企业官网建设流程全解析

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(f"RMS={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📊：

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（N1=32、N2=80、N3=48、N4=64），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

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.md（20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