1.数据集介绍

如图所示,测试台由一个 2 hp 电机(左)、一个扭矩传感器/编码器(中)、一个测功机(右)和控制电子设备(未显示)组成。测试轴承支撑电机轴。采用电火花加工将单点故障引入试验轴承,故障直径分别为 7 密耳、14 密耳、21 密耳、28 密耳和 40 密耳(1 密耳=0.001 英寸)。直径为 7、14、21 密耳的故障采用 SKF 轴承,28 密耳、40 密耳故障采用 NTN 等效轴承。有关故障深度,请参阅  故障规格 驱动端和风扇端轴承规格,包括轴承几何形状和缺陷频率,列在轴承规格中 。

数据集使用的是加速度计进行收集振动数据的,加速度计通过磁性底座连接到外壳上。加速度计放置在电机外壳驱动端和风扇端的 12 点钟位置。在一些实验中,加速度计也连接到电机支撑底板上。使用 16 通道 DAT 记录仪收集振动信号,并在 Matlab 环境中进行后处理。所有数据文件均采用 Matlab (*.mat) 格式。以每秒 12,000 个样本的速度收集数字数据,还以每秒 48,000 个样本的速度收集驱动端轴承故障的数据。使用扭矩传感器/编码器收集速度和马力数据,并手动记录。

外滚道故障是静止故障,因此故障相对于轴承负载区域的位置对电机/轴承系统的振动响应有直接影响。为了量化这种影响,对外滚道故障位于 3 点钟(直接在负载区)、6 点钟(与负载区正交)和 12 点钟位置的风扇端轴承和驱动端轴承进行了实验。

以上的信息来自于数据集的官方网站,下面的表格是对其信息的一些总结。

数据包括 正常(无故障)轴承 驱动端故障轴承(drive end) 风扇端故障轴承(fan end)
数据采样频率 驱动端故障实验数据 12,000 samples/second 风扇端故障实验数据
:12,000 samples/second
48,000 samples/second
变量命名说明(均为Matlab格式)
DE 驱动端加速度计数据(Drive End accelerometer)
FE 风扇端加速度计数据(Fan End accelerometer)
BA 底座加速度计数据(Base accelerometer)
time 时间序列数据
RPM 实验中的电机转速(转/分钟)

以正常数据和12kv下的数据进行简单介绍:

这部分数据是作为健康状态参考的数据集,用于与后续的故障状态进行对比分析。包括 4 个不同的负载水平。电机负载有四个不同的马力分别是0,1,2,3。

这张图是 CWRU 数据集中的 “12kHz 驱动端轴承故障数据” 的详细说明表格,列出了不同故障类型、负载、电机转速和文件命名规则。

其采样率为统一的12,000 Hz,测试端点为驱动端(Drive End),故障类型分为三种分别是IR(Inner Race)内圈故障,OR(Outer Race)外圈故障(位置有方向性),B(Ball)滚动体故障。电机负载的话,前文已经介绍过了是0~3。对于外圈故障而言,其数据集进行了更为详细的说明,实验台上使用了“6点钟方向”为基准,@6:00:与负载方向一致(中心)。@3:00:垂直方向(正交)。@12:00:负载反方向(相对)。

2. 一些简单的想法

根据现有的资料来看,使用这个数据集来做的相关任务都是一些十分类任务。十分类任务的数据预处理可以看链接:超级小白级入门—凯斯西储大学(CWRU)滚动轴承数据中心_西储大学轴承数据集-CSDN博客

随后可以进行时序信号处理和频谱分析,最后可以使用深度学习模型(如CNN、LSTM、Transformer等)来对数据进行训练,进行预测分析。

数据集的原始链接:Download a Data File | Case School of Engineering

Logo

魔乐社区(Modelers.cn) 是一个中立、公益的人工智能社区,提供人工智能工具、模型、数据的托管、展示与应用协同服务,为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作,由全产业链共同建设、共同运营、共同享有,推动国产AI生态繁荣发展。

更多推荐