多模式故障诊断数据集（三相异步电动机变工况）

该数据集由清华大学联合工业界合作伙伴构建，聚焦三相异步电动机在变工况下的多源故障诊断问题，包含24种故障类型（电气/机械/复合故障）在12种转速-负载组合下的8通道同步数据（振动/电流/扭矩/键相）。数据通过精密实验台架采集，采样频率12.8kHz，涵盖282组90秒时长的CSV文件，模拟了转子不平衡、轴承损伤等典型故障。其创新性在于首次系统整合了机电复合故障的时变工况数据，为开发跨域诊断算法提供了基准测试平台，特别适用于工业场景下电机健康状态监测研究。

This dataset was developed by Tsinghua University in collaboration with industrial partners, focusing on the multi-source fault diagnosis problem of three-phase asynchronous motors under time-varying operating conditions. It contains 8-channel synchronous data (vibration, current, torque, and key-phase) covering 24 fault types (electrical, mechanical, and compound faults) under 12 speed-load combinations. The data was collected via a precision experimental test bench with a sampling frequency of 12.8 kHz, and includes 282 sets of 90-second CSV files that simulate typical faults such as rotor unbalance and bearing damage. Its innovation lies in the first systematic integration of time-varying operating condition data for electromechanical compound faults, providing a benchmark test platform for the development of cross-domain diagnosis algorithms, and is particularly suitable for motor health condition monitoring research in industrial scenarios.

搜集汇总

数据集介绍

构建方式

在工业设备健康监测领域，三相异步电动机作为核心动力部件，其故障诊断的准确性直接关系到生产安全与效率。该数据集的构建依托于一套精密的实验平台，通过一台2.2千瓦三相异步电动机，在可控的变工况环境下系统采集多源同步信号。研究人员采用激光蚀刻、电阻并联及机械调整等物理方法，精确模拟了包括转子不平衡、定子绕组短路、轴承损伤及其复合故障在内的24种故障类型，涵盖轻度和重度两种严重程度。数据采集在12种不同的转速与负载工况下进行，通过八通道同步采集系统以12.8 kHz的采样频率记录了三轴振动、三相电流、扭矩及键相信号，最终形成了包含282组、每组持续90秒的CSV格式数据集。

特点

该数据集在电机故障诊断领域展现出显著的全面性与真实性。其核心特点在于广泛覆盖了单一故障与机电复合故障，并包含了稳态与瞬态两种运行条件，从而高度还原了工业现场中电机转速与负载波动的复杂场景。数据集提供了八通道同步数据，实现了振动与电流信号的融合，为从机电双重角度分析故障机理提供了可能。与现有代表性数据集相比，其在故障类型数量、信号维度及工况多样性方面均具有优势，特别是包含了9种复合故障与48种瞬态工况，为研究时变条件下的跨域故障诊断及混合模型开发奠定了坚实基础。

使用方法

该数据集为开发与验证面向真实工业环境的鲁棒性故障诊断算法提供了宝贵资源。研究人员可通过解析CSV文件中的多通道时序数据，提取振动与电流信号中的时域、频域及时频域特征，用于训练深度学习或传统机器学习模型。数据集丰富的故障类型与工况组合支持模型在跨工况、跨故障模式下的泛化能力评估。具体应用中，可基于键相信号计算转速，结合扭矩信息分析负载变化，并利用提供的故障频率系数进行特征分析与模型验证。数据集的结构化命名方式便于用户根据文件名快速定位特定的故障类型与运行条件，从而进行有针对性的算法设计与性能测试。

背景与挑战

背景概述

在工业驱动系统中，三相异步电动机作为核心动力元件，其运行可靠性直接影响生产系统的稳定性与经济效益。传统故障诊断方法常基于稳态工况数据，然而实际工业场景中电机常处于变转速、变负载的动态工况，导致故障特征呈现时变性与耦合性，为精确诊断带来严峻挑战。为此，清华大学与MCC5集团上海有限公司的研究团队于近年联合构建了多模式故障诊断数据集，旨在系统采集电机在多种变工况条件下的振动与电流同步信号。该数据集涵盖24种故障类型，包括电气故障、机械故障及机电复合故障，并设置了12种不同的转速与负载组合工况，为开发面向实际工业环境的鲁棒性故障诊断算法提供了关键数据支撑。

当前挑战

该数据集致力于解决变工况条件下电机多模式故障诊断的核心难题，其挑战主要体现在两方面：在领域问题层面，电机故障常呈现机电耦合特性，单一信号源难以区分故障根源；变工况导致故障特征频率发生偏移与调制，传统基于稳态假设的诊断模型泛化能力严重受限。在构建过程层面，需精确模拟多种故障类型与严重程度，并实现振动、电流、扭矩等多通道信号的高频同步采集；同时，为真实反映工业场景，必须在实验设计中复现转速与负载的连续变化过程，并控制环境干扰以确保数据质量，这些都对实验装置的设计与标定提出了极高要求。

常用场景

经典使用场景

在工业设备健康监测领域，三相异步电动机作为关键动力源，其运行状态直接影响生产系统的稳定性与安全性。该数据集通过采集变工况下的多通道同步信号，为开发鲁棒性强的故障诊断算法提供了理想实验平台。研究人员可基于此数据集，构建融合振动与电流信息的深度学习模型，模拟实际工业场景中转速与负载波动对故障特征的影响，从而验证诊断方法在动态环境下的泛化能力与准确性。

解决学术问题

该数据集有效应对了故障诊断研究中跨域迁移与变工况适应的核心挑战。传统方法往往在固定工况下表现良好，却难以处理实际工业中转速、负载连续变化的复杂场景。通过涵盖24种故障类型及12种变工况条件，该数据集支持学者探索特征解耦、域自适应等前沿技术，解决故障特征在时变条件下发生畸变或混淆的学术难题，为构建普适性强的智能诊断理论奠定数据基础。

衍生相关工作

该数据集催生了多项融合多模态信息的故障诊断创新研究。例如，基于证据集成与偏好引导的学习框架被提出，以处理变工况下的多模式故障分类问题；另有研究利用该数据集验证了跨域自适应方法在机械-电气复合故障中的有效性。这些工作深化了对时变条件下故障耦合机制的理解，推动了工业人工智能从静态诊断向动态智能运维的范式转变。