Multi-mode Fault Diagnosis Datasets of Gearbox Under Variable Working Conditions

该数据集包含变速箱在变工作条件下产生的振动信号，涵盖多种故障类型、程度和操作场景，是机械工程领域振动分析、机器状态监测和故障诊断的重要资源。

This dataset comprises vibration signals generated by gearboxes under varying operating conditions, encompassing a wide range of fault types, severities, and operational scenarios. It serves as a crucial resource for vibration analysis, machine condition monitoring, and fault diagnosis in the field of mechanical engineering.

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

数据集描述

• 目的: 该数据集旨在捕捉变速箱在多种速度和负载条件下的振动信号，涵盖不同故障类型、程度和操作场景，为机械工程领域的振动分析、机器状态监测和故障诊断提供关键资源。

数据集内容

• 数据格式: CSV
• 总数据集数量: 240套时间序列数据
• 数据收集来源:
  • 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
• 数据来源: 由MCC5 Group Shanghai Co. LTD和清华大学自动化系收集

数据集任务

• 复合故障诊断
• 不同故障严重程度的故障诊断
• 多稳定工作条件下的故障诊断
• 未知工作条件下的故障诊断
• 变工作条件下的故障诊断
• 过渡工作条件下的故障诊断

数据集详细描述

• 数据内容:
  • 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

• 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
  • 测量和控制系统

数据集引用

• 引用文章:

@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}, }

搜集汇总

数据集介绍

构建方式

该数据集通过在多种变工况下采集齿轮箱的振动信号，精心构建而成。实验中，采用了2.2 kW的三相异步电机作为动力源，并通过扭矩传感器和磁粉制动器精确控制齿轮箱输入轴的扭矩。振动信号由三轴振动加速度传感器采集，采样频率为12.8 kHz。数据集涵盖了12种不同的工作条件，确保了实验数据的多样性和代表性。此外，实验过程中严格控制了实验室温度，以减少温度变化对测量误差的影响。

特点

该数据集的显著特点在于其全面性和多样性。它不仅包含了多种故障类型和严重程度的振动信号，还涵盖了多种稳态和过渡工作条件下的数据。数据集的格式为CSV，便于处理和分析。此外，数据集还提供了速度和扭矩的时间变化曲线，为研究者提供了丰富的上下文信息。这些特点使得该数据集成为机械工程领域中振动分析和故障诊断研究的宝贵资源。

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故障诊断等。研究者可以通过分析振动信号、速度和扭矩数据，结合机器学习或深度学习算法，进行故障模式的识别和分类。数据集的CSV格式使得数据处理和模型训练变得相对简单，研究者可以直接导入数据进行分析。此外，数据集还提供了实验设置的详细信息，有助于研究者理解数据的背景和实验条件。

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。由清华大学自动化系与上海MCC5集团联合创建的‘Multi-mode Fault Diagnosis Datasets of Gearbox Under Variable Working Conditions’数据集，旨在通过采集不同速度和负载条件下的振动信号，模拟多种故障类型和程度，为研究人员提供了一个全面的研究平台。该数据集的核心研究问题是如何在变工况下准确诊断齿轮箱的故障，这对于提高机械设备的可靠性和延长其使用寿命具有重要意义。

当前挑战

该数据集面临的挑战主要包括：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；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；此外，如何处理和分析大规模的时间序列数据，以提取有用的故障特征也是一个重要挑战。这些挑战不仅涉及到信号处理和机器学习技术，还需要考虑实验设计和数据采集的精确性，以确保数据集的可靠性和实用性。

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。这些数据广泛应用于振动分析、机器状态监测以及故障诊断等研究方向，尤其是在处理复杂工况下的齿轮箱故障识别问题时，该数据集展现了其独特的价值。

衍生相关工作

基于该数据集，已衍生出多项经典工作，涵盖了从信号处理到机器学习的多个研究方向。例如，研究人员利用该数据集开发了基于深度学习的故障诊断模型，显著提高了故障识别的准确性和鲁棒性。此外，该数据集还激发了关于多模式故障诊断的理论研究，推动了故障诊断技术在复杂工况下的应用和发展。

数据集最近研究

最新研究方向

在机械工程领域，齿轮箱的多模式故障诊断研究正逐步向复杂工况下的实时监测与智能诊断方向发展。该领域的最新研究方向主要集中在利用深度学习算法处理变工况下的振动信号，以实现对齿轮箱故障的精准识别与分类。此外，研究者们还致力于开发能够适应未知工况的故障诊断模型，以应对实际工业环境中复杂多变的运行条件。这些研究不仅推动了故障诊断技术的进步，还为工业设备的智能维护提供了新的解决方案，具有重要的工程应用价值。