旋转机械故障数据集全指南从零到可复现故障诊断实验的数据选型与实战路线【免费下载链接】Rotating-machine-fault-data-setOpen rotating mechanical fault datasets (开源旋转机械故障数据集整理)项目地址: https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set做故障诊断研究最难的不是算法而是找到一份靠谱的数据。许多新手在 CWRU、IMS、XJTU-SY 这些名字面前无从下手不知道哪个数据集适合分类任务、哪个适合寿命预测、采样率多少、格式是什么。本文介绍的 Rotating-machine-fault-data-set 项目把全球 20 余个开源旋转机械故障数据集整理成一份带详细文档的索引目录帮助你 10 分钟内锁定目标数据、跑通第一个实验。一、先讲一个真实困境自己找数据的三条死路我认识一位做设备健康监测的工程师刚开始接触轴承故障诊断时第一反应是去网上搜轴承振动数据。结果他撞上了所有新手都会遇到的墙官网时好时坏不少国外大学的数据中心页面改版后老的下载链接直接失效格式五花八门同一批数据有的给.mat有的给.csv还有的给 ASCII 文本预处理代码要写三份关键信息缺失数据下载下来了却不知道负载是多少、转速多少、故障是用电火花加工的还是自然磨损的——没有工况参数的数据等于没有出厂说明书。数据稀缺、标注成本高、工况多样、信号复杂这四座大山让很多研究止步于找数据这一关。CWRU 之所以被称为故障诊断领域的黄金标准正是因为它的实验条件记录完整、故障类型标注明确能被反复验证。而这个开源项目要解决的正是去哪里找、怎么选、如何用这三个核心问题。二、认识项目一座按需取用的旋转机械故障数据超市Rotating-machine-fault-data-set 是由国内 PHM 领域研究者维护的开源整理项目自 2019 年起持续收录全球范围内可公开获取的机械故障数据并为每个数据集编写了独立的说明文档。它不存放数据本体而是做导航——告诉你每个数据集的来源机构、实验条件、数据格式与参考论文。2.1 三层数据分类从用什么倒推选哪个项目里的数据集可以按研究目的分为三层选数据之前先想清楚自己要做哪类任务第一层基准诊断数据做分类 ├── CWRU 轴承数据故障特征明显算法验证首选 ├── MFPT 轴承数据含 3 组真实工业故障案例 └── Paderborn 轴承数据欧洲标准台架带电流信号 第二层退化过程数据做寿命预测 ├── XJTU-SY15 个轴承全寿命周期加速退化 ├── FEMTO-STIEEE PHM 2012 竞赛原始数据 └── IMS辛辛那提大学 3 组直至失效实验 第三层专项场景数据做特定部件/场景 ├── 康涅狄格大学齿轮箱9 种齿轮状态 ├── 东南大学齿轮箱8 通道多传感器同步采集 ├── 渥太华大学轴承时变转速 36 组数据 └── 电机异音数据工业生产线质检场景2.2 核心数据集速查表数据集机构/国家采样频率关键特征适合任务CWRU凯斯西储大学美12kHz / 48kHz0~3hp 负载EDM 人工故障 0.007~0.040 英寸故障分类基准MFPTMFPT 学会美48.8kHz / 97.7kHz含 3 组风电真实故障分类 真实场景验证Paderborn帕德伯恩大学德64kHz4 种工况组合同步采集电流信号多工况分类FEMTO-STFEMTO-ST 研究所法25.6kHz6 组训练 11 组测试加速退化剩余使用寿命预测IMS辛辛那提大学美20kHz3 组直至失效实验2156/984/4448 个文件退化趋势分析XJTU-SY西安交通大学中25.6kHz3 种工况 × 5 个轴承全寿命数据剩余使用寿命预测Connecticut康涅狄格大学美20kHz缺齿、根裂纹、剥落、齿尖碎裂 5 级严重度齿轮故障分类SEU东南大学中多通道8 通道含电机/行星齿轮箱/平行齿轮箱深度迁移学习三、上手准备5 分钟锁定属于你的那个数据集选数据集的决策树其实很简单按下面的顺序问自己三个问题你要解决什么问题 ├── 分类哪种故障什么程度 → CWRU / MFPT / Paderborn ├── 寿命预测剩余寿命还有多久 → XJTU-SY / FEMTO-ST / IMS └── 特定部件齿轮、转子、电机 → Connecticut / SEU / 武汉大学转子数据3.1 做分类任务怎么选如果你要验证一个新的神经网络结构首选CWRU 轴承数据集。它覆盖内圈、外圈、滚动体三种故障位置和多种故障尺寸负载从 0 到 3 马力连续可调电机转速 1797~1720 RPM故障特征明显、参考论文极多是公认的方法检验场。