Mechanical-datasets

该仓库包含用于论文Highly-Accurate Machine Fault Diagnosis Using Deep Transfer Learning的机械数据集。数据包括由传感器获取的原始振动信号。轴承数据集来自Case Western Reserve University轴承数据中心，数据文件名如B007_0，首字母代表故障位置，后续数字代表故障直径和轴承负载。齿轮箱数据集来自中国东南大学，数据收集自Drivetrain Dynamic Simulator，包含轴承和齿轮数据，工作条件包括20-0和30-2两种配置。This repository contains the mechanical dataset used in the paper 'Highly-Accurate Machine Fault Diagnosis Using Deep Transfer Learning'. The data includes raw vibration signals acquired by sensors. The bearing dataset is sourced from the Case Western Reserve University Bearing Data Center, with filenames such as B007_0, where the initial letter represents the fault location, and the subsequent numbers denote the fault diameter and bearing load. The gearbox dataset is provided by Southeast University in China, collected from the Drivetrain Dynamic Simulator, encompassing both bearing and gear data, with operating conditions including two configurations: 20-0 and 30-2.

原始信息汇总

数据集概述

机械数据集

轴承数据集

• 来源：Case Western Reserve University bearing data center
• 文件命名规则：
  • 首字母代表故障位置（B-轴承滚子，IR-内圈，OR-外圈）
  • 接下来的三位数字代表故障直径（0.007, 0.014, 0.021 英寸）
  • 最后一个数字代表轴承负载（0,1,2,3）
• 数据来源：风扇端，标记为 FE

齿轮箱数据集

• 来源：中国东南大学
• 数据收集设备：Drivetrain Dynamic Simulator
• 子数据集：包含轴承数据和齿轮数据
• 工作条件：两种，旋转速度-负载配置设为 20-0 和 30-2
• 信号描述：
  • 第1行：电机振动
  • 第2,3,4行：行星齿轮箱在x, y, z方向的振动
  • 第5行：电机扭矩
  • 第6,7,8行：平行齿轮箱在x, y, z方向的振动
  • 第2,3,4行的信号均为有效信号

搜集汇总

数据集介绍

构建方式

Mechanical-datasets的构建基于机械故障诊断领域的需求，数据集主要来源于两个权威机构：Case Western Reserve University轴承数据中心和东南大学。轴承数据通过传感器采集振动信号，涵盖了不同故障位置、故障直径和轴承负载条件下的数据。齿轮箱数据则通过Drivetrain Dynamic Simulator采集，包含轴承和齿轮两类数据，并在不同转速和负载条件下进行实验。数据文件的命名规则清晰，便于用户快速理解数据内容。

特点

该数据集的特点在于其多样性和高精度。轴承数据涵盖了滚动体、内圈和外圈三种故障位置，故障直径从0.007英寸到0.021英寸不等，负载条件也分为四种。齿轮箱数据则提供了电机振动、行星齿轮箱和平行齿轮箱在三个方向上的振动信号，以及电机扭矩数据。这些数据为机械故障诊断提供了丰富的实验场景和精确的信号特征，适用于深度学习模型的训练和验证。

使用方法

使用Mechanical-datasets时，用户可以根据文件名中的编码快速定位所需数据。例如，轴承数据文件名中的字母和数字分别表示故障位置、故障直径和负载条件。齿轮箱数据文件则包含多行信号，每行对应不同的传感器输出。用户可以通过提取特定行或列的数据，结合深度学习算法进行故障诊断模型的训练和测试。该数据集特别适合用于迁移学习和高精度故障诊断研究。

背景与挑战

背景概述

Mechanical-datasets数据集由Case Western Reserve University轴承数据中心和东南大学共同构建，主要用于机械故障诊断领域的研究。该数据集的核心研究问题是通过深度学习技术实现高精度的机械故障诊断，特别是在轴承和齿轮箱的振动信号分析方面。数据集中的轴承数据来源于Case Western Reserve University，包含了不同故障位置、故障直径和轴承负载条件下的振动信号；齿轮箱数据则来源于东南大学的Drivetrain Dynamic Simulator，涵盖了不同转速和负载条件下的振动信号。该数据集的创建为机械故障诊断领域提供了重要的实验基础，推动了基于深度学习的故障诊断技术的发展。

当前挑战

Mechanical-datasets数据集在解决机械故障诊断问题时面临多重挑战。首先，机械故障诊断的复杂性要求数据集能够涵盖多种故障类型和工况条件，这对数据的多样性和代表性提出了较高要求。其次，振动信号的采集和处理过程中容易受到噪声干扰，如何有效提取故障特征并降低噪声影响是一个关键问题。此外，数据集的构建过程中，不同来源的数据格式和采集条件存在差异，如何统一处理并确保数据的一致性也是一大挑战。这些挑战不仅影响了数据集的构建质量，也对后续的模型训练和故障诊断精度产生了深远影响。

常用场景

经典使用场景

在机械故障诊断领域，Mechanical-datasets数据集被广泛应用于深度学习模型的训练与验证。该数据集包含了从轴承和齿轮箱采集的振动信号，这些信号通过传感器精确记录，能够反映机械设备的运行状态。研究人员利用这些数据，能够构建高精度的故障诊断模型，从而实现对机械故障的早期检测与分类。

实际应用

在实际应用中，Mechanical-datasets数据集被广泛用于工业设备的健康监测与维护。通过分析轴承和齿轮箱的振动信号，工程师能够实时监控设备的运行状态，预测潜在的故障，并制定相应的维护策略。这不仅减少了设备的停机时间，还显著降低了维护成本，提高了生产效率。

衍生相关工作

基于Mechanical-datasets数据集，许多经典的研究工作得以展开。例如，研究人员利用该数据集开发了基于深度迁移学习的故障诊断模型，显著提升了诊断的准确性。此外，该数据集还催生了多种新型信号处理算法和故障特征提取方法，为机械故障诊断领域的研究提供了丰富的理论支持和实践参考。