有没有相关的论文或文献参考？
这个数据集是基于什么背景创建的？
数据集的作者是谁？
能帮我联系到这个数据集的作者吗？
这个数据集如何下载？
Machine-Fault-Diagnosis-Dataset-PHM|机械故障诊断数据集|预测维护数据集
收藏github2024-05-12 更新2024-05-31 收录
下载链接：
https://github.com/CHAOZHAO-1/Machine-Fault-Dataset
下载链接
链接失效反馈资源简介：
本仓库收集了近年来关于机械故障的开源数据集，包括轴承、齿轮等多个类别，用于故障诊断和预测研究。
This repository compiles a collection of open-source datasets related to mechanical failures from recent years, encompassing various categories such as bearings and gears, intended for research in fault diagnosis and prediction.
创建时间：
2024-01-03
原始信息汇总
数据集概述
数据集名称：Machine-Fault-Diagnosis-Dataset-PHM
更新日期：2024-05-10
数据集内容：
该数据集包含多个开放源代码的机械故障数据集，涵盖轴承、齿轮、其他部件及寿命预测相关的故障数据。数据集详细信息如下：
| 序号（Index） | 年(Year) | 数据集名称(Dataset Name) | 部件名称(Component Name) | 故障产生方式(Fault generation mode) | 工况情况（Working Condition） | 故障情况(Fault Type) | 信号类型(Signal Type) |
|---|---|---|---|---|---|---|---|
| A1 | 2015 | 凯斯西储（CWRU） | 轴承（bearing） | 人工注入（Artificial） | 4 type (0,1,2,3 hp) | Inner race-outer race-ball | 振动（Acceleration） |
| A2 | 2016 | 帕德博恩（KAT） | 轴承（bearing） | 人工注入和自然失效（Artificial and RTF） | 4 type | / | 振动（Acceleration） |
| A3 | 2013 | 江南大学（JNU） | 轴承（bearing） | 人工注入（Artificial） | 3 type（600,800,1000） | Inner race-outer race-ball | 振动（Acceleration） |
| A4 | 2013 | 美国机械故障预测技术委员会(MFPT) | 轴承（bearing） | 人工注入（Artificial） | / | Inner race-outer race | 振动（Acceleration） |
| A5 | 2006 | 辛辛那提大学（IMS） | 轴承（bearing） | 自然失效（Artificial and RTF） | / | Inner race-outer race-ball | 振动（Acceleration） |
| A6 | 2019 | 都灵大学（DIRG） | 轴承（bearing） | 人工注入和自然失效（Artificial and RTF） | / | Inner race-outer race | 振动（Acceleration） |
| A7 | 2016 | 自吸泵（SCP） | 轴承（bearing） | 人工注入（Artificial） | / | Inner race-outer race-ball | 振动（Acceleration） |
| A8 | 2023 | 哈工大(HIT) | 轴承（bearing） | 人工注入（Artificial） | / | Inner race-outer race | 振动（Acceleration） |
| A9 | 2021 | SQV变转速 | 轴承（bearing） | 人工注入（Artificial） | / | Inner race-outer race | 振动（Acceleration） |
