SDU-QIT 立铣刀加速寿命试验数据集

本研究所用数据均来源于本项目团队依托齐鲁理工学院实验平台采集并开源的 SDU-QIT 立铣刀加速寿命试验数据集。该数据集是国内首个聚焦于变工况条件下的机床立铣刀加速寿命试验公开数据集，在山东省重大科技创新工程项目支持下，于 VDF-850 立式加工中心上采集，包含 2 种工况下 6 把立铣刀的全寿命周期三轴振动信号（KS903 传感器，10 kHz 采样），并标注了主 / 副后刀面磨损宽度 VB 与磨损面积 S_VB 共 5 类标签，覆盖刀具从初期磨损到急剧磨损的完整演化阶段。The data used in this study are all sourced from the SDU-QIT end mill accelerated life test dataset, which was collected and open-sourced by the project team using the experimental platform of Qilu Institute of Technology. This dataset is the first domestic open dataset focusing on accelerated life tests of machine tool end mills under variable working conditions. Supported by the Major Scientific and Technological Innovation Project of Shandong Province, the dataset was collected on a VDF-850 vertical machining center. It contains full-life-cycle three-axis vibration signals from 6 end mills under 2 working conditions, acquired via KS903 sensors at a sampling rate of 10 kHz, and is annotated with a total of 5 types of labels, including the wear width VB and wear area S_VB of both the main and secondary flank faces. This dataset covers the complete evolutionary stage of the cutting tool from initial wear to severe wear.

原始信息汇总

数据集概述

该数据集为 SDU-QIT 立铣刀加速寿命试验数据集，是国内首个聚焦于变工况条件下的机床立铣刀加速寿命试验公开数据集。

数据来源与采集平台

• 数据由项目团队依托齐鲁理工学院实验平台采集并开源
• 在 VDF-850 立式加工中心上完成采集
• 得到山东省重大科技创新工程项目支持

数据内容

• 包含 2 种工况下 6 把立铣刀的全寿命周期数据
• 信号类型：三轴振动信号（使用 KS903 传感器，采样频率为 10 kHz）
• 覆盖刀具从初期磨损到急剧磨损的完整演化阶段

标签信息

标注了主/副后刀面磨损宽度 VB 与磨损面积 S_VB，共 5 类标签。

数据用途

可为刀具磨损状态识别与剩余寿命预测算法提供可靠的数据支撑。

获取方式

由于数据集体量较大及仓库文件大小限制，数据以分卷压缩包形式上传，需用户自行下载。

搜集汇总

数据集介绍

构建方式

该数据集由齐鲁理工学院实验团队依托VDF-850立式加工中心平台精心采集，是国内首个聚焦于变工况条件下机床立铣刀加速寿命试验的公开数据集。在山东省重大科技创新工程项目支持下，团队选用KS903传感器以10 kHz采样率，系统记录了2种工况下6把立铣刀全寿命周期的三轴振动信号，并同步标注了主、副后刀面磨损宽度VB与磨损面积S_VB共5类标签，完整呈现刀具从初期磨损至急剧磨损的整个演化历程。数据以分卷压缩包形式发布，突破了GitHub文件大小限制，确保数据完整性与可访问性。

特点

该数据集独具匠心，聚焦于变工况这一工业实际场景，填补了国内相关领域公开数据集的空白。其多标签体系同时涵盖磨损宽度与磨损面积，为刀具磨损状态的多维度精细刻画提供了可能。全寿命周期的振动信号覆盖了刀具从初始到失效的全过程，为研究磨损演化规律及构建剩余寿命预测模型奠定了坚实的数据基础。数据采集于真实加工中心，采样频率高、信号质量可靠，能够有效反映不同工况下的刀具动态特性，极具科研与应用价值。

使用方法

使用者需先从GitHub页面下载分卷压缩包，解压后即可获得原始振动信号与磨损标签文件。数据可便捷地用于刀具磨损状态识别，通过特征提取与机器学习或深度学习算法进行模式分类；也可用于剩余寿命预测，构建基于回归或序列模型的预测框架。鉴于数据类型为高速率时间序列，建议结合时频分析或深度学习方法处理。在引用时，请遵照开源协议规范，并注明数据来源，以尊重原团队的贡献。

