Universal Vibration Analysis Dataset|振动分析数据集|机械健康监测数据集

该数据集由多个公共轴承振动数据集组成，包括CWRU、UORED-VAFCLS、HUST和PADERBORN数据集，目的是创建一个涵盖各种机器类型、运行状态和故障类型的大型振动信号数据集。数据集的初步重点是轴承振动数据，随后将扩展到更多类型的机械和传感器。每个样本都将根据机器类型、运行状态和故障类型进行标记，以适用于监督和非监督学习任务。该数据集旨在成为振动分析的通用资源，适用于制造业、航空航天和能源等行业的预测维护和机械状况监测。

AI搜集汇总

数据集介绍

构建方式

Universal Vibration Analysis Dataset的构建采用了多源公开轴承振动数据集融合的策略，以轴承振动信号为切入点，通过整合CWRU、UORED-VAFCLS、HUST和PADERBORN等权威数据集形成基础架构。数据预处理阶段采用标准化时频转换技术，通过汉宁窗短时傅里叶变换生成256×512像素的RGB谱图，设置1600点FFT、96%重叠率和0-10kHz频带范围，确保不同采样率数据的空间对齐。数据集采用分层存储架构VibData，按设备类型、工况状态（正常/内圈故障/外圈故障等）、载荷条件等维度进行结构化标注，并配套开发VibSoft软件层实现数据采样、谱图转换和特征提取的流程标准化。

特点

该数据集的核心特征体现在其工业普适性和多模态融合能力：1) 涵盖4类轴承型号、7种转速工况（600-1800RPM）及复合故障模式，包含健康状态、单点故障和复合故障三类标签体系；2) 独创性地采用时频域谱图作为统一表征形式，既保留原始振动信号的瞬态冲击特征，又解决多源数据采样参数异构问题；3) 配套元数据体系完整记录传感器类型（加速度计/麦克风）、故障严重度（0.007-0.028英寸）、载荷条件（0-3马力）等36维工况参数，支持监督学习与无监督异常检测双范式。特别设计的K折交叉验证方案（K=4）可有效规避载荷条件与故障尺寸的分布偏差，确保模型评估的鲁棒性。

使用方法

该数据集推荐采用迁移学习双阶段框架：1) 预训练阶段使用HUST、UORED-VAFCLS和PADERBORN三源数据，基于DenseNet121架构（批尺寸32，初始学习率0.01）构建通用振动特征提取器；2) 微调阶段提供全微调（更新全部权重）和部分微调（冻结特征层）两种策略，针对目标数据集（如CWRU）采用早停机制和动态学习率衰减（ReduceLROnPlateau）。实验表明，在轴承故障分类任务中，VibNet预训练模型较ImageNet迁移的宏F1值提升7.46%（载荷划分）和13.46%（故障尺寸划分）。用户可通过GitHub开放的vibdata和vibnet-experiments模块实现谱图生成、交叉验证及对比实验的完整复现。

背景与挑战

背景概述

Universal Vibration Analysis Dataset（UVAD）是由Mert Sehri等人于2025年提出的振动分析基准数据集，旨在为预测性维护、结构健康监测等领域的迁移学习研究提供标准化数据支持。该数据集由加拿大渥太华大学与巴西联邦大学等机构联合开发，核心研究聚焦于轴承振动信号的时频表征，通过整合CWRU、UORED-VAFCLS等公开数据集构建初始框架。其创新性体现在采用类ImageNet的架构设计，首次实现了振动分析领域大规模标注数据的系统化组织，为深度学习模型在工业诊断中的泛化性能提升奠定了数据基础。

当前挑战

该数据集面临双重挑战：在领域问题层面，振动信号具有非平稳性、工况依赖性等复杂特性，且正常样本与故障样本比例严重失衡，导致模型泛化能力受限；在构建过程中，需解决多源数据采样率差异（12kHz-64kHz）、传感器异构（加速度计/麦克风）、故障类型标注标准不统一等技术难题。此外，时频转换中窗函数选择、频谱分辨率与时间分辨率的权衡，以及迁移学习时特征空间对齐等问题，均为数据集构建的关键挑战。

常用场景

经典使用场景

Universal Vibration Analysis Dataset（UVAD）作为振动分析领域的基准数据集，其经典应用场景主要集中在机械故障诊断与预测性维护领域。通过整合多源轴承振动数据（如CWRU、UORED-VAFCLS等公开数据集），该数据集为时频域谱图分析提供了标准化输入，支持深度学习模型在轴承内圈/外圈故障、滚动体损伤等典型机械故障的迁移学习任务中实现高精度分类。其分层数据架构（VibData）与模块化处理流程（VibSoft）使得研究者能够快速构建从信号预处理（STFT谱图生成）到模型微调（DenseNet121架构）的完整实验管线。

解决学术问题

该数据集解决了振动分析领域三个核心学术问题：其一，通过融合多工况、多故障类型的轴承振动数据（涵盖0-10kHz共振频段），缓解了小样本条件下模型泛化能力不足的难题；其二，提出的谱图标准化方法（256×512像素RGB/灰度图像）统一了异构传感器的数据表征，克服了传统时域特征提取依赖专家经验的问题；其三，基于迁移学习的预训练-微调范式（如VibNet与ImageNet权重对比实验）验证了跨域知识迁移的可行性，在CWRU负载划分测试中达到97.39%平衡准确率，显著优于从零训练的模型。

衍生相关工作

该数据集衍生出两类代表性研究：方法学层面，催生了基于谱图数据增强的少样本学习（如Wang等人2020年提出的元学习框架）和跨域自适应诊断模型（Zhang等人2024年的特征融合算法）；工程应用层面，推动了PHM（Prognostics and Health Management）领域的标准化进程，如Atmaja等人（2024）发布的实验室级振动基准数据集均参照UVAD的元数据规范。其开源框架VibNet-Experiments更成为后续研究（如复合故障诊断、多模态传感器融合）的基础代码库。