| A10 | 2023 | 越南大学 | 轴承（bearing） | 人工注入（Artificial） | 3 type | Inner race-outer race-ball | 振动（Acceleration） |
| A11 | 2021 | DC竞赛 | 轴承（bearing） | / | / | / | / |
| A12 | 2024 | 华中科技大学轴承（HUSTbearing） | 轴承（bearing） | 人工注入（Artificial） | 4 type | Inner race-outer race-ball-Combination | 振动（Acceleration） |
| B1 | 2019 | 东南大学 | 齿轮(Gear) | 人工注入（Artificial） | 2 type | 5 type | 振动（Acceleration） |
| B2 | 2009 | PHM09 | 齿轮(Gear) | 人工注入（Artificial） | 10 type | / | 振动（Acceleration） |
| B3 | 2023 | 行星齿轮 | 齿轮(Gear) | 人工注入（Artificial） | / | / | 振动（Acceleration） |
| B4 | 2021 | 西安交通 | 齿轮(Gear) | 人工注入（Artificial） | / | / | 振动（Acceleration） |
| B5 | 2021 | 一阶减速器（LW） | 齿轮(Gear) | 人工注入（Artificial） | 6 type | 4 type | 振动（Acceleration） |
| B6 | 2024 | 华中科技大学齿轮（HUSTGear） | 齿轮(Gear) | 人工注入（Artificial） | 4 type | 3 type | 振动（Acceleration） |
| C1 | 2015 | 工业过程故障 | 工业过程(Process) | / | / | 5 type | 24 维变量（Variables） |
| C2 | 2020 | 冷却机故障 | 冷却机(Chiller) | / | / | 7 type | / |
| C3 | 2019 | 转子故障 | 转子(Rotor) | / | / | / | 振动（Acceleration） |
| C4 | 2018 | 发动机 | 发动机(Engine) | / | / | / | / |
| C5 | 2024 | 海上石油勘探电浅泵 | 泵(Pump) | / | / | / | / |
| C6 | 2023 | 科大讯飞水泵状态挑战赛 | 水泵(Pump) | / | / | / | / |
| C7 | 2022 | 德国火车 | 火车轮毂(Train) | 人工注入和自然失效（Artificial and RTF） | / | / | 振动（Acceleration） |
| C8 | 2023 | 变压器故障 | 变压器(Transformer) | / | / | / | / |
| D1 | 2018 | 西交全寿命周期 | 轴承（bearing） | 自然失效（Artificial and RTF） | / | / | 振动（Acceleration） |
| D2 | 1996 | 磨削退化(Tool mill) | 刀具（Tool） | 自然失效（Artificial and RTF） | / | / | 振动（Acceleration） |
| D3 | 2021 | UNSW | 轴承（bearing） | 自然失效（Artificial and RTF） | / | / | 振动（Acceleration） |
| D4 | 2012 | PHM2012 | 轴承（bearing） | 自然失效（Artificial and RTF） | / | / | 振动（Acceleration） |
| D5 | 2020 | CMPASS引擎退化 | 轴承（bearing） | 自然失效（Artificial and RTF） | / | / | 振动（Acceleration） |
| D6 | 2010 | PHM2010 | 轴承（bearing） | 自然失效（Artificial and RTF） | / | / | 振动（Acceleration） |
数据集特点：
- 包含多种机械部件的故障数据，如轴承、齿轮等。
- 故障类型多样，包括人工注入和自然失效。
- 数据集提供原始数据连接和备用数据连接。
