HUST bearing

提供了一个包含90个原始振动数据的大型数据集，涵盖了6种不同缺陷（内裂、外裂、球裂及其两两组合）在5种轴承上的数据，工作条件为3种，采样率为每秒51,200个样本。

This large-scale dataset contains 90 sets of raw vibration data, covering 6 distinct defect types (inner race crack, outer race crack, ball crack and their pairwise combinations) collected from 5 types of bearings under 3 operating conditions, with a sampling rate of 51,200 samples per second.

搜集汇总

数据集介绍

构建方式

在滚动轴承故障诊断领域，高质量数据集的构建对于推动智能诊断算法的发展至关重要。HUST bearing数据集的构建采用了系统化的工程方法，其核心在于通过人工方式在五种不同型号的滚动轴承上模拟了六类典型缺陷。具体而言，研究者利用线切割技术在轴承的内圈、外圈及滚动体上制造了宽度为0.2毫米的微裂纹，以模拟故障的早期形态。数据采集在一个包含感应电机、粉末制动器和多级阶梯轴的专用测试台上完成，通过高精度加速度传感器在三种不同负载条件下，以51.2 kHz的高采样率记录了轴承的振动信号。整个采集过程由基于NI CompactDAQ的自动化测量系统实现，确保了数据的精确性与一致性。

特点

该数据集在轴承故障诊断领域展现出鲜明的特色与优势。其最显著的特点在于数据的多样性与系统性，涵盖了6204至6208五种不同尺寸的轴承型号，并包含了单一故障及两两组合的双重故障共六种缺陷类型，这为研究多轴承、复合故障的诊断问题提供了宝贵资源。数据集提供了高达51.2 kHz采样率的原始振动数据，能够捕捉故障激励的细微特征。此外，数据采集覆盖了空载、200W和400W三种负载工况，并特别包含了5秒的启动过程数据，为研究变转速条件下的故障诊断算法奠定了基础。这种在轴承型号、故障类型和工况上的多重多样性，使其成为评估模型泛化与迁移能力的理想测试平台。

使用方法

该数据集为轴承智能故障诊断研究提供了多层次的应用途径。研究者可直接利用其提供的90组原始振动信号文件，开展从传统信号处理到前沿机器学习算法的各类实验。在方法验证层面，可遵循论文中所述的流程：将长时序数据分割为定长样本，进而从时域、频域或时频域提取特征，用于训练如支持向量机、决策树、卷积神经网络等分类模型，以评估不同特征表示与模型架构的诊断性能。更为重要的是，该数据集因其内在的多样性，特别适合于无监督迁移学习研究。学者可以灵活设定源域与目标域，例如将某几种轴承的数据作为带标签的源域，另一种轴承的数据作为无标签的目标域，用以验证和开发领域自适应算法，探究知识在不同轴承型号间的迁移能力，从而推动诊断模型向实际工业场景的落地应用。

背景与挑战

背景概述

滚动轴承作为旋转机械的核心部件，其健康状态直接关系到工业设备的安全运行与生产效率。在电机故障中，轴承故障占比接近半数，一旦发生将引发机械结构损坏与生产停滞，因此早期故障诊断成为工业健康监测领域的关键课题。河内科学技术大学的研究团队于近年发布了HUST bearing数据集，旨在为轴承智能故障诊断提供多元化的振动数据支持。该数据集聚焦于低负载工况下的电机轴承，涵盖了6204至6208五种型号轴承在六种缺陷类型（包括单点与复合故障）下的振动信号，采样频率高达51.2 kHz，并包含三种负载条件与启动瞬态数据。其核心研究在于通过多轴承、多工况的数据结构，推动迁移学习与跨域诊断方法的发展，以解决实际工业场景中数据分布差异的挑战，为智能诊断模型的泛化能力评估提供了重要基准。

当前挑战

HUST bearing数据集致力于解决轴承故障诊断领域的两大核心挑战：一是针对实际工业环境中多轴承类型、多工况条件导致的诊断模型泛化难题，传统数据集往往局限于单一轴承型号，难以应对复杂多变的真实场景；二是早期微弱故障的特征提取与识别困难，尤其在负载变化与噪声干扰下，故障特征易被掩盖。在数据构建过程中，研究团队面临诸多技术挑战：首先需在多种轴承型号上精确生成可复现的微米级裂纹，以模拟故障初期状态；其次需设计能够灵活适配不同轴承尺寸的多级轴测试平台，并确保高采样率下振动信号采集的同步性与稳定性；此外还需平衡人工缺陷生成效率与自然故障真实性之间的矛盾，以在可控条件下提供足够丰富的数据变异。

常用场景

经典使用场景

在旋转机械健康监测领域，轴承故障诊断是保障工业设备安全运行的核心环节。HUST bearing数据集通过提供五种不同型号轴承在多种缺陷类型及工况下的振动数据，为机器学习模型训练与验证奠定了坚实基础。该数据集最经典的使用场景在于支持基于深度学习的智能诊断算法开发，研究人员利用其丰富的时域、频域及时频域特征，构建卷积神经网络等模型，实现对内圈裂纹、外圈裂纹、滚珠裂纹及其组合缺陷的高精度分类，准确率可达100%。

解决学术问题

该数据集有效解决了轴承故障诊断中数据分布差异导致的模型泛化难题。传统单一轴承数据集难以反映实际工业场景中多型号、多工况的复杂性，HUST bearing通过涵盖五种轴承型号、六种缺陷类型及三种负载条件，为域适应与迁移学习研究提供了理想实验平台。其意义在于推动了跨域故障诊断方法的发展，使智能模型能够克服数据分布偏移，在真实工业环境中实现可靠的知识迁移，提升了诊断系统的实用性与鲁棒性。

衍生相关工作

围绕HUST bearing数据集，学术界衍生出一系列聚焦跨域诊断与特征学习的经典研究。学者们基于其多轴承特性，开发了基于最大均值差异的域适应方法、多核域对齐算法以及深度对抗迁移网络，显著提升了模型在未知工况下的诊断性能。这些工作不仅验证了数据集在迁移学习任务上的优越性，还推动了轴承诊断从单一模型向自适应系统的演进，为复杂工业环境下的智能运维提供了方法论指导。