文献中基于 CWRU 训练的分类模型在特定设定下准确率可超过 99%。如果你担心人工故障和真实故障存在差距那么MFPT 数据集里附带的 3 个真实故障案例风电中间轴轴承、油泵轴轴承、行星轮轴承就是最好的补充验证素材。3.2 做寿命预测怎么选寿命预测需要从健康到失效的完整过程数据这类数据最稀缺。XJTU-SY 轴承退化数据集提供了 3 种工况35Hz/12kN、37.5Hz/11kN、40Hz/10kN下各 5 个共 15 个轴承的全寿命周期数据FEMTO-ST则是 IEEE PHM 2012 数据挑战赛的原始数据包含 6 组训练集和 11 组测试集专门为剩余使用寿命RUL估计设计。图 1典型的轴承故障诊断实验系统涵盖电机、速度传感器、扭矩计、被测轴承与加速度计是多数据集共用的标准台架结构四、动手实践从下载到跑通第一个故障分类模型4.1 第一步读懂数据说明书每个数据集的详细说明都在项目doc/目录下例如 CWRU 的说明见 doc/CWRU.md其中记录了试验电机型号、故障注入方式EDM 电火花加工、特征频率表BPFI/BPFO/FTF/BSF以及大量代表性论文索引。动手之前先读文档能避免 80% 的格式坑。4.2 第二步用 Python 加载并切分数据CWRU 官方提供.mat格式文件用scipy.io.loadmat即可加载示例代码如下from scipy.io import loadmat import numpy as np # 以 12kHz、0 马力工况的驱动端数据为例 mat loadmat(12k_Drive_End_IR007_0_177.mat) key [k for k in mat.keys() if k.startswith(X)][0] signal mat[key].flatten() # 一维振动信号 fs 12000 # 采样频率 12kHz # 按固定长度滑窗切分样本生成 (样本数, 长度) 张量 window, stride 1024, 512 samples [signal[i:iwindow] for i in range(0, len(signal)-window, stride)] X np.vstack(samples)切分后的每个样本都对应一个故障标签可以直接喂给 CNN 或传统分类器。注意 CWRU 有 12kHz 和 48kHz 两套数据混用前务必检查采样率是否一致。4.3 第三步用小数据集快速验证流程建议先用单工况、单故障位置的小子集把加载 → 切分 → 训练 → 评估全流程跑通再逐步扩展到多工况。项目仓库中提供了多个数据集的官方来源链接与 GitHub 上的 Python 加载工具如cwru包可自动下载解析省去手动整理的时间。五、进阶优化当够用的数据遇上不够用的工况5.1 数据增强解决样本稀缺真实故障样本稀少是通病推荐三种低成本增强手段时域增强时间拉伸/压缩 ±10%、叠加 20~40dB 信噪比的高斯噪声、幅度缩放 ±20%频域增强模拟转速波动的频率偏移、突出故障特征频率的谐波增强、带通滤波提取特定频段滑窗重叠采样用重叠步长从长信号中切出更多样本是最简单有效的免费增强。5.2 迁移学习应对工况迁移CWRU 训练的模型换到 Paderborn 数据上往往性能骤降这是典型的跨工况域偏移问题。东南大学团队在 SEU 齿轮箱数据上验证了基于深度迁移学习的方法论文发表于 IEEE Transactions on Industrial Informatics在源域与目标域工况差异明显的设定下仍能保持高精度。实践上可以用 CWRU 做预训练再用目标工况的少量数据微调。5.3 用退化数据做剩余使用寿命预测拿到 XJTU-SY 或 FEMTO-ST 全寿命数据后常规做法是先做趋势性特征提取如 RMS、峭度、小波包能量再训练回归模型LSTM、GRU 或高斯过程回归预测剩余寿命。基于退化数据训练的 RUL 预测模型其平均误差通常能控制在 8% 以内显著优于传统的振动阈值报警方法——这也是 PHM 领域近年来最活跃的方向。六、常见问题与避坑提示Q1数据集下载不了怎么办个别数据集官网可能改版或关闭。项目 README 中提供了维护者联系方式但请务必先自己尝试官方渠道和镜像渠道确认真无法获取再寻求帮助。Q2不同数据集的采样率差很多能混用吗不建议直接混用。CWRU 12kHz、IMS 20kHz、Paderborn 64kHz、渥太华 200kHz采样率差异意味着频带覆盖不同。若要跨数据集验证算法需统一重采样或统一特征提取口径。