Machine-Fault-Diagnosis-Dataset-PHM
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
链接失效反馈官方服务：
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。
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。
以上内容由遇见数据集搜集并总结生成
