HUSTbearing dataset

该数据集包含轴承在九种不同健康状态下的振动信号，涵盖四种不同的操作条件。这些数据集公开可用，任何人都可以使用它们来验证滚动轴承的诊断算法。

This dataset comprises vibration signals from bearings under nine distinct health conditions, encompassing four different operational scenarios. The dataset is publicly accessible, enabling anyone to utilize it for validating diagnostic algorithms for rolling bearings.

原始信息汇总

数据集概述

• 名称: HUSTbearing dataset
• 类型: 开源数据集
• 内容: 包含来自轴承在9种不同健康状态下的振动信号，这些信号是在11种不同的操作条件下采集的。
• 用途: 用于验证滚动轴承故障诊断算法的有效性。
• 引用要求: 使用此数据集的研究应引用论文：Chao Zhao, Enrico Zio, Weiming Shen, Domain Generalization for Cross-Domain Fault Diagnosis: an Application-oriented Perspective and a Benchmark Study, Reliability Engineering and System Safety (2024), doi: https://doi.org/10.1016/j.ress.2024.109964.

实验细节

• 测试设备: 使用Spectra-Quest Mechanical Fault Simulator进行轴承故障测试。
• 轴承健康状态: 包括正常状态及8种故障状态，具体为：
  • 正常
  • 中等内圈故障
  • 严重内圈故障
  • 中等外圈故障
  • 严重外圈故障
  • 中等滚珠故障
  • 严重滚珠故障
  • 中等组合故障（内圈和外圈）
  • 严重组合故障（内圈和外圈）
• 测试轴承型号: ER-16K
• 轴承参数:
  • 轴直径: 38.52 mm
  • 滚珠直径: 7.94 mm
  • 滚珠数量: 9
• 操作条件: 共11种，包括20 Hz至80 Hz的频率以及0-40-0 Hz的时变速度。
• 采样设置:
  • 采样频率: 25.6 kHz
  • 每次采样数据点数: 262144（相当于10.2秒）

数据集详情

• 文件格式: Excel
• 文件数量: 99（9种健康状态 × 11种工作条件）
• 文件命名规则: 例如，"0.5X_B_65Hz"表示在65 Hz工作条件下，中等滚珠故障。其中，0.5X代表中等损伤。
• 健康状态代码:
  • H: 健康
  • I: 内圈故障
  • O: 外圈故障
  • B: 滚珠故障
  • C: 组合故障

联系信息

• 联系人: Chao Zhao
• 邮箱: [e-mail]

AI搜集汇总

数据集介绍

构建方式

HUSTbearing数据集通过在Spectra-Quest机械故障模拟器上进行实验构建，涵盖了9种不同的健康状态和11种操作条件下的轴承振动信号。实验中，轴承的健康状态包括正常、中等和严重的内圈、外圈、滚珠以及组合故障。每种状态在不同的操作频率下进行测试，采样频率设定为25.6 kHz，每次采样记录262144个数据点，相当于10.2秒的数据。数据文件以Excel格式存储，文件名中包含了故障类型和操作频率信息，便于用户识别和使用。

使用方法

HUSTbearing数据集的使用方法相对直接。用户可以通过访问提供的Google Drive或Quark Disk链接下载数据文件。每个文件以Excel格式存储，文件名中包含了故障类型和操作频率信息，用户可以根据需要选择特定的文件进行分析。数据集适用于验证滚动轴承故障诊断算法，特别是在不同操作条件和健康状态下的性能评估。使用时，建议引用相关文献以确保数据的正确使用和归属。

背景与挑战

背景概述

HUSTbearing数据集是由华中科技大学（HUST）的研究团队创建并公开发布的，旨在为滚动轴承故障诊断领域提供一个标准化的数据集。该数据集的创建时间为2024年，主要研究人员包括赵超等，其核心研究问题是如何在不同操作条件下准确诊断滚动轴承的健康状态。该数据集包含了9种不同的健康状态和11种操作条件下的振动信号，为研究人员提供了一个全面的基准，以验证和改进故障诊断算法。这一数据集的发布对机械故障诊断领域具有重要意义，因为它不仅提供了丰富的实验数据，还为跨领域故障诊断的通用性研究提供了基础。

当前挑战

HUSTbearing数据集在构建过程中面临了多个挑战。首先，数据集需要涵盖多种健康状态和操作条件，这要求实验设计必须精确且全面，以确保数据的代表性和可靠性。其次，数据集的构建涉及复杂的实验设备和操作流程，如Spectra-Quest机械故障模拟器和25.6 kHz的高采样频率，这些都增加了数据采集的难度。此外，数据集的标注和文件命名需要严格遵循标准，以确保用户能够准确理解和使用数据。最后，数据集的公开发布需要确保其易用性和可访问性，以便全球研究人员能够充分利用这一资源进行相关研究。

常用场景

经典使用场景

在机械故障诊断领域，HUSTbearing数据集以其丰富的振动信号和多样的健康状态成为研究滚动轴承故障诊断的经典工具。该数据集涵盖了9种不同的轴承健康状态和11种操作条件，为研究人员提供了广泛的实验数据。通过分析这些数据，研究者可以开发和验证各种故障诊断算法，特别是在多变工况下的故障识别和分类。

解决学术问题

HUSTbearing数据集解决了机械工程领域中滚动轴承故障诊断的关键问题。通过提供多状态、多工况下的振动信号数据，该数据集为研究者提供了一个标准化的测试平台，有助于推动故障诊断算法的发展和优化。其重要性在于，它不仅促进了新算法的开发，还为现有算法的性能评估提供了可靠的基准。

实际应用

在实际工业应用中，HUSTbearing数据集为滚动轴承的在线监测和故障预警系统提供了宝贵的数据支持。通过分析数据集中的振动信号，工程师可以开发出高效的故障检测和诊断工具，从而提高设备的可靠性和运行效率。此外，该数据集还可用于培训和验证智能诊断系统，确保其在实际应用中的准确性和鲁棒性。

数据集最近研究

最新研究方向

在机械故障诊断领域，HUSTbearing数据集因其丰富的健康状态和多样的操作条件而备受关注。最新研究方向主要集中在利用深度学习技术，如卷积神经网络（CNN）和长短期记忆网络（LSTM），对振动信号进行特征提取和故障分类。此外，跨域故障诊断的领域泛化研究也成为一个热点，旨在解决不同工况下故障诊断模型的泛化能力问题。这些研究不仅提升了故障诊断的准确性和鲁棒性，还为工业设备的智能维护提供了新的技术支持。