数据集概览

来源：美国 凯斯西储大学（Case Western Reserve University, CWRU）机械工程学院 Bearing Data Center

用途：用于 滚动轴承故障诊断、振动分析、信号处理和机器学习建模

特点：高信噪比、结构清晰、公开可获取，学术论文中被广泛引用（上千篇文献）

实验平台

主电机：2 马力（≈1.5 kW）感应电机

测试轴承：

驱动端（Drive End, DE）：SKF 6205

风扇端（Fan End, FE）：SKF 6203

传感器：加速度传感器安装在驱动端和风扇端

采样频率：

12 kHz

48 kHz（高采样版本）

故障设置

状态类别：

正常（Normal）

内圈故障（Inner Race Fault）

外圈故障（Outer Race Fault）

滚动体故障（Ball Fault）

故障程度（缺陷直径）：常见为 0.007″、0.014″、0.021″

工况负载：0 hp、1 hp、2 hp、3 hp、负载不同转速不同（约1797–1730 rpm）

数据文件

文件格式：.mat (MATLAB 数据文件)

常见变量：

DE：驱动端加速度信号（Drive End）

FE：风扇端加速度信号（Fan End）

BA：基座信号（Base）

RPM：转速信息

研究价值

被广泛用于：

振动信号时域、频域、小波变换分析

机器学习 / 深度学习故障分类（CNN、RNN、Transformer 等）

剩余寿命预测（PHM）

是机械故障诊断领域的标准基准数据集

获取方式

官方地址：
Case Western Reserve University Bearing Data Center Case Western Reserve University Bearing Data Center

在 GitHub 上有许多关于 CWRU（Case Western Reserve University）轴承数据集 的 Python 封装库，它们可以帮助你更轻松地加载、预处理及用于机器学习研究。以下是几个高质量、备受关注的项目推荐：

推荐 GitHub 项目

1. srigas/CWRU_Bearing_NumPy
   将原始 .mat 文件转换为更易读写的 .npz 格式，清理了冗余与不一致的元数据，并只保留重要的时间序列数据，便于深度学习模型直接加载使用。

数据文件命名清晰（如 RPM_Fault_Diameter_End），只包含加速度信号（DE、FE、BA）。

适合偏好 NumPy 格式、专注训练数据处理的研究者或模型开发者。
GitHub

2. ryanjung94/cwru_py3
   用 Python3 重写封装（原版为 Python2），提供一套简单 API：支持加载指定实验类型（如 “12DriveEndFault”、“48DriveEndFault”）、转速（如 “1797”）、信号切片长度。

自动从官方站点下载数据并缓存到本地，返回 X_train, y_train, X_test, y_test, labels, nclasses 等属性，适合快速集成 ML/深度学习流程。
GitHub

3. JvdHoogen/multivariate_cwru
   支持多传感器数据提取与预处理，返回结构化数据，包括三维数组格式的训练和测试集（x_train, y_train, x_test, y_test），特别适合使用多个加速度通道（如DE、FE、BA）构建多变量模型。

参数灵活，包括实验类型、序列长度、训练集比例、随机种子、传感器数量、转速选择，以及是否包含正常状态等。
GitHub

4. XiongMeijing/CWRU-1
   主要示例项目，用 1D CNN 进行轴承故障分类，提供数据预处理、训练脚本、Pytorch 模型及 Jupyter 示例。

效果优异，通常可达 99%以上分类精度，是学习深度学习应用流程的好资源。
GitHub

5. SNBQT/Limited-Data-Rolling-Bearing-Fault-Diagnosis-with-Few-shot-Learning
   针对少样本学习场景，整合了 Few-shot 学习方法（包括 Siamese 网络、WDCNN 等），并提供自动下载 CWRU 数据集的脚本 cwru.py。

非常适合研究样本匮乏、无法获取大量故障数据时的容错诊断模型开发。
GitHub

Python 包管理安装（PyPI）
除了 GitHub，以下 Python 包支持 pip 安装，更便于快速引入使用：

py-cwru

提供直接加载 CWRU 数据为 NumPy 数组的接口，支持常见实验类型和转速参数。

第一次调用时可自动下载 .mat 文件（推荐在网络稳定时手动下载备用）。
PyPI

bearing-python

支持多个轴承数据集（CWRU、Paderborn、JNU 等），提供统一接口，适合做跨数据集研究与模型训练。
PyPI

项目 / 包 名称	主要特点	适合用途与用户
CWRU_Bearing_NumPy	清洗后的 .npz 格式数据	直接用 NumPy 训练、数据整洁型工作流程
cwru_py3	自动下载，提供 train/test 分割，Python3 支持	快速 ML/深度学习实验集成
multivariate_cwru	多传感器支持，结构化输出（3D 数组）	多变量模型、复杂信号融合任务
CWRU-1	1D CNN 模型示例 + 数据处理	快速学习深度学习诊断模型流程
Few-shot Learning Repo	少样本诊断方法 + 自动数据加载	少样本学习、模型对少故障数据的泛化能力研究
py-cwru (pip 包)	pip 安装，NumPy 接口直接加载全数据	快速调试、原型快速开发
bearing-python (pip 包)	多源数据集支持，统一接口	泛化训练、多数据集研究

快速上手：尝试 pip install py-cwru 或 bearing-python；

流程化训练：选用 cwru_py3 或 multivariate_cwru；

深入学习：可参考 CWRU-1 的 CNN 架构；

研究少样本诊断场景：建议查看 Few-shot 学习项目。

实际数据处理流程（已下载数据）

import numpy as np
import pandas as pd
from scipy.io import loadmat

file_names = ['0_0.mat','7_1.mat','7_2.mat','7_3.mat','14_1.mat','14_2.mat','14_3.mat','21_1.mat','21_2.mat','21_3.mat']

for file in file_names:
    # 读取MAT文件
    data = loadmat(f'matfiles\\{file}')
    print(list(data.keys()))

# 采用驱动端数据
data_columns = ['X097_DE_time', 'X105_DE_time', 'X118_DE_time', 'X130_DE_time', 'X169_DE_time',
                'X185_DE_time','X197_DE_time','X209_DE_time','X222_DE_time','X234_DE_time']
columns_name = ['de_normal','de_7_inner','de_7_ball','de_7_outer','de_14_inner','de_14_ball','de_14_outer','de_21_inner','de_21_ball','de_21_outer']
data_12k_10c = pd.DataFrame()
for index in range(10):
    # 读取MAT文件
    data = loadmat(f'matfiles\\{file_names[index]}')
    dataList = data[data_columns[index]].reshape(-1)
    data_12k_10c[columns_name[index]] = dataList[:119808]  # 121048  min: 121265
print(data_12k_10c.shape)
data_12k_10c

data_12k_10c.set_index('de_normal',inplace=True)
data_12k_10c.to_csv('data_12k_10c.csv')
data_12k_10c.shape