Q3人工故障和真实故障选哪个都选。先用 CWRU/Paderborn 这类人工故障数据调通算法再用 MFPT 的真实故障案例做泛化性检验。很多论文只报 CWRU 的 99% 准确率但真实场景下数据分布变化会让准确率明显回落。Q4用数据集做研究需要注意什么务必遵守各版权方的引用要求在论文中明确标注数据来源和原始实验说明。竞赛类数据如工业大数据创新竞赛转子数据通常需要授权使用前确认版权条款。Q5电机异音质检类数据怎么用电机异音 AI 诊断竞赛如雪浪工业数据智能挑战赛模拟的是产线质检场景要求算法对故障电机零漏检——即在召回率 100% 的前提下尽量提高准确率。这类数据适合做二分类阈值调优和代价敏感学习的练习。图 2电机异音 AI 诊断竞赛与轴承故障预测场景代表数据集在工业质检与预测性维护中的实际落地方向七、它和自己到处爬数据差在哪一张对比表对比维度自己零散找数据使用本项目索引数据集来源单一机构靠运气全球 20 机构按层分类故障类型覆盖有限视碰巧找到什么轴承/齿轮/转子/电机全覆盖工况多样性多为固定工况含多工况、时变转速、加速退化文档完备性依赖官网零散说明每套数据有独立文档论文索引选型成本反复试错按决策树 5 分钟定位八、下一步行动建议如果你刚接触故障诊断建议按这条路径推进先从doc/CWRU.md开始用 CWRU 数据跑通一个简单的频谱分析或 CNN 分类实验然后尝试 MFPT 的真实故障案例检验泛化性最后用 XJTU-SY 或 FEMTO-ST 挑战剩余使用寿命预测。每一步对应的数据集文档、论文参考和实验条件记录都可以在该项目的doc/目录下按需查阅。数据是故障诊断研究的水电煤。与其把时间耗在寻找和甄别数据上不如站在现成的索引体系上把精力留给真正有价值的部分——算法设计与工业落地。开源共享是一种精神愿这份整理能帮你少走弯路也欢迎你为它补充新的数据源让旋转机械故障数据集生态越来越完整。【免费下载链接】Rotating-machine-fault-data-setOpen rotating mechanical fault datasets (开源旋转机械故障数据集整理)项目地址: https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
旋转机械故障数据集全指南：从零到可复现故障诊断实验的数据选型与实战路线
旋转机械故障数据集全指南从零到可复现故障诊断实验的数据选型与实战路线【免费下载链接】Rotating-machine-fault-data-setOpen rotating mechanical fault datasets (开源旋转机械故障数据集整理)项目地址: https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set做故障诊断研究最难的不是算法而是找到一份靠谱的数据。许多新手在 CWRU、IMS、XJTU-SY 这些名字面前无从下手不知道哪个数据集适合分类任务、哪个适合寿命预测、采样率多少、格式是什么。本文介绍的 Rotating-machine-fault-data-set 项目把全球 20 余个开源旋转机械故障数据集整理成一份带详细文档的索引目录帮助你 10 分钟内锁定目标数据、跑通第一个实验。一、先讲一个真实困境自己找数据的三条死路我认识一位做设备健康监测的工程师刚开始接触轴承故障诊断时第一反应是去网上搜轴承振动数据。结果他撞上了所有新手都会遇到的墙官网时好时坏不少国外大学的数据中心页面改版后老的下载链接直接失效格式五花八门同一批数据有的给.mat有的给.csv还有的给 ASCII 文本预处理代码要写三份关键信息缺失数据下载下来了却不知道负载是多少、转速多少、故障是用电火花加工的还是自然磨损的——没有工况参数的数据等于没有出厂说明书。数据稀缺、标注成本高、工况多样、信号复杂这四座大山让很多研究止步于找数据这一关。CWRU 之所以被称为故障诊断领域的黄金标准正是因为它的实验条件记录完整、故障类型标注明确能被反复验证。而这个开源项目要解决的正是去哪里找、怎么选、如何用这三个核心问题。二、认识项目一座按需取用的旋转机械故障数据超市Rotating-machine-fault-data-set 是由国内 PHM 领域研究者维护的开源整理项目自 2019 年起持续收录全球范围内可公开获取的机械故障数据并为每个数据集编写了独立的说明文档。它不存放数据本体而是做导航——告诉你每个数据集的来源机构、实验条件、数据格式与参考论文。