轴承和齿轮故障诊断及寿命预测数据集

最新推荐文章于 2024-09-26 07:23:10 发布

qq767172261

最新推荐文章于 2024-09-26 07:23:10 发布

阅读量480

点赞数 14

分类专栏：数据集文章标签：获取QQ767172261 数据集齿轮轴承数据集

本文链接：https://blog.csdn.net/2301_78240361/article/details/142537247

版权

数据集专栏收录该内容

210 篇文章 8 订阅

订阅专栏

轴承、齿轮故障诊断集

齿轮寿命预测全生命周期寿命数据
健康状态监测等数据集
包含哈工大航空发动机轴承故障数据集、Phm2012 东南大学华中科技大学
重庆大学西安交大齿轮箱数据集
都灵理工大学轴承加速寿命数据
等共计11个国内外高校和研究所数据集，50G左右

轴承和齿轮故障诊断及寿命预测数据集

摘要

这个综合数据集包含了来自多个国内外知名高校和研究机构的轴承和齿轮故障诊断及寿命预测的数据。这些数据集涵盖了从航空发动机轴承到工业齿轮箱的各种应用场景，提供了丰富的故障模式、健康状态监测以及全生命周期寿命数据。总数据量约为50GB，适用于机械故障诊断、寿命预测、健康状态监测等领域的研究和应用。

数据集特点

多源数据：包含来自哈尔滨工业大学、东南大学、华中科技大学、重庆大学、西安交通大学以及都灵理工大学等多个国内外高校和研究所的数据。
多样化的应用场景：覆盖了航空发动机轴承、工业齿轮箱等多种机械设备。
全面的数据类型：包括振动信号、温度、转速、扭矩等多种传感器数据。
丰富的故障模式：涵盖多种故障类型，如磨损、裂纹、断裂等。
全生命周期数据：提供从设备正常运行到故障发生直至失效的全过程数据。
高分辨率：部分数据集提供了高采样率的振动信号，适合进行详细的时频分析。
标准化格式：数据通常以CSV、MATLAB或专用格式存储，便于处理和分析。

数据集构成

哈工大航空发动机轴承故障数据集
- 内容：航空发动机轴承在不同负载和速度下的振动信号。
- 用途：用于检测轴承的早期故障和寿命预测。
PhM 2012 东南大学齿轮箱数据集
- 内容：齿轮箱在不同负载和速度下的振动信号。
- 用途：用于齿轮箱故障诊断和寿命预测。
华中科技大学齿轮箱数据集
- 内容：齿轮箱在不同负载和速度下的振动信号和温度数据。
- 用途：用于齿轮箱的健康状态监测和故障诊断。
重庆大学齿轮箱数据集
- 内容：齿轮箱在不同负载和速度下的振动信号和温度数据。
- 用途：用于齿轮箱的健康状态监测和故障诊断。
西安交通大学齿轮箱数据集
- 内容：齿轮箱在不同负载和速度下的振动信号和温度数据。
- 用途：用于齿轮箱的健康状态监测和故障诊断。
都灵理工大学轴承加速寿命数据
- 内容：轴承在不同负载和速度下的振动信号。
- 用途：用于轴承的加速寿命测试和故障诊断。
其他数据集
- 内容：还包括来自其他高校和研究机构的轴承和齿轮箱数据集，涵盖多种不同的实验条件和故障模式。
- 用途：用于故障诊断、寿命预测、健康状态监测等研究。

数据集示例

以下是一个简单的Python脚本示例，用于加载和可视化一个典型的振动信号数据集。假设我们使用的是MATLAB格式的数据文件（.mat）。

import os
import numpy as np
import matplotlib.pyplot as plt
import scipy.io as sio

# 数据集目录路径
data_dir = 'path/to/your_dataset'
file_path = os.path.join(data_dir, 'example_data.mat')

# 加载MATLAB格式的数据
data = sio.loadmat(file_path)

# 假设数据集中有一个名为'vibration_signal'的变量
vibration_signal = data['vibration_signal'].flatten()

# 可视化振动信号
plt.figure(figsize=(14, 6))
plt.plot(vibration_signal, label='Vibration Signal')
plt.title('Vibration Signal from Bearing/Gearbox Data')
plt.xlabel('Time (samples)')
plt.ylabel('Amplitude')
plt.legend()
plt.grid(True)
plt.show()

使用场景

故障诊断：通过分析振动信号和其他传感器数据，识别轴承和齿轮箱的故障模式。
寿命预测：基于历史数据和当前状态，预测设备的剩余使用寿命。
健康状态监测：实时监测设备的健康状态，提前发现潜在故障。
维护策略优化：根据设备的状态数据，制定更合理的维护计划，减少停机时间和维护成本。

示例代码：特征提取与模型训练

以下是一个使用Python和Scikit-learn进行特征提取和模型训练的示例。假设我们已经提取了一些特征，并且有一个标签文件表示每个样本的健康状态。

import os
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix

# 数据集目录路径
data_dir = 'path/to/your_dataset'

# 加载特征数据
features = np.load(os.path.join(data_dir, 'features.npy'))
labels = np.load(os.path.join(data_dir, 'labels.npy'))

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(features, labels, test_size=0.2, random_state=42)

# 标准化特征
scaler = StandardScaler()
X_train = scaler.fit_transform(X_train)
X_test = scaler.transform(X_