旋转机械故障数据集怎么选这份开源清单把20个数据集的来龙去脉一次讲清【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你的故障诊断模型在验证集上又掉了两个点。调结构、换损失函数折腾一周纹丝不动——问题往往不在模型而在数据本身。旋转机械故障数据集是故障诊断研究的起点而Rotating-machine-fault-data-set开源旋转机械故障数据集整理这个项目恰好把全球20个主流数据集摆成了一面清晰的货架从凯斯西储大学的CWRU到西安交通大学的轴承退化数据每个数据集适用什么任务、试验条件如何、怎么引用都写进了独立的说明文档。这篇文章带你沿着三条研究路径把这份清单完整走一遍。别急着写代码20个数据集本质上是三类任务翻开仓库 README从CWRU到上海交通大学轴承数据共20个条目表面看是一份链接合集实则暗含三条截然不同的研究路径故障分类类已知健康/故障标签训练模型区分故障类型代表有CWRU、MFPT、Paderborn退化预测类从正常到失效的全寿命数据用于剩余使用寿命预测代表有XJTU-SY、FEMTO-ST、IMS特殊工况类齿轮箱、时变转速、真实工业故障等实验室数据覆盖不到的场景代表有康涅狄格、东南大学、MFPT真实案例。关键点在于三类数据回答的是不同问题。选错类型再强的算法也白搭。判断依据很直接——你的标签是哪种故障还是还剩多久寿命第一站CWRU故障分类数据先给算法做一次体检CWRU凯斯西储大学轴承数据中心是故障分类研究中使用最广的标准数据集用电火花加工在轴承内圈、外圈、滚动体上注入直径0.007至0.040英寸的故障在0-3马力负载转速1797-1720 rpm下以12kHz/48kHz双频采样。它的价值在于故障特征明显、可参考论文极多适合作为算法的基础检验集。实践表明多数研究者的第一个baseline都跑在CWRU上官方提供MATLAB格式.mat数据社区也有Python自动下载与读取的封装。建议你用它跑通读取数据→时域/频域特征提取→分类器验证的完整管线例如下面这段最朴素的振动特征计算import scipy.io as sio # CWRU驱动端振动通道0马力负载下的内圈故障样本 data sio.loadmat(105_DE_time.mat) signal data[DE_time].flatten() rms (signal**2).mean()**0.5 # 时域均方根 kurt ((signal - signal.mean())**4).mean() / rms**4 # 峭度 print(fRMS{rms:.4f}, Kurtosis{kurt:.4f})确认管线无误后再换更难的场景。记住一个原则先建立可信的对照基线再谈模型创新。第二站轴承退化数据从判断坏了没到预测还能撑多久分类模型回答现在是什么状态退化数据回答还能用多久。这是预测性维护数据集的核心价值也是项目里最稀缺的一类资源。三个退化数据集各具侧重对比如下数据集来源实验规模采样特点XJTU-SY西安交通大学雷亚国课题组3种工况×5个轴承覆盖完整寿命周期25.6kHz高频采集多传感器融合FEMTO-ST法国FEMTO-ST研究所PHM 2012挑战赛官方数据加速退化1500-1800rpm、4-5kN载荷IMS辛辛那提大学李杰教授团队3组test-to-failure实验20kHz每组2156/984/4448个1秒快照以XJTU-SY轴承退化数据为例平台以35Hz/12kN、37.5Hz/11kN、40Hz/10kN三档工况加速轴承劣化记录从健康到完全失效的完整过程配合温度等通道可直接用于剩余寿命预测模型的训练与验证。FEMTO-ST同样为寿命预测而设计下图展示了其完整的传感器布局。为什么这类数据难得因为真实工业现场很少能等一台轴承跑完整个生命周期。加速退化实验把数月的劣化过程压缩到几天才让寿命预测研究有了可复现的数据基础。实践中剩余寿命预测模型的平均误差能否控制在10%以内很大程度上取决于退化起始点的定义是否合理——这是文档中需要你重点留意的细节。第三站齿轮箱与真实工况避开实验室洁癖分类和预测都跑通后你会撞上第三个问题实验室数据太干净。真实设备有齿轮啮合噪声、转速波动、多部件耦合。项目把齿轮箱与工业案例单独成组正是为了补上这一课康涅狄格大学齿轮箱数据标注了输入轴、惰轮轴、输出轴的齿数N132、N280、N348、N464配合加速度计采集振动可结合传动比做齿轮故障定位东南大学齿轮箱数据在Drivetrain Dynamic Simulator上采集8通道信号覆盖电机振动、行星齿轮箱三向振动、扭矩与平行齿轮箱振动常用于跨工况迁移学习研究MFPT真实故障案例包含风电设备中间轴轴承、油泵轴承与行星轴承三个真实失效样本是少有的带工业背景、有轴承转速标注的故障数据。此外渥太华大学数据集提供200kHz采样、含转速编码器通道的时变转速轴承数据健康/内圈缺陷/外圈缺陷 × 4种变速模式适合研究变转速下的诊断——这是CWRU等定转速数据集覆盖不到的难点。一张表决定下一步按任务对号入座你的目标首选数据集备选方案注意点故障分类baselineCWRUPaderborn、MFPT特征明显小心过拟合剩余寿命预测XJTU-SYFEMTO-ST、IMS需自行定义退化起始点齿轮故障诊断康涅狄格东南大学利用齿数计算特征频率真实工业场景MFPT真实案例电机异音竞赛数据样本量少适合迁移学习时变转速诊断渥太华都灵理工高速轴承需处理转速同步问题动手之前先读那本说明书每个数据集在doc/目录下都有一份独立文档例如 CWRU数据说明、XJTU-SY轴承数据、MFPT轴承数据集说明内容包括试验条件采样率、负载、故障注入方式、数据格式说明、特征频率表格以及代表性论文清单。这相当于把数据从哪来、怎么采的、前人怎么用一次性打包省去你逐篇翻论文的时间。仓库的整体使用路径可以概括为README.md20个数据集总索引 ├── doc/ 每份数据集的试验条件 格式 引用文献 ├── images/ 实验平台与装置示意图 └── 下载数据 → 按文档预处理 → 复现基准论文 → 提出你的方法引用规范同样重要多数数据集要求按版权方要求标注来源文档中已给出对应论文与引用信息写作时照抄即可避免学术规范上的麻烦。从一个数据集开始回到开头的场景与其继续在模型上打转不如回头审视数据选择。旋转机械故障数据集的选型没有银弹但这份清单给了你一条可验证的路径先克隆仓库git clone https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set通读doc/下的说明文档然后从CWRU跑通第一个baseline再按任务类型逐级挑战退化数据与真实工况。遇到下载或使用问题可以在仓库Issues中讨论也欢迎向作者补充新的公开数据源。数据是研究的底座把底座选对了模型的每一次进步才真正算数。【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