2.1 三层数据分类从用什么倒推选哪个项目里的数据集可以按研究目的分为三层选数据之前先想清楚自己要做哪类任务第一层基准诊断数据做分类 ├── CWRU 轴承数据故障特征明显算法验证首选 ├── MFPT 轴承数据含 3 组真实工业故障案例 └── Paderborn 轴承数据欧洲标准台架带电流信号 第二层退化过程数据做寿命预测 ├── XJTU-SY15 个轴承全寿命周期加速退化 ├── FEMTO-STIEEE PHM 2012 竞赛原始数据 └── IMS辛辛那提大学 3 组直至失效实验 第三层专项场景数据做特定部件/场景 ├── 康涅狄格大学齿轮箱9 种齿轮状态 ├── 东南大学齿轮箱8 通道多传感器同步采集 ├── 渥太华大学轴承时变转速 36 组数据 └── 电机异音数据工业生产线质检场景2.2 核心数据集速查表数据集机构/国家采样频率关键特征适合任务CWRU凯斯西储大学美12kHz / 48kHz0~3hp 负载EDM 人工故障 0.007~0.040 英寸故障分类基准MFPTMFPT 学会美48.8kHz / 97.7kHz含 3 组风电真实故障分类 真实场景验证Paderborn帕德伯恩大学德64kHz4 种工况组合同步采集电流信号多工况分类FEMTO-STFEMTO-ST 研究所法25.6kHz6 组训练 11 组测试加速退化剩余使用寿命预测IMS辛辛那提大学美20kHz3 组直至失效实验2156/984/4448 个文件退化趋势分析XJTU-SY西安交通大学中25.6kHz3 种工况 × 5 个轴承全寿命数据剩余使用寿命预测Connecticut康涅狄格大学美20kHz缺齿、根裂纹、剥落、齿尖碎裂 5 级严重度齿轮故障分类SEU东南大学中多通道8 通道含电机/行星齿轮箱/平行齿轮箱深度迁移学习三、上手准备5 分钟锁定属于你的那个数据集选数据集的决策树其实很简单按下面的顺序问自己三个问题你要解决什么问题 ├── 分类哪种故障什么程度 → CWRU / MFPT / Paderborn ├── 寿命预测剩余寿命还有多久 → XJTU-SY / FEMTO-ST / IMS └── 特定部件齿轮、转子、电机 → Connecticut / SEU / 武汉大学转子数据3.1 做分类任务怎么选如果你要验证一个新的神经网络结构首选CWRU 轴承数据集。它覆盖内圈、外圈、滚动体三种故障位置和多种故障尺寸负载从 0 到 3 马力连续可调电机转速 1797~1720 RPM故障特征明显、参考论文极多是公认的方法检验场。文献中基于 CWRU 训练的分类模型在特定设定下准确率可超过 99%。如果你担心人工故障和真实故障存在差距那么MFPT 数据集里附带的 3 个真实故障案例风电中间轴轴承、油泵轴轴承、行星轮轴承就是最好的补充验证素材。3.2 做寿命预测怎么选寿命预测需要从健康到失效的完整过程数据这类数据最稀缺。XJTU-SY 轴承退化数据集提供了 3 种工况35Hz/12kN、37.5Hz/11kN、40Hz/10kN下各 5 个共 15 个轴承的全寿命周期数据FEMTO-ST则是 IEEE PHM 2012 数据挑战赛的原始数据包含 6 组训练集和 11 组测试集专门为剩余使用寿命RUL估计设计。图 1典型的轴承故障诊断实验系统涵盖电机、速度传感器、扭矩计、被测轴承与加速度计是多数据集共用的标准台架结构四、动手实践从下载到跑通第一个故障分类模型4.1 第一步读懂数据说明书每个数据集的详细说明都在项目doc/目录下例如 CWRU 的说明见 doc/CWRU.md其中记录了试验电机型号、故障注入方式EDM 电火花加工、特征频率表BPFI/BPFO/FTF/BSF以及大量代表性论文索引。动手之前先读文档能避免 80% 的格式坑。4.2 第二步用 Python 加载并切分数据CWRU 官方提供.mat格式文件用scipy.io.loadmat即可加载示例代码如下from scipy.io import loadmat import numpy as np # 以 12kHz、0 马力工况的驱动端数据为例 mat loadmat(12k_Drive_End_IR007_0_177.mat) key [k for k in mat.keys() if k.startswith(X)][0] signal mat[key].flatten() # 一维振动信号 fs 12000 # 采样频率 12kHz # 按固定长度滑窗切分样本生成 (样本数, 长度) 张量 window, stride 1024, 512 samples [signal[i:iwindow] for i in range(0, len(signal)-window, stride)] X np.vstack(samples)切分后的每个样本都对应一个故障标签可以直接喂给 CNN 或传统分类器。