Multi-mode Fault Diagnosis Datasets of Gearbox Under Variable Working Conditions|故障诊断数据集|机器学习数据集

A benchmark fault diagnosis dataset comprises vibration data collected from a gearbox under variable working conditions with intentionally induced faults, encompassing diverse fault severities and types, and various compound faults.

原始信息汇总

数据集概述

数据集名称

• 名称: Multi-mode Fault Diagnosis Datasets of Gearbox Under Variable Working Conditions
• 数据识别号: 10.17632/p92gj2732w.1

数据集描述

• 格式: CSV
• 总量: 240套时间序列数据
• 数据来源:
  • 电机驱动端和变速箱中间轴的振动信号
  • 电机输出轴的关键相位信号（速度数据）
  • 变速箱输入轴的扭矩数据
• 采集单位: MCC5 Group Shanghai Co. LTD 和 清华大学自动化系

数据内容

• 列数: 8列
• 详细内容:
  • 速度: 电机输出轴的关键相位信号（无量纲）
  • 扭矩: 变速箱输入轴的扭矩（Nm）
  • 电机振动 (x, y, z): 电机驱动端的轴向、水平和垂直振动加速度（g）
  • 变速箱振动 (x, y, z): 变速箱中间轴轴承座的轴向、水平和垂直振动加速度（g）

实验设置

• 主要组件:
  • 2.2 kW三相异步电机
  • 扭矩传感器（型号S2001）
  • 两级平行变速箱
  • 磁粉制动器
  • 测量与控制系统

数据采集

• 采样频率: 12.8 kHz
• 存储格式: 标准Excel格式（.csv），单列，无时间戳
• 采集条件: 在变化的转速或负载下，固定持续时间为60秒

引用信息

• 参考文献:

  @article{CHEN2024110453, title = {Multi-mode Fault Diagnosis Datasets of Gearbox Under Variable Working Conditions}, journal = {Data in Brief}, pages = {110453}, year = ={2024}, doi = {https://doi.org/10.1016/j.dib.2024.110453}, author = {Shijin Chen and Zeyi Liu and Xiao He and Dongliang Zou and Donghua Zhou}, }

AI搜集汇总

数据集介绍

构建方式

该数据集通过精密实验设备，在多种变工况条件下采集了齿轮箱的振动信号。实验中使用了2.2 kW三相异步电机作为动力源，并配备了高精度的扭矩传感器和速度传感器，以确保数据的准确性。振动信号通过三轴加速度传感器采集，采样频率为12.8 kHz，覆盖了齿轮箱在不同速度和负载条件下的运行状态。数据集经过严格的温度控制，确保实验误差最小化，最终形成了240组时间序列数据，涵盖了多种故障类型和严重程度。

特点

该数据集的显著特点在于其多样性和复杂性。数据集不仅包含了多种故障模式，还涵盖了不同故障严重程度、稳态和过渡工作条件下的诊断任务。此外，数据集通过变工况条件下的实验设计，模拟了真实世界中齿轮箱的运行环境，使得研究者能够更全面地探索故障诊断的挑战。数据格式为CSV，便于处理和分析，且每组数据详细记录了速度、扭矩及振动信号的多维度信息。

使用方法

该数据集适用于多种故障诊断任务，包括复合故障诊断、不同故障严重程度的诊断、多稳态工作条件下的诊断等。研究者可以通过分析振动信号的时频特性，结合机器学习或深度学习算法，构建高效的故障诊断模型。数据集提供了详细的速度-时间曲线和负载-时间曲线，便于研究者理解实验条件。使用时，建议参考相关文献进行数据预处理和特征提取，以确保模型训练的有效性。

背景与挑战

背景概述

在机械工程领域，齿轮箱的故障诊断一直是研究的核心问题之一。随着工业设备复杂性的增加，齿轮箱在变工况下的故障诊断变得尤为重要。由上海MCC5集团与清华大学自动化系联合创建的‘Multi-mode Fault Diagnosis Datasets of Gearbox Under Variable Working Conditions’数据集，旨在为研究人员提供一个全面的资源，以探索在不同速度和负载条件下齿轮箱的振动信号分析。该数据集包含了240组时间序列数据，涵盖了多种故障类型、程度和操作场景，为机械状态监测和故障诊断提供了宝贵的实验数据。主要研究人员包括陈世金、刘泽一、何晓、邹东亮和周东华，他们的工作为该领域的研究奠定了坚实的基础。

当前挑战

该数据集面临的挑战主要集中在以下几个方面：首先，如何在变工况下准确捕捉和分析振动信号，以识别不同类型的故障，这是一个技术难题。其次，数据集的构建过程中，如何确保在不同速度和负载条件下数据的稳定性和一致性，也是一个重要的挑战。此外，数据集的多样性和复杂性要求研究人员开发更加精细的算法和模型，以有效处理和分析这些数据。最后，如何在实际应用中验证这些诊断方法的有效性，也是一个亟待解决的问题。

常用场景

经典使用场景

在机械工程领域，齿轮箱的多模式故障诊断数据集在变工况下的应用尤为经典。该数据集通过捕捉齿轮箱在不同速度和负载条件下的振动信号，为研究人员提供了丰富的实验数据。这些数据可用于振动分析、机器状态监测以及故障诊断等任务，尤其是在处理复合故障、不同故障严重程度、多稳态工作条件以及未知或变工况下的故障诊断时，展现了其独特的价值。

解决学术问题

该数据集解决了机械工程领域中关于齿轮箱在变工况下的故障诊断问题。通过提供详细的振动信号和操作条件数据，研究人员能够更准确地识别和分析齿轮箱的故障模式。这不仅有助于提高故障诊断的准确性，还为开发更智能的故障预测和维护系统提供了基础，从而推动了机械设备状态监测技术的发展。

衍生相关工作

基于该数据集，许多相关研究工作得以展开。例如，研究人员利用这些数据开发了多种故障诊断算法，包括基于深度学习的振动信号分析模型和复合故障识别方法。此外，该数据集还促进了多稳态和变工况下故障诊断技术的研究，推动了机械设备状态监测和预测维护领域的技术进步。这些衍生工作不仅丰富了学术研究，也为工业应用提供了新的解决方案。