Case Western Reserve University bearing dataset

Case Western Reserve University轴承数据集，用于轴承故障诊断，数据集已经转换为频域，每个样本包含512个点

Case Western Reserve University Bearing Dataset, designed for bearing fault diagnosis, has been transformed into the frequency domain, with each sample containing 512 data points.

原始信息汇总

CAC-CycleGAN-WGP 数据集概述

数据集简介

• 实现基于不平衡数据集的 CAC-CycleGAN-WGP 进行轴承故障诊断。

论文信息

• 论文标题：A Novel Approach for Intelligent Fault Diagnosis in Bearing With Imbalanced Data Based on Cycle-Consistent GAN
• 作者：W. Liao, L. Wu, S. Xu, S. Fujimura
• 期刊：IEEE Transactions on Instrumentation and Measurement
• 卷号：73
• 页码：1-16
• 文章编号：3525416
• DOI：10.1109/TIM.2024.3427866

数据集来源

• 数据集基于 Case Western Reserve University 轴承数据集。

环境要求

• Python 版本：3.9.20
• Tensorflow 版本：2.10.0
• pandas 版本：1.3.5
• scikit-learn 版本：1.0.2
• 测试环境：tensorflow 2.10.0, CUDA driver 12.7, CUDA toolkit 11.8, Ubuntu 22.04

快速开始

• 运行命令：python CAC_CycleGAN_WGP.py
• 数据集已转换为频率域，每个样本包含 512 个点。

搜集汇总

数据集介绍

构建方式

Case Western Reserve University bearing dataset 乃是基于实际轴承故障诊断场景构建而成。该数据集通过采集轴承在不同故障状态及负载条件下的振动信号，运用快速傅里叶变换（FFT）转换至频域，进而形成包含512个数据点的样本。数据集的构建严格遵循了轴承故障诊断领域的研究范式，确保了数据的有效性与可靠性。

特点

该数据集显著的特征在于其反映了轴承在不同故障阶段和不同负载条件下的振动特性，对于研究轴承故障的演变机制与诊断模型具有重要的参考价值。此外，数据集面临类别不平衡的挑战，为故障诊断研究提供了更具现实意义的难题。其样本经过FFT处理，能够在频域内有效表征轴承状态，便于深入挖掘故障特征。

使用方法

用户可通过运行提供的Python脚本，即执行'CAC_CycleGAN_WGP.py'，来加载并使用该数据集。数据集的使用需满足特定的环境要求，包括Python 3.9.20、Tensorflow 2.10.0、pandas 1.3.5以及scikit-learn 1.0.2等。此外，代码已在配备CUDA driver 12.7、CUDA toolkit 11.8的Ubuntu 22.04系统中测试通过，确保了在不同平台间的一致性与可用性。

背景与挑战

背景概述

Case Western Reserve University bearing dataset，简称CWRU轴承数据集，是由Case Western Reserve University的研究团队于2014年创建的。该数据集专为轴承故障诊断研究而设计，包含了大量轴承在不同运行状态下的振动信号，是机械故障诊断领域内极具影响力的数据集。其主要研究人员包括W. Liao, L. Wu, S. Xu和S. Fujimura，他们在2024年的IEEE Transactions on Instrumentation and Measurement上发表的相关论文，进一步推动了该数据集在智能故障诊断方面的应用研究。

当前挑战

该数据集在研究领域中面临的挑战主要涉及两个方面：一是领域问题层面的挑战，即轴承故障诊断中的数据不平衡问题，这给模型的训练和故障的准确诊断带来了困难；二是数据集构建过程中的挑战，包括如何准确捕捉轴承在不同故障状态下的微弱信号，以及如何处理和转换这些信号以便于模型的输入，例如通过FFT转换到频域，并确保每个样本包含足够的信息量。

常用场景

经典使用场景

在机械故障诊断领域，Case Western Reserve University bearing dataset被广泛用于轴承故障检测的研究。该数据集通过包含不同故障状态和负载条件下的轴承振动信号，为研究者提供了一个可靠的实验平台，以评估和验证故障诊断算法的有效性。

衍生相关工作

基于Case Western Reserve University bearing dataset，衍生的相关工作包括了Liao等人提出的基于Cycle-Consistent GAN的智能故障诊断方法，该方法在处理不平衡数据集方面取得了显著成效，为后续的故障诊断研究提供了新的视角和技术路径。

数据集最近研究

最新研究方向

近期，研究者们针对轴承故障诊断领域的不平衡数据问题，提出了一种基于Cycle-Consistent GAN（生成对抗网络）的智能化故障诊断新方法。该方法以Case Western Reserve University bearing dataset为数据基础，通过论文《A Novel Approach for Intelligent Fault Diagnosis in Bearing With Imbalanced Data Based on Cycle-Consistent GAN》详细阐述了其技术路径与成果。该研究旨在提高轴承故障诊断的准确性，尤其是在数据分布不均的情境下，其对于工业设备状态监测与预测维护具有重要的实践意义和广阔的应用前景。