注意 CWRU 有 12kHz 和 48kHz 两套数据混用前务必检查采样率是否一致。4.3 第三步用小数据集快速验证流程建议先用单工况、单故障位置的小子集把加载 → 切分 → 训练 → 评估全流程跑通再逐步扩展到多工况。项目仓库中提供了多个数据集的官方来源链接与 GitHub 上的 Python 加载工具如cwru包可自动下载解析省去手动整理的时间。五、进阶优化当够用的数据遇上不够用的工况5.1 数据增强解决样本稀缺真实故障样本稀少是通病推荐三种低成本增强手段时域增强时间拉伸/压缩 ±10%、叠加 20~40dB 信噪比的高斯噪声、幅度缩放 ±20%频域增强模拟转速波动的频率偏移、突出故障特征频率的谐波增强、带通滤波提取特定频段滑窗重叠采样用重叠步长从长信号中切出更多样本是最简单有效的免费增强。5.2 迁移学习应对工况迁移CWRU 训练的模型换到 Paderborn 数据上往往性能骤降这是典型的跨工况域偏移问题。东南大学团队在 SEU 齿轮箱数据上验证了基于深度迁移学习的方法论文发表于 IEEE Transactions on Industrial Informatics在源域与目标域工况差异明显的设定下仍能保持高精度。实践上可以用 CWRU 做预训练再用目标工况的少量数据微调。5.3 用退化数据做剩余使用寿命预测拿到 XJTU-SY 或 FEMTO-ST 全寿命数据后常规做法是先做趋势性特征提取如 RMS、峭度、小波包能量再训练回归模型LSTM、GRU 或高斯过程回归预测剩余寿命。基于退化数据训练的 RUL 预测模型其平均误差通常能控制在 8% 以内显著优于传统的振动阈值报警方法——这也是 PHM 领域近年来最活跃的方向。六、常见问题与避坑提示Q1数据集下载不了怎么办个别数据集官网可能改版或关闭。项目 README 中提供了维护者联系方式但请务必先自己尝试官方渠道和镜像渠道确认真无法获取再寻求帮助。Q2不同数据集的采样率差很多能混用吗不建议直接混用。CWRU 12kHz、IMS 20kHz、Paderborn 64kHz、渥太华 200kHz采样率差异意味着频带覆盖不同。若要跨数据集验证算法需统一重采样或统一特征提取口径。Q3人工故障和真实故障选哪个都选。先用 CWRU/Paderborn 这类人工故障数据调通算法再用 MFPT 的真实故障案例做泛化性检验。很多论文只报 CWRU 的 99% 准确率但真实场景下数据分布变化会让准确率明显回落。Q4用数据集做研究需要注意什么务必遵守各版权方的引用要求在论文中明确标注数据来源和原始实验说明。竞赛类数据如工业大数据创新竞赛转子数据通常需要授权使用前确认版权条款。Q5电机异音质检类数据怎么用电机异音 AI 诊断竞赛如雪浪工业数据智能挑战赛模拟的是产线质检场景要求算法对故障电机零漏检——即在召回率 100% 的前提下尽量提高准确率。这类数据适合做二分类阈值调优和代价敏感学习的练习。图 2电机异音 AI 诊断竞赛与轴承故障预测场景代表数据集在工业质检与预测性维护中的实际落地方向七、它和自己到处爬数据差在哪一张对比表对比维度自己零散找数据使用本项目索引数据集来源单一机构靠运气全球 20 机构按层分类故障类型覆盖有限视碰巧找到什么轴承/齿轮/转子/电机全覆盖工况多样性多为固定工况含多工况、时变转速、加速退化文档完备性依赖官网零散说明每套数据有独立文档论文索引选型成本反复试错按决策树 5 分钟定位八、下一步行动建议如果你刚接触故障诊断建议按这条路径推进先从doc/CWRU.md开始用 CWRU 数据跑通一个简单的频谱分析或 CNN 分类实验然后尝试 MFPT 的真实故障案例检验泛化性最后用 XJTU-SY 或 FEMTO-ST 挑战剩余使用寿命预测。每一步对应的数据集文档、论文参考和实验条件记录都可以在该项目的doc/目录下按需查阅。数据是故障诊断研究的水电煤。与其把时间耗在寻找和甄别数据上不如站在现成的索引体系上把精力留给真正有价值的部分——算法设计与工业落地。开源共享是一种精神愿这份整理能帮你少走弯路也欢迎你为它补充新的数据源让旋转机械故障数据集生态越来越完整。【免费下载链接】Rotating-machine-fault-data-setOpen rotating mechanical fault datasets (开源旋转机械故障数据集整理)项目地址: https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
