旋转机械故障诊断数据集怎么选？一份开源清单让预测性维护不再缺数据

旋转机械故障诊断数据集怎么选一份开源清单让预测性维护不再缺数据【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深夜两点产线主电机振动值越过红线——这正是旋转机械故障诊断数据集存在的意义让算法在故障爆发前认出危险信号。Rotating-machine-fault-data-set 是一份持续更新的开源清单系统收录全球 20 个开源旋转机械故障数据源覆盖从轴承故障分类到剩余寿命预测的全链路数据需求帮助研究者和工程师绕过找数据这道最难的坎。场景那条半夜响起的告警短信凌晨两点值班手机弹出告警3 号产线主电机轴承温度 5 分钟内上升 18℃振动加速度超限。工程师赶到现场时轴承已烧毁停机 6 小时直接损失数十万元。事后复盘发现振动信号早在 48 小时前就出现了故障特征频率的抬升——只是没有模型认得出它。这类事故每天都在工厂里重演。问题不在传感器不够多而在于预测性维护模型缺少真正见过故障的训练数据真实故障样本稀缺、标注成本高、工况千差万别导致算法在实验室准确率 99%一到现场就失灵。四个痛点把研究者挡在门外做机械故障诊断第一步永远是找数据而这一步最劝退数据稀缺真实产线故障是小概率事件正常设备跑一年也攒不下几条内圈剥落样本标注成本高故障类型判定需要专家听音、拆检、失效分析一条标注可能耗时半天工况覆盖窄单一数据集往往只有固定转速与负载换一台设备模型立刻失效格式口径杂乱有 .mat、有 CSV采样率从 12kHz 到 200kHz 不等故障特征频率定义各不相同。破局方案一个仓库收拢全球开源故障数据Rotating-machine-fault-data-set的定位一句话说清它不做数据生产而是把散落在全球高校与机构官网、需要逐条翻论文才能找到的数据集整理成一张可检索、可对照、可引用的统一清单。与市面零散分享不同它按数据用途分层组织每个数据集都附有试验条件、采样参数与论文出处让找数据从碰运气变成按图索骥。能力深潜从数据资源到落地效果的四层链路数据资源层三类数据集各司其职第一类是基准数据集用于算法验证。凯斯西储大学 CWRU 是其中的黄金标准12kHz/48kHz 双采样频率0.007–0.040 英寸电火花加工故障0–3 马力负载连续可调覆盖内圈、外圈、滚动体三类故障且故障特征频率有明确标定驱动端 BPFI 5.415、BPFO 3.585最适合作为方法的基础检验集。第二类是退化过程数据支撑剩余寿命预测研究。西安交大 XJTU-SY 数据集在 35Hz/12kN、37.5Hz/11kN、40Hz/10kN 三组工况下各测试 5 个轴承记录了从正常运行到完全失效的全寿命周期信号法国 FEMTO-STIEEE PHM 2012 挑战赛数据则在 1500–1800rpm、4–5kN 载荷下开展加速退化实验同时提供振动与温度双通道信号。第三类是特定应用数据康涅狄格大学与东南大学的齿轮箱数据集20-0 与 30-2 两组转速-负载工况、8 通道同步采集、渥太华大学时变转速轴承数据、MFPT 风电真实故障案例覆盖齿轮、转子、电机等多类旋转部件。处理技术层先听懂信号再谈算法拿到原始振动信号第一步是特征提取。行业惯例采用时域-频域-时频三层递进import numpy as np from scipy import stats def extract_features(signal, fs): # 时域RMS 反映能量水平峰度捕捉冲击特征 rms np.sqrt(np.mean(signal ** 2)) kurt stats.kurtosis(signal) # 频域定位故障特征频率处的能量峰值 spectrum np.abs(np.fft.fft(signal)) freqs np.fft.fftfreq(len(signal), 1 / fs) # 时频小波包能量应对非平稳工况 return {rms: rms, kurtosis: kurt, spectrum: spectrum, freqs: freqs}配合包络谱分析Hilbert 解调提取故障特征频率是目前稳定性最高的组合对于转速波动场景再叠加阶比跟踪或同步平均即可。验证方法层用标准尺衡量算法好数据集必须配好评价口径。建议分类任务统一报告准确率、精确率、召回率与 F1回归任务统一使用 RMSE 与 R²交叉验证时按工况分层——CWRU 按负载分层、XJTU-SY 按轴承个体分层防止模型靠记忆工况作弊。落地效果层从论文到产线的距离数据集的价值最终体现在落地。基于 MFPT 风电轴承数据训练的模型可提前预警设备异常国内电机产线的人工听音质检也正被振动信号 AI 诊断取代——电机异音检测竞赛要求在召回率 100% 的前提下提升准确率正是产线质检的真实需求而这份开源清单恰好提供了最接近实战的训练素材。实操演练30 分钟跑通第一个故障分类实验 按以下四步即可完成最小闭环从仓库 README 的清单中获取 CWRU 12kHz 驱动端数据含 normal、内圈、外圈、滚动体四类按 1 秒窗长切段每段提取 8 个时域特征 包络谱 4 个频带能量按 7:3 时间顺序切分训练/测试集训练一个随机森林分类器输出混淆矩阵与加权 F1观察四类样本的混淆结构。⚠️ 关键注意切段后不要打乱时序做随机采样否则会严重高估泛化能力建议先用每类 200 段小样本试跑确认管道无误再全量训练。经验锦囊新手易踩坑高手这样做环节新手易踩坑高手这样做数据选择只盯 CWRU 一个数据集用 CWRU 验证分类、用退化集验证寿命预测数据划分随机打乱再划分按工况/设备分层主动做跨域验证特征工程堆几十个特征不筛选先用包络谱锁定特征频率再降维结果报告只报准确率补报 F1、混淆矩阵与置信区间引用规范不标注数据来源按版权方要求规范引用doc 目录各数据集的说明文档均给出出处趋势与号召让数据成为行业基础设施未来三年故障诊断将沿三条主线演进迁移学习让模型跨设备复用边缘智能把诊断算法压进产线控制器数字孪生为稀缺故障生成合成样本——而这一切的起点仍是高质量、可对照的开源数据。现在就可以开始行动clone 本仓库https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set从 doc/ 目录的 CWRU.md、XJTU_SY.md 入手熟悉数据口径如果你发现了新的开源数据源欢迎在 Issues 中补充共建这份属于整个行业的故障诊断数据清单。数据共享是一种精神也是预测性维护技术落地的真正起点。【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