数据集用途：
该数据集适用于机械故障诊断和预测研究，支持多种故障类型和工况条件下的数据分析。
AI搜集汇总
数据集介绍
构建方式
Machine-Fault-Diagnosis-Dataset-PHM数据集的构建基于多个公开的机械故障数据集，涵盖了轴承、齿轮等多种机械部件的故障数据。这些数据集通过人工注入故障和自然失效的方式生成，确保了数据的多样性和真实性。数据采集过程中，采用了不同的采样频率和工况条件，以模拟实际工业环境中的多种运行状态。每个数据集均包含振动信号、电机转速、负载情况等详细信息，并以MATLAB格式存储，便于后续的分析和处理。
特点
该数据集的显著特点在于其广泛涵盖了多种机械部件的故障类型，包括轴承的内圈、外圈、滚动体故障以及齿轮的多种损伤模式。此外，数据集中的故障生成方式多样，既有通过人工注入的故障，也有通过自然失效实验获得的故障数据，确保了数据的全面性和代表性。数据集还提供了不同采样频率下的振动信号，适应了不同研究需求。
使用方法
使用该数据集时，用户可以根据研究需求选择不同部件和故障类型的数据进行分析。数据集中的振动信号可以用于故障诊断、模式识别、机器学习等领域的研究。用户可以通过MATLAB或其他数据处理工具加载数据，并结合机器学习算法进行特征提取和模型训练。此外，数据集还提供了详细的实验条件和故障信息，便于用户进行深入的故障分析和验证。
背景与挑战
背景概述
机器故障诊断数据集（Machine-Fault-Diagnosis-Dataset-PHM）是由多个研究机构和大学在近年来共同编制的开源数据集，旨在为机械故障诊断领域的研究提供丰富的实验数据。该数据集涵盖了轴承、齿轮等多种机械部件的故障数据，时间跨度从2006年至2024年，涉及多个国际知名研究机构，如凯斯西储大学、帕德博恩大学、NASA等。其核心研究问题集中在机械部件的故障检测与诊断，尤其是通过振动信号分析来识别不同类型的故障。该数据集的发布为机械故障诊断领域的研究提供了宝贵的资源，推动了基于数据驱动的故障诊断方法的发展，尤其是在深度学习和人工智能技术的应用方面。
当前挑战
机器故障诊断数据集的构建面临多方面的挑战。首先，数据集的多样性和复杂性使得数据预处理和特征提取变得尤为困难。不同部件的故障类型、工况条件以及信号采集方式的差异，导致数据集在标准化和统一化处理上存在较大难度。其次，故障数据的获取通常需要通过人工注入或自然失效的方式，这不仅增加了实验的复杂性，还可能导致数据的真实性和可靠性受到质疑。此外，故障诊断领域的研究还面临着模型泛化能力的挑战，如何在不同工况和设备条件下保持诊断模型的稳定性和准确性，是当前研究中的一个重要难题。最后，数据集的更新和维护也是一个持续的挑战，确保数据的时效性和完整性对于研究者来说至关重要。
常用场景
经典使用场景
Machine-Fault-Diagnosis-Dataset-PHM数据集在机械故障诊断领域中具有广泛的应用，尤其是在轴承和齿轮的故障检测与分类方面。该数据集通过收集不同工况下的振动信号，提供了丰富的故障类型和故障程度的数据，使得研究者能够开发和验证各种故障诊断算法。经典的使用场景包括基于振动信号的故障特征提取、模式识别以及深度学习模型的训练与评估，尤其是在轴承的内圈、外圈和滚动体故障的检测上，该数据集为研究提供了坚实的基础。
衍生相关工作
基于Machine-Fault-Diagnosis-Dataset-PHM数据集，研究者们开发了多种经典的故障诊断方法和模型。例如，Smith和Randall利用该数据集进行了滚动轴承的故障诊断研究，提出了基于振动信号的故障特征提取方法。此外，深度学习技术在该数据集上的应用也取得了显著成果，如卷积神经网络（CNN）和胶囊网络（Capsule Network）在轴承故障诊断中的成功应用。这些研究不仅推动了故障诊断技术的发展，还为其他机械设备的故障检测提供了新的思路和方法。
数据集最近研究
最新研究方向
近年来，机械故障诊断领域在深度学习和大数据分析的推动下取得了显著进展。Machine-Fault-Diagnosis-Dataset-PHM数据集的推出，为研究人员提供了丰富的轴承和齿轮故障数据，涵盖了多种工况和故障类型。该数据集的前沿研究方向主要集中在基于深度学习的故障诊断模型优化，如卷积神经网络（CNN）和胶囊网络的应用，以提高故障识别的准确性和鲁棒性。此外，数据集的多样性和大规模特性也促进了跨域故障诊断和少样本学习方法的发展，特别是在工业4.0背景下，如何利用有限的数据实现高效、精准的故障预测成为研究热点。这些研究不仅推动了机械故障诊断技术的进步，也为智能制造和设备维护提供了重要的理论支持。
