Compound Fault Diagnosis Dataset of Rotating Machinery

本数据集提供了一个真实的大型旋转机械故障诊断实验平台收集的实验数据。数据集旨在促进旋转机械故障诊断领域的研究和开发。实验设置包括一个离心多级叶轮鼓风机，在不同的数据折叠中模拟了各种故障条件。This dataset provides experimental data collected from a real-world large-scale rotating machinery fault diagnosis platform. The dataset is designed to facilitate research and development in the field of rotating machinery fault diagnosis. The experimental setup includes a centrifugal multi-stage impeller blower, which simulates various fault conditions across different data folds.

原始信息汇总

数据集概述

数据集名称

Compound Fault Diagnosis Dataset of Rotating Machinery

数据集目的

该数据集旨在促进旋转机械故障诊断领域的研究和开发。数据收集自一个真实的大型旋转机械故障诊断实验平台，包括一个离心多级叶轮鼓风机，模拟了不同的故障条件。

实验平台描述

实验数据来自广东省石化装备故障诊断重点实验室的测试平台。初始振动信号通过安装在变速箱上的美国CTC加速度传感器垂直采集。该平台包括三相感应电机、变速箱、轴承、负载和轴等关键组件。

数据折叠详情

• F0: 正常轴承；正常齿轮
• F1: 正常轴承；缺陷齿轮
• F2: 轴承内圈缺陷；正常齿轮
• F3: 轴承内圈缺陷；缺陷齿轮
• F4: 轴承外圈缺陷；正常齿轮
• F5: 轴承外圈缺陷；缺陷齿轮
• F6: 缺少滚珠的轴承；正常齿轮
• F7: 缺少滚珠的轴承；缺陷齿轮

参数描述

• chip: 数据收集通道
• wave: 收集的振动信号

数据集使用

用户可以探索该数据集进行故障诊断研究和实验，分析不同故障条件下的振动信号，以开发和评估故障诊断算法和技术。

致谢

本数据集得到广东省石化装备故障诊断重点实验室的支持，并感谢THUFDD小组在方案开发中的支持和贡献。

搜集汇总

数据集介绍

构建方式

该数据集通过在广东省石化设备故障诊断重点实验室中的大型旋转机械故障诊断实验平台上进行实验采集而构建。实验平台包括一个多级离心叶轮鼓风机，其关键组件如三相感应电机、齿轮箱、轴承、负载和轴等均被纳入测试范围。振动信号通过安装在齿轮箱上的美国CTC加速度计垂直采集。数据集涵盖了多种故障条件，如轴承和齿轮的正常与缺陷状态，具体分为八个数据折（F0至F7），每种情况均模拟了不同的故障组合。

特点

该数据集的显著特点在于其真实性和多样性。实验数据来源于实际的大型旋转机械故障诊断平台，确保了数据的可靠性。此外，数据集涵盖了多种故障组合，包括轴承内外圈缺陷、齿轮缺陷以及轴承滚珠缺失等，为研究复杂故障诊断提供了丰富的样本。每个数据折均详细标注了故障类型，便于研究人员进行精确的故障识别和分类。

使用方法

使用该数据集时，用户可通过克隆GitHub仓库获取数据，并根据提供的振动信号进行故障诊断研究。数据集适用于开发和评估旋转机械故障诊断算法，特别是基于振动信号的分析技术。用户可以分析不同故障条件下的振动信号，探索故障特征并验证诊断模型的有效性。引用该数据集时，建议参考提供的文献，以确保学术研究的规范性和准确性。

背景与挑战

背景概述

旋转机械复合故障诊断数据集（Compound Fault Diagnosis Dataset of Rotating Machinery）是由清华大学THUFDD团队与广东省石化设备故障诊断重点实验室合作创建的，旨在推动旋转机械故障诊断领域的研究与发展。该数据集基于一个真实的大型旋转机械故障诊断实验平台，通过传感器采集了多种故障条件下的振动信号，涵盖了从正常状态到多种复合故障的详细数据。数据集的创建不仅为研究人员提供了丰富的实验数据，还为开发和验证故障诊断算法提供了坚实的基础。

当前挑战

该数据集面临的挑战主要包括：首先，复合故障的复杂性使得故障特征的提取和识别变得困难，尤其是在多故障同时发生时，信号的混叠效应增加了诊断的难度。其次，数据集的构建过程中，如何确保传感器采集的振动信号的准确性和一致性也是一个重要挑战。此外，由于旋转机械的实际运行环境复杂多变，如何在不同工况下保持数据的有效性和代表性，也是研究者需要克服的问题。

常用场景

经典使用场景

在旋转机械故障诊断领域，Compound Fault Diagnosis Dataset of Rotating Machinery 数据集的经典应用场景主要集中在多故障状态的识别与分类。通过分析不同故障条件下的振动信号，研究人员能够开发和验证先进的故障诊断算法，特别是针对复合故障的检测与定位。该数据集的多样性和真实性使其成为评估和优化诊断模型性能的理想选择，尤其是在复杂工业环境中。

解决学术问题

该数据集解决了旋转机械故障诊断中的关键学术问题，特别是在复合故障的识别与分类方面。传统的单一故障诊断方法往往难以应对实际工业环境中多种故障同时发生的情况，而此数据集通过提供多种故障组合的振动信号，为研究者提供了一个有效的工具来探索和解决这一难题。其意义在于推动了故障诊断技术的进步，并为工业设备的智能化维护提供了理论支持。

衍生相关工作

基于该数据集，许多经典工作得以展开，特别是在复合故障诊断和主动学习方法的研究中。例如，Liu 等人提出了一种基于边缘表示的判别引导主动学习方法，用于工业复合故障诊断，显著提高了诊断的准确性和效率。此外，该数据集还促进了多准则主动学习方法的发展，为旋转机械的故障诊断提供了新的思路和方法。这些衍生工作不仅丰富了故障诊断领域的研究内容，也为实际应用提供了强有力的技术支持。