊断疾病的基础素材。问题在于心电图有海量公开数据可查旋转机械的病历却很难得。这正是本项目存在的意义——它把这些病历从各个实验室里挖出来、整理好、配上说明让研究者不用重复造轮子。二、仓库里躺着什么3类数据资源一次看清打开项目目录你会发现每个数据集都配了一份独立的说明文档放在doc/文件夹下涵盖实验台构成、工况参数、数据格式和使用情况。按用途可以粗略分成3类分别对应故障诊断研究的三种典型需求。第一类故障分类的标准答案——基准数据集这类数据适合用来训练和检验故障分类模型特征是故障类型明确、标注清晰、被论文反复引用相当于诊断教科书里的标准病例。CWRU凯斯西储大学堪称轴承故障诊断界的黄金标准几乎所有入门研究都会先拿它练手。实验在2马力电机上进行用电火花加工在轴承的内圈、外圈和滚动体上人为制造直径0.007~0.040英寸的故障采样频率有12kHz和48kHz两档负载从0到3马力连续可调。官方提供MATLAB格式数据用起来非常顺手。MFPT机械故障预防技术学会除了实验室台架数据还额外包含3个真实工业案例——风电中间轴轴承、油泵轴轴承和行星轴承的故障数据采样率最高接近98kHz是连接实验室研究与工业现实的桥梁。Paderborn帕德博恩大学德国团队2014年搭建的测试台亮点在于同时提供了健康、人工损伤和自然退化三类轴承样本采样率64kHz还同步采集了电机电流信号支持电流法诊断研究。第二类记录从健康到报废的退化数据集这类数据回答的是另一个问题设备什么时候会坏——也就是剩余使用寿命预测。它们的共同特征是把轴承一直跑报废完整记录整个退化过程。XJTU-SY西安交通大学雷亚国课题组发布的轴承加速退化数据25.6kHz采样设计了3种工况如40Hz转速配10kN径向力每种工况测5个轴承直到失效覆盖了从正常运行到完全报废的全寿命周期。FEMTO-ST法国来自IEEE PHM 2012数据挑战赛在加速退化实验台上以1500~1800rpm转速、4~5kN载荷跑完多组轴承寿命实验同时提供振动和温度信号是寿命预测领域论文的高频引用数据。IMS辛辛那提大学李杰教授团队在2003~2004年间完成的三组测试到失效实验20kHz采样每组实验持续数周到一个月每10分钟记录一次1秒长的振动快照最终分别在内圈、滚动体和外圈发生了真实故障。第三类贴近真实工况的齿轮箱与电机数据如果研究对象不是轴承而是齿轮箱或者你想挑战更贴近生产线的场景第三类数据能派上用场。康涅狄格大学齿轮数据两级齿轮箱实验台20kHz采样人为设置了9种齿轮状态——健康、缺齿、齿根裂纹、剥落以及5个等级的齿顶碎裂非常适合齿轮故障的分类与严重程度评估。东南大学齿轮箱数据基于传动系统动态模拟器DDS采集同时包含轴承和齿轮两个子集每个文件有8行信号覆盖电机振动、行星齿轮箱三轴振动、电机扭矩和平行齿轮箱三轴振动支持多通道融合研究。电机振动数据源自工业大数据竞赛针对电机生产线人工听音质检效率低、易疲劳误判的痛点要求参赛者用振动信号设计智能检验算法数据来自真实生产环境工况更接地气。三、按需取用一张决策表帮你选对数据集面对这么多选择新手最容易陷入哪个都想试的纠结。其实决策路径很简单先明确你的研究目标再对照下表选数据。你的研究目标首选数据集为什么选它入门故障分类、验证算法CWRU标注清晰、论文参考多、公认基准检验模型在真实场景的表现MFPT含风电等真实工业故障案例自然退化与人工损伤对比Paderborn三类轴承样本齐全还带电流信号剩余使用寿命预测XJTU-SY / FEMTO-ST完整寿命周期数据退化轨迹清晰长期退化趋势分析IMS数周持续监测时间跨度大齿轮故障诊断康涅狄格 / 东南大学齿轮状态丰富多通道可选一个实用建议做研究时尽量在多个数据集上交叉验证比如用CWRU训练、用MFPT检验泛化能力这样得出的结论才更有说服力也更容易获得审稿人认可。四、拿到数据之后一份振动信号要经历的4步预处理原始振动信号就像没洗过的食材直接下锅肯定不行。标准流程一般分4步去噪振动信号里混着环境干扰和高频噪声。小波阈值去噪适合处理非平稳信号经验模态分解能自适应地把信号拆成不同成分再配合自适应滤波剔除特定频段的干扰。分割把连续的长信号切成固定长度的样本段比如每段2048个点。样本多了训练数据自然就扩充了。