以上内容由AI搜集并总结生成
数据主题
5,000+
优质数据集
54 个
任务类型
进入经典数据集
热门数据集
中国行政区划数据
本项目为中国行政区划数据，包括省级、地级、县级、乡级和村级五级行政区划数据。数据来源于国家统计局，存储格式为sqlite3 db文件，支持直接使用数据库连接工具打开。
github 收录
THUCNews
THUCNews是根据新浪新闻RSS订阅频道2005~2011年间的历史数据筛选过滤生成，包含74万篇新闻文档（2.19 GB），均为UTF-8纯文本格式。本次比赛数据集在原始新浪新闻分类体系的基础上，重新整合划分出14个候选分类类别：财经、彩票、房产、股票、家居、教育、科技、社会、时尚、时政、体育、星座、游戏、娱乐。提供训练数据共832471条。
github 收录
CHARLS
中国健康与养老追踪调查（CHARLS）数据集，旨在收集反映中国45岁及以上中老年人家庭和个人的高质量微观数据，用以分析人口老龄化问题，内容包括健康状况、经济状况、家庭结构和社会支持等。
charls.pku.edu.cn 收录
中国区域地面气象要素驱动数据集 v2.0（1951-2020）
中国区域地面气象要素驱动数据集（China Meteorological Forcing Data，以下简称 CMFD）是为支撑中国区域陆面、水文、生态等领域研究而研发的一套高精度、高分辨率、长时间序列数据产品。本页面发布的 CMFD 2.0 包含了近地面气温、气压、比湿、全风速、向下短波辐射通量、向下长波辐射通量、降水率等气象要素，时间分辨率为 3 小时，水平空间分辨率为 0.1°，时间长度为 70 年（1951~2020 年），覆盖了 70°E~140°E，15°N~55°N 空间范围内的陆地区域。CMFD 2.0 融合了欧洲中期天气预报中心 ERA5 再分析数据与气象台站观测数据，并在辐射、降水数据产品中集成了采用人工智能技术制作的 ISCCP-ITP-CNN 和 TPHiPr 数据产品，其数据精度较 CMFD 的上一代产品有显著提升。 CMFD 历经十余年的发展，其间发布了多个重要版本。2019 年发布的 CMFD 1.6 是完全采用传统数据融合技术制作的最后一个 CMFD 版本，而本次发布的 CMFD 2.0 则是 CMFD 转向人工智能技术制作的首个版本。此版本与 1.6 版具有相同的时空分辨率和基础变量集，但在其它诸多方面存在大幅改进。除集成了采用人工智能技术制作的辐射和降水数据外，在制作 CMFD 2.0 的过程中，研发团队尽可能采用单一来源的再分析数据作为输入并引入气象台站迁址信息，显著缓解了 CMFD 1.6 中因多源数据拼接和气象台站迁址而产生的虚假气候突变。同时，CMFD 2.0 数据的时间长度从 CMFD 1.6 的 40 年大幅扩展到了 70 年，并将继续向后延伸。CMFD 2.0 的网格空间范围虽然与 CMFD 1.6 相同，但其有效数据扩展到了中国之外，能够更好地支持跨境区域研究。为方便用户使用，CMFD 2.0 还在基础变量集之外提供了若干衍生变量，包括近地面相对湿度、雨雪分离降水产品等。此外，CMFD 2.0 摒弃了 CMFD 1.6 中通过 scale_factor 和 add_offset 参数将实型数据化为整型数据的压缩技术，转而直接将实型数据压缩存储于 NetCDF4 格式文件中，从而消除了用户使用数据时进行解压换算的困扰。 本数据集原定版本号为 1.7，但鉴于本数据集从输入数据到研制技术都较上一代数据产品有了大幅的改变，故将其版本号重新定义为 2.0。CMFD 2.0 的数据内容与此前宣传的 CMFD 1.7 基本一致，仅对 1983 年 7 月以后的向下短/长波辐射通量数据进行了更新，以修正其长期趋势存在的问题。2021 年至 2024 年的 CMFD 数据正在制作中，计划于 2025 年上半年发布，从而使 CMFD 2.0 延伸至 2024 年底。
国家青藏高原科学数据中心 收录
dorsar/lung-cancer
该数据集包含用于肺癌检测和分类的CT扫描图像，分为四类：腺癌、大细胞癌、鳞状细胞癌和正常（非癌性）肺组织。数据集总共有315张图像，每类图像的数量分别为腺癌120张、大细胞癌51张、正常54张、鳞状细胞癌90张。该数据集适用于训练和评估用于肺癌检测和分类的机器学习模型，可用于二分类（癌性与非癌性）和多分类（特定癌症类型）。
hugging_face 收录