Multi-mode Fault Diagnosis Datasets of Three-phase Asynchronous Motor Under Variable Working Conditions

该数据集是一个全面的多源数据集，采集自一台2.2千瓦三相异步（感应）电动机在变速/负载条件下的运行数据。数据集旨在开发和验证在现实操作场景下，特别是时变（过渡）条件下的鲁棒故障诊断方法。与许多现有的电动机数据集不同，该数据集集成了电气故障、机械故障和机电复合故障，两种严重程度的代表性故障，以及结合振动和电流信息的同步8通道测量，用于多模态诊断。

This is a comprehensive multi-source dataset collected from a 2.2 kW three-phase asynchronous (induction) motor operating under variable speed and load conditions. The dataset aims to develop and validate robust fault diagnosis methods for real-world operational scenarios, especially under time-varying (transient) conditions. Distinct from most existing motor datasets, this dataset incorporates representative faults at two severity levels, namely electrical faults, mechanical faults, and electromechanical composite faults, alongside synchronous 8-channel measurements that combine vibration and current signals for multimodal diagnosis.

原始信息汇总

数据集概述

基本信息

• 数据集名称：Multi-mode Fault Diagnosis Datasets of Three-phase Asynchronous Motor Under Variable Working Conditions
• 数据来源：一台在变转速/负载条件下运行的2.2 kW三相异步（感应）电机。
• 核心特点：数据集专为在真实运行场景下开发和验证鲁棒的故障诊断方法而设计，尤其关注时变（过渡）工况。它集成了电气故障、机械故障和机电复合故障，包含代表性故障的两种严重程度，并提供振动和电流信息的同步8通道测量，以支持多模态诊断。

数据详情

• 数据格式：CSV
• 数据总量：282次运行记录，每次运行持续90秒。
• 采样频率：12.8 kHz
• 工况描述：覆盖稳态和过渡段的变转速/负载工况。
• 测量信号（8通道，同步）：
  • 键相信号（无量纲）
  • 扭矩（Nm）
  • 电机驱动端三轴振动加速度（0.1g）
  • 三相电机电流（0.1A）
• 数据文件结构：每个CSV文件包含8列（无时间戳列）。键相信号无量纲，可用于推导转速。

可变工况

包含两种运行场景：

1. 恒转速，变扭矩：电机转速保持恒定（例如1000/2000/3000 rpm），而扭矩随时间变化。
2. 恒扭矩，变转速：负载扭矩保持恒定（例如20 Nm / 40 Nm），而转速随时间变化。

故障类型（24种类型；电气、机械及复合故障）

电气故障

• 定子绕组匝间短路（两种严重程度，例如约5% vs. 约10%额定相电流等效值）
• 电压不平衡（两种严重程度，例如约4% vs. 约8%）
• 断条（例如移除连续的转子导条并进行重新平衡）

机械故障

• 转子不平衡（增加不平衡质量）
• 轴弯曲（永久性轴弯曲）
• 偏心（包括静态偏心，具有两种径向偏移严重程度，例如0.125 mm和0.250 mm）
• 轴承故障（SKF 6205深沟球轴承）
  • 内圈缺陷（轻度/重度）
  • 外圈缺陷（轻度/重度）
  • 滚动体损伤（滚珠缺陷）

机电复合故障（示例）

为研究耦合特征和交叉调制，包含了复合故障场景，例如：

• 轴承缺陷 + 静态偏心
• 轴承缺陷 + 转子不平衡
• 轴承缺陷 + 断条
• 轴承缺陷 + 绕组短路

文件命名约定（示例）

文件名编码了故障类型、严重程度、运行模式和关键条件设置。例如：

• Bearing_inner_L_speed_circulation_20Nm_1000rpm 表示在变转速工况下，扭矩20 Nm，对应转速-时间曲线标签的内圈轴承缺陷（轻度严重程度）。
• Bearing_inner_H_torque_circulation_20Nm_1000rpm 表示在变扭矩工况下，转速1000 rpm，对应扭矩-时间曲线标签的内圈轴承缺陷（重度严重程度）。

支持的研究任务

该数据集可支持（但不限于）以下研究任务：

• 多模态故障诊断（振动 + 电流融合）
• 复合故障诊断（机电耦合）
• 不同故障严重程度的故障诊断
• 多稳态工况下的故障诊断
• 未知/未见工况下的故障诊断
• 变工况下的故障诊断
• 过渡工况（时变转速/负载曲线）下的故障诊断

实验设置

测试台架包括：

• 2.2 kW三相异步电机
• 扭矩传感器（例如S2001；±0.5% F.S.精度）
• 两级平行齿轮箱（用于台架配置）
• 磁粉制动器（作为负载发生器）
• 多通道数据采集系统（同步采样，12.8 kHz）

传感器与测量：

• 安装在电机驱动端的三轴振动加速度传感器
• 用于相电流的三相电流钳
• 用于键相信号（无量纲）的键相传感器
• 实验室温度控制在较小范围内（例如±2°C）以减少实验方差。

故障通过物理方式引入（例如精密加工/激光蚀刻，公差严格），以确保可控且可重复的故障条件。

数据获取

• Mendeley Data：https://data.mendeley.com/datasets/6s3dggj9mw/1
• IEEE Dataport：https://ieee-dataport.org/documents/multi-mode-fault-diagnosis-datasets-three-phase-asynchronous-motor-under-variable-working
• Hugging Face：https://huggingface.co/datasets/Samlzy/MCC5-THU-Motor