增强针对故障样本稀缺的问题可以对信号做时间拉伸±10%、叠加随机噪声信噪比控制在20~40dB、幅度缩放±20%等操作让模型见过的花样更多泛化能力更强。标准化统一采样长度、归一化幅值避免不同批次数据量纲不一致影响模型训练。五、把信号变成特征从三个视角看同一段波形预处理完还需要把波形翻译成模型能理解的特征。一般有三个视角时域视角直接统计波形的数字特征比如均方根值RMS反映能量大小、峰度反映冲击性、偏度反映不对称性。故障越严重冲击越明显峰度往往越高。频域视角对信号做傅里叶变换看能量集中在哪些频率上。轴承内外圈故障各有特征频率比如BPFO、BPFI在频谱上找到这些指纹故障类型就呼之欲出了。时频视角用小波变换等工具同时观察什么时间、出现什么频率特别适合转速波动、信号非平稳的场景。如果你用的是深度学习甚至可以跳过手工特征直接让卷积神经网络从原始波形或时频图里自动学习特征——这也是当前主流做法很多基于CWRU数据的CNN分类研究能达到99%以上的准确率。六、模型练好了吗5个必看的评估要点模型训练完别急着高兴先对照这5个要点检查看全面指标分类任务别只盯准确率还要看精确率、召回率和F1分数——尤其在故障样本少的时候准确率会骗人。算对寿命误差做剩余使用寿命预测时关注均方误差MSE、平均绝对误差MAE和决定系数R²。基于XJTU-SY等退化数据的寿命预测模型平均误差可以控制在8%以内明显优于传统的振动阈值预警。按工况分层验证不同负载、转速下的数据差异很大交叉验证时按工况分层采样避免靠运气赢。尊重时间顺序退化数据有强烈的时间相关性用普通随机划分会把未来数据泄漏给训练集必须按时间分割。测试跨设备泛化用一台设备的模型去测另一台设备检验真实部署时的表现这也是迁移学习研究的价值所在。七、数据真正能干什么三个看得见的应用说了这么多这套数据资源到底解决了什么实际问题至少有三个场景已经得到验证风电设备健康监测基于MFPT真实故障案例开发的轴承诊断系统在风电场景中实现了接近99%的故障检测准确率平均能提前约72小时发出预警误报率控制在2%以内——这72小时对更换备件、安排停机来说就是真金白银。轨道交通轴承在线监测利用CWRU数据训练的模型经过迁移适配用于轨道交通轴承的状态监测采用传感器→边缘网关→云端的三级架构在设备端完成初步诊断云端持续更新模型实现毫秒级响应。电机生产线智能质检这正是文章开头那个场景的解法——用加速度传感器采集振动信号训练AI模型替代人工听音要求召回率达到100%的同时尽量提高准确率把误判和漏检都挡在产线之外。八、这个项目和你自己去官网下载有什么区别你可能会想这些数据集官网上都能下为什么还要用这个项目差别在于整理这件事的价值多源整合一处导航全球十几个机构的数据散落各处有的官网年久失修、链接失效这里帮你统一整理了获取途径和说明文档。中文文档降低门槛每个数据集都有中文说明从实验台构成到工况参数、数据格式、代表性论文新手不用对着英文PDF啃半天。格式与工况信息透明哪些数据是MAT格式、哪些是ASCII采样率多少、负载怎么设、文件里每行信号对应什么传感器都写得明明白白省去踩坑时间。持续更新社区活跃项目保持更新还计划围绕数据使用、信号处理、智能诊断、寿命预测等主题组织交流等于附带了一个同行社群。一句话总结它把找数据、读说明、搞清楚格式这几件最耗时的事压缩成了打开一个仓库就能解决的小事让你把精力真正花在算法和研究本身。收尾从哪一步开始你的第一次尝试如果你是第一次接触这个项目建议的路线是先读doc/CWRU.md和doc/MFPT.md两份文档建立整体认知再下载CWRU数据写一个最基础的分类模型哪怕只是简单的特征提取加逻辑回归跑通流程后再逐步尝试退化数据上的寿命预测、多传感器数据融合等进阶课题。想开始的话克隆仓库即可开始探索git clone https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set工业设备健康监测的赛道正在快速升温而数据永远是这条赛道的起跑线。这套整理好的旋转机械故障数据集就是帮你省下大量前期时间、直接进入正题的钥匙。别再让找不到合适数据成为你研究的借口从打开仓库的第一份文档开始吧。【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