背景与挑战

背景概述

在智能制造与工业4.0的浪潮下，刀具状态监测作为保障加工质量与效率的核心环节，日益受到学术界与工业界的广泛关注。然而，现有公开数据集多局限于恒定工况，难以反映实际加工中转速、进给量等参数的动态变化，制约了刀具磨损智能诊断模型的泛化能力。针对这一空白，山东省重大科技创新工程项目支持下，齐鲁理工学院研究团队依托VDF-850立式加工中心，构建了国内首个变工况条件下的立铣刀加速寿命试验数据集——SDU-QIT。该数据集于2023年前后采集，涵盖两种工况下六把立铣刀全寿命周期的三轴振动信号（KS903传感器，10kHz采样），并精细标注了主/副后刀面磨损宽度VB及磨损面积S_VB共五类标签，完整覆盖刀具从初期磨损至急剧磨损的演化历程。该数据集为刀具磨损状态识别与剩余寿命预测研究提供了宝贵的benchmark资源，有力推动了变工况下智能运维技术的发展。

当前挑战

SDU-QIT数据集在构建与应用中面临多重挑战。首先，所解决的领域核心问题——变工况下刀具磨损状态识别与剩余寿命预测——具有高度复杂性：实际加工中切削参数、材料特性及冷却条件等时变因素导致振动信号呈现显著的非平稳性与非线性，使得传统特征提取与模型泛化面临严峻考验；同时，刀具磨损的渐进性与突发性交织，加剧了退化轨迹建模的不确定性。其次，在数据采集过程中，加速寿命试验需在保证安全的前提下加速刀具失效，对试验方案设计提出高要求；六把刀具在两种工况下的样本量相对有限，对深度学习等数据驱动方法构成过拟合风险；此外，多类磨损标签（VB与S_VB）的精确标注依赖于高精度测量与主观判别，易引入标记噪声。最终，数据集体量庞大，因存储限制需分卷压缩上传，也为用户下载与使用增添了额外技术门槛，对数据的可获取性与可复现性构成挑战。

常用场景

经典使用场景

在智能制造与精密加工领域，刀具状态监测是保障工件质量与加工效率的核心环节。SDU-QIT立铣刀加速寿命试验数据集为变工况下刀具磨损状态识别与剩余寿命预测提供了宝贵的基准资源。研究者可基于该数据集，利用其三轴振动信号与完整的磨损标签，开发并验证机器学习或深度学习模型，实现刀具磨损阶段的精细分类或剩余使用寿命的精确回归预测。该数据集的独特之处在于其变工况设计，能够模拟实际加工中转速、进给量等参数波动的情况，从而评估算法在不同工况下的泛化能力，是检验模型鲁棒性与适应性的理想实验平台。

衍生相关工作

自发布以来，SDU-QIT数据集已衍生出多类相关学术工作。围绕该数据集，研究者们探索了面向变工况的域适应学习方法，以解决不同刀具或切削参数下特征分布偏移问题。亦有工作致力于开发新型的深度学习架构，如卷积神经网络与长短期记忆网络的组合模型，以更有效地从原始振动信号中提取时频特征并捕捉寿命衰减趋势。此外，一些研究将该数据集作为基准，对比不同信号处理技术（如小波包分解、经验模态分解）与回归模型在剩余寿命预测上的表现。在工程应用层面，该数据集也被用于验证特征工程与在线监控策略的可行性。这些衍生工作不仅扩展了数据集的学术价值，也推动了刀具磨损智能诊断技术的持续创新。

数据集最近研究

最新研究方向

在智能制造与工业4.0的浪潮中，刀具状态监测作为保障加工质量与提升生产效率的核心环节，正日益受到学术界与工业界的广泛关注。SDU-QIT立铣刀加速寿命试验数据集作为国内首个聚焦于变工况条件的公开数据集，其发布填补了该领域在复杂加工环境下全生命周期数据资源的空缺。该数据集依托山东省重大科技创新工程项目，通过高精度三轴振动信号采集与精细的磨损标签标注，为基于深度学习的刀具磨损状态识别和剩余寿命预测提供了坚实的实验基础。当前，该数据集的前沿研究方向聚焦于跨工况下的域自适应算法开发、多传感器信息融合的智能诊断模型构建，以及基于注意力机制与图神经网络的磨损演进规律挖掘。这些研究不仅推动了数据驱动维护策略的精细化发展，也对提升航空航天、汽车制造等高端装备领域的刀具管理智能化水平具有重要的实践意义，为构建自适应、自优化的智能制造系统贡献了关键的数据基石。