引用

如果使用此数据集，请引用：

@article{Chen2026MotorDataset, title = {Multi-mode Fault Diagnosis Datasets of Three-phase Asynchronous Motor Under Variable Working Conditions}, author = {Shijin Chen and Zeyi Liu and Chenyang Li and Dongliang Zou and Xiao He and Donghua Zhou}, journal = {arXiv preprint arXiv:2601.02278}, year = {2026} }

许可

本项目采用MIT许可证 - 详情请见许可证文件。

致谢

感谢由何潇教授和周东华教授领导的THUFDD小组对本方案开发提供的宝贵支持和贡献。 感谢MCC5 Group上海有限公司和郑州大学的宝贵支持。

搜集汇总

数据集介绍

构建方式

在工业设备健康监测领域，三相异步电动机的故障诊断数据集构建需模拟真实工况。本数据集基于一台2.2千瓦三相异步电动机实验平台，通过精密传感器同步采集振动与电流信号，采样频率设定为12.8千赫兹。实验涵盖了电气故障、机械故障及机电复合故障共24种类型，每种故障均设置了两个严重等级，并在变转速与变负载的工况下进行数据记录。所有故障均通过物理方式精确引入，如激光蚀刻与不平衡质量添加，确保条件可控且可重复，最终形成282条持续90秒的同步八通道数据记录。

特点

该数据集的核心特点在于其多模态与多工况的综合性设计。数据同步整合了振动加速度的三轴信号与三相电流信息，为融合诊断提供了丰富特征。故障类型覆盖广泛，不仅包含单一电气或机械故障，还引入了机电耦合的复合故障场景，如轴承缺陷与转子不平衡的组合。工况设计兼顾稳态与瞬态过程，包含恒速变扭矩与恒扭矩变速两种模式，有效模拟了工业现场的时间变化条件，为研究未知工况下的诊断鲁棒性提供了坚实基础。

使用方法

研究人员可利用本数据集开发与验证多模态故障诊断算法。数据以CSV格式存储，包含转速、扭矩、三轴振动及三相电流共八列无时间戳信号，可直接用于特征提取与模型训练。文件命名编码了故障类型、严重程度、工况模式及关键参数，便于按需筛选数据子集。该数据集支持多任务研究，包括复合故障诊断、变工况下的泛化性能评估以及振动与电流的信息融合分析，为提升电动机智能运维的可靠性提供了标准化的实验基准。

背景与挑战

背景概述

在工业预测性维护领域，三相异步电动机作为核心动力设备，其健康状态监测对保障生产安全与效率至关重要。传统故障诊断方法多依赖于稳态工况下的单源信号，难以应对实际运行中复杂的变工况场景。为突破这一局限，由清华大学THUFDD团队主导，联合MCC5集团与郑州大学的研究人员，于2026年创建了“变工况下三相异步电动机多模态故障诊断数据集”。该数据集旨在为开发鲁棒的故障诊断算法提供真实、全面的基准数据，核心研究聚焦于解决电动机在变速变载运行条件下的多模态、复合故障及不同严重程度的精准诊断问题，显著推动了智能诊断技术向实际工业应用的迈进。

当前挑战

该数据集致力于应对的领域核心挑战，在于实现复杂工业场景下电动机故障的精准、鲁棒诊断。具体而言，需克服变工况导致的信号特征漂移、复合故障耦合效应下的特征解耦、以及不同故障严重程度的细微差异辨识等难题。在数据集构建过程中，挑战同样显著：为模拟真实故障，需对电机进行精密的物理改造以引入可控且可重复的电气、机械及机电复合故障；同时，在变速、变载的动态实验过程中，需确保八通道振动与电流信号的同步高保真采集，并有效控制磁滞效应等非理想因素对预设工况轨迹的干扰，以保障数据的一致性与可靠性。

常用场景

经典使用场景

在工业设备健康管理领域，三相异步电动机作为关键动力装置，其故障诊断的准确性直接关系到生产安全与效率。该数据集通过整合振动与电流的多模态同步测量数据，为研究人员提供了在变速变载工况下进行故障模式识别的经典场景。它特别适用于开发鲁棒性强的诊断模型，以应对电机在稳态与瞬态运行过程中产生的复杂信号特征，从而模拟真实工业环境中的动态监测需求。

实际应用

在实际工业场景中，该数据集支持构建高可靠性的电机预测性维护系统。例如，在风力发电、轨道交通或智能制造生产线中，电机常运行于复杂的负载与速度变化下。利用该数据集训练的模型，能够实现对轴承缺陷、转子不平衡、绕组短路等常见故障的早期预警与精准定位，从而减少非计划停机，优化维护策略，提升关键设备的运行寿命与整体系统的经济性。

衍生相关工作

基于该数据集丰富的多模态与变工况特性，已衍生出一系列经典研究工作。这些工作主要集中在深度神经网络架构的设计，如用于特征提取的卷积神经网络与长短期记忆网络结合模型，以及针对域自适应和迁移学习的方法，以解决未知工况下的诊断难题。此外，在信号处理层面，研究如何有效融合振动与电流信号以增强对复合故障的辨识能力，也成为该数据集推动的重要学术方向。