Experimental Database for Detecting and Diagnosing Rotor Broken Bars in 3-Phase IMs

该数据集由GIFT大学的研究团队创建，旨在通过电流和振动信号数据检测三相感应电机中的转子断条故障。数据集包含57,500张频谱图像，其中47,500张用于训练，10,000张用于测试。数据通过短时傅里叶变换（STFT）生成，涵盖了不同负载条件下的电机运行数据。数据集的创建过程包括对电机进行实验，模拟不同数量的转子断条故障，并采集相应的电流和振动信号。该数据集的应用领域主要集中在工业环境中感应电机的故障诊断，旨在通过深度学习模型提高故障检测的准确性和效率，减少非计划停机时间和维护成本。This dataset was developed by a research team from GIFT University, aiming to detect rotor bar breakage faults in three-phase induction motors using current and vibration signal data. The dataset contains 57,500 spectrogram images, among which 47,500 are allocated for training and 10,000 for testing. The data is generated via Short-Time Fourier Transform (STFT) and covers motor operating data under various load conditions. The dataset creation process involves conducting experiments on motors, simulating rotor bar breakage faults with varying numbers of broken bars, and collecting corresponding current and vibration signals. The primary application scope of this dataset lies in fault diagnosis of induction motors in industrial settings, with the goal of enhancing the accuracy and efficiency of fault detection via deep learning models, thereby reducing unplanned downtime and maintenance costs.

搜集汇总

数据集介绍

构建方式

该数据集的构建基于三相异步感应电机的实验数据，旨在检测和诊断转子断条故障。实验通过在三相感应电机上施加不同的机械负载，并引入不同数量的转子断条故障，采集电流和振动信号。信号通过短时傅里叶变换（STFT）生成频谱图像，最终构建了一个包含57,500张图像的数据集，其中47,500张用于训练，10,000张用于测试。数据集的构建过程还包括对电流和振动信号进行快速傅里叶变换（FFT），以可视化断条故障引起的谐波边带。

使用方法

该数据集的使用方法主要围绕深度学习模型的训练和验证展开。首先，数据集中的电流和振动信号通过FFT进行谐波频谱分析，以可视化断条故障的边带特征。随后，使用STFT将信号转换为频谱图像，作为深度学习模型的输入。研究人员可以基于该数据集训练和测试多种机器学习模型，如朴素贝叶斯、随机森林、支持向量机等，以及深度学习模型，如InceptionV2、ResNet18、ShuffleNetV2等。通过对比不同模型的性能，研究人员可以选择最优的模型进行故障诊断。该数据集的使用为工业环境中感应电机的故障诊断提供了可靠的数据支持。

背景与挑战

背景概述

《Experimental Database for Detecting and Diagnosing Rotor Broken Bars in 3-Phase IMs》数据集由Treml等人于2020年发布，旨在为三相感应电机（IMs）的转子断条故障（BRB）检测与诊断提供实验数据支持。该数据集通过采集电流和振动信号，结合短时傅里叶变换（STFT）生成频谱图像，为基于深度学习的故障诊断方法提供了大规模的训练和测试数据。研究团队通过实验模拟了不同负载条件下的转子断条故障，生成了57,500张频谱图像，其中47,500张用于训练，10,000张用于测试。该数据集的发布填补了现有文献中关于大规模BRB故障数据的空白，为工业环境中感应电机的故障诊断提供了重要的数据基础。

当前挑战

该数据集在解决感应电机转子断条故障诊断问题时面临多重挑战。首先，感应电机的故障信号通常具有非平稳性和复杂性，如何从电流和振动信号中提取有效的故障特征是一个关键问题。其次，现有的故障诊断方法大多基于小规模数据集，容易导致模型过拟合，难以在工业环境中实现高精度诊断。此外，数据集的构建过程中，研究人员需要精确控制实验条件，模拟不同负载和故障程度的转子断条情况，这对实验设备和技术提出了较高要求。最后，如何利用深度学习模型（如ShuffleNetV2）高效处理大规模频谱图像数据，并在保证高精度的同时降低计算成本，也是该领域亟待解决的挑战。

常用场景

经典使用场景

该数据集主要用于三相感应电机转子断条故障的检测与诊断研究。通过采集电机在不同负载条件下的电流和振动信号，结合短时傅里叶变换（STFT）生成频谱图像，研究人员能够利用深度学习模型（如ShuffleNetV2）对转子断条故障进行多分类识别。这一经典使用场景为工业环境中电机故障的早期检测提供了高效且精确的解决方案。

解决学术问题

该数据集解决了感应电机故障诊断领域中的关键问题，特别是转子断条故障的检测与分类。传统方法依赖于小规模数据集，容易导致过拟合问题，而该数据集通过提供大规模、多样化的实验数据，显著提升了模型的泛化能力。此外，结合轻量级深度学习模型（如ShuffleNetV2），该数据集为高效、低计算成本的故障诊断系统开发奠定了基础，推动了工业电机维护技术的进步。

实际应用

该数据集在实际工业应用中具有广泛的价值，特别是在电机健康监测和预测性维护领域。通过实时采集电机的电流和振动信号，结合深度学习模型，工业设备维护人员可以快速识别转子断条故障，从而减少非计划停机时间，降低维护成本。此外，该数据集的应用还扩展到了能源生产、交通运输等领域，为感应电机的可靠运行提供了技术保障。

数据集最近研究

最新研究方向

近年来，基于人工智能的感应电机故障诊断系统在工业环境中展现出巨大潜力，尤其是在转子断条故障（BRB）的检测与分类方面。随着深度学习技术的快速发展，研究者们逐渐将注意力转向轻量级深度学习模型的应用，以应对大规模数据集带来的计算挑战。最新研究表明，基于迁移学习的轻量级模型如ShuffleNetV2在BRB故障诊断中表现出色，不仅显著提升了分类精度，还大幅降低了计算成本。此外，结合短时傅里叶变换（STFT）和快速傅里叶变换（FFT）的信号处理方法，能够有效提取故障特征，进一步增强了模型的鲁棒性。这些研究为工业环境中感应电机的高效故障诊断提供了新的技术路径，推动了智能维护系统的发展。

相关研究论文

• A Multimodal Lightweight Approach to Fault Diagnosis of Induction Motors in High-Dimensional Dataset

  GIFT大学 · 2025年