旋转机械故障数据集终极指南一套数据搞定轴承故障诊断与预测性维护【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深夜的电机生产线质检员戴着耳机一遍遍听电机运转的嗡嗡声。同一台电机今天早上还能通过下午就发出细微的异响——漏检了。一台不良品混入整批成品轻则退货索赔重则让整条产线停产。这不是虚构故事而是工业设备健康监测每天都在上演的真实难题。而解决这类难题的第一步往往不是算法而是数据。今天要介绍的Rotating-machine-fault-data-set开源项目正是为了解决数据从哪来这个最基础也最致命的问题而生。它把全球 20 个知名机构的旋转机械故障数据集汇聚到了一起堪称一本轴承故障诊断数据的活地图。项目速览这是什么能帮你什么一句话定位这是一个系统整理全球开源旋转机械故障数据的项目为轴承故障诊断、齿轮箱故障识别、剩余寿命预测研究提供一站式的数据入口。它的能力清单很简单20 个高质量数据集索引覆盖美国、德国、法国、中国、加拿大、意大利、巴西等国家的权威机构详细的技术文档每个数据集都有独立的说明文档讲清实验条件、数据格式、采样频率从故障分类到寿命预测全覆盖既有人为制造故障的基准数据也有轴承从健康到失效的全寿命周期数据配套论文清单整理了大量基于这些数据集的代表性文献帮你快速了解前人怎么做适合谁用做故障诊断研究的在校学生、企业的设备维护工程师、机器学习算法工程师——只要你的工作跟旋转机械振动信号打交道这个项目都能帮你省下几个月的找数据时间。痛点拆解为什么找一份好数据这么难先讲一个故事。小王是某高校机械专业的研二学生导师让他做轴承故障诊断。他花了两周时间做文献调研发现论文里最常用的数据集是 CWRU但打开官网一看——全是 .mat 格式的原始文件没有说明文档不知道每个文件对应什么故障类型。他又去找别的数据集发现有的网站打不开有的数据要注册审核有的下载到一半断线。两周过去他连数据长什么样都没见到。这就是预测性维护数据集获取的真实困境散数据分散在全球各个大学、机构的官网没有统一入口杂每个数据集的格式、采样频率、故障标注方式各不相同缺很多数据集缺少实验条件说明拿到数据也不知道怎么用断部分老数据集链接已失效需要联系原作者才能获取而 Rotating-machine-fault-data-set 做的事情很朴素却很有效——把散落的资源逐一收集、验证、整理再配上中文说明文档让研究者把时间花在算法上而不是花在找数据上。能力地图项目里到底有哪些宝藏图典型的轴承故障诊断实验系统包含电机、传感器、测试轴承等关键组件CWRU 等数据集的原始数据就来自这样的平台把项目里的资源按用途分个类会看得更清楚第一类故障分类基准数据算法练手首选数据集来源特点CWRU 轴承数据美国凯斯西储大学论文使用最广12kHz/48kHz 采样0-3 马力负载可调MFPT 轴承数据美国机械故障预防技术学会含 3 个真实工业故障案例贴近现场Paderborn 轴承数据德国帕德伯恩大学欧洲标准化测试含电机电流信号康涅狄格齿轮数据美国康涅狄格大学9 种齿轮状态含裂纹、剥落等不同损伤程度第二类寿命退化数据预测性维护核心XJTU-SY 轴承退化数据西安交大提供3 种工况 × 5 个轴承完整记录从正常运行到完全失效的全过程FEMTO-ST 轴承退化数据法国研究机构提供2012 年 IEEE PHM 挑战赛数据6 组训练集 11 组测试集IMS 轴承退化数据美国辛辛那提大学李杰教授团队3 组全寿命试验每组持续数周到一个月第三类特定场景数据工业落地参考东南大学齿轮箱数据8 通道信号同时采集电机振动、行星齿轮箱三方向振动、扭矩等电机振动数据七月在线竞赛来自真实电机生产线的异音质检场景武汉大学转子数据涵盖正常、碰摩、不平衡、不对中四种转子状态上手路径新手从零开始的四步体验如果你第一次接触这个项目推荐按下面的顺序走先读 README项目根目录的 README 就是完整目录20 个数据集一页看完先建立整体认知从 CWRU 入门这是公认的基准数据集故障特征明显、参考资料多用 MATLAB 或 Python 加载 .mat 文件跑通第一个故障分类实验挑战寿命预测用 XJTU-SY 或 FEMTO-ST 数据尝试预测轴承的剩余使用寿命体验从分类到预测的进阶研究配套论文每个数据集的文档里都整理了代表性文献比如 CWRU 文档里就有 Smith 等人的 benchmark 综述读一遍能少走很多弯路实战拆解用退化数据做寿命预测图CWRU 旋转机械实验平台包含电机、轴承、扭矩传感器等关键部件是故障分类研究最常用的数据来源以轴承退化数据为例讲讲这类数据能做什么。XJTU-SY 数据集里每个轴承从安装到失效被全程监测振动信号记录下轴承状态逐渐恶化的整个过程。研究者可以提取时域特征RMS、峰度、峭度观察退化趋势用频域分析捕捉故障特征频率的变化训练回归模型输出剩余使用寿命的预测值实践表明基于这类退化数据的剩余寿命预测误差可以控制在 10% 以内远优于传统振动值超阈值就报警的粗放方式。这就是预测性维护数据集的核心价值——把坏了才知道变成快坏了就预警。数据对比几个主流数据集怎么选对比维度CWRUMFPTPaderbornXJTU-SY数据类型故障分类故障分类真实案例故障分类全寿命退化故障来源电火花加工人工注入人工真实故障人工自然损伤自然退化失效采样频率12k/48kHz48.8k/97.7kHz64kHz25.6kHz工况变化0-3 马力负载0-300 磅负载4 组转速/负载组合3 种工况适合任务分类算法基准工业场景验证电流振动联合诊断寿命预测选型建议练手用 CWRU验证真实场景用 MFPT做寿命预测用 XJTU-SY 或 FEMTO-ST做齿轮箱诊断用康涅狄格或东南大学的数据。避坑指南用好这些数据的五个提醒注意数据格式差异CWRU 是 .mat 格式IMS 是 ASCII 文本上手前先确认自己用的工具链能不能读留意采样率与转速不同数据集实验条件差异很大跨数据集验证算法时要说明工况是否匹配遵循版权要求数据来自各原始研究机构论文中使用务必按版权方要求引用例如引用 CWRU 时注明Case Western Reserve University Bearing Data Center不要做伸手党个别数据集下载确实困难但请先自己尝试所有途径实在获取不了再联系维护者区分诊断与预测分类数据和退化数据的任务目标完全不同别拿分类数据的思路硬套寿命预测问题行动号召从今天开始攒下你的第一份数据做研究最怕的不是算法不先进而是花了三个月准备数据最后发现数据本身不可靠。Rotating-machine-fault-data-set 的价值就是把找数据这个最耗时、最折磨人的环节压缩到最小。你可以这样开始用git clone https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set把仓库拉到本地先花半小时通读 README 和 doc 目录下的说明文档挑一个数据集下载体验。如果你手头有公开的新数据源也欢迎通过 Issues 反馈给维护者——共享是一种精神这个项目本身就是这样生长起来的。数据到位了剩下的就交给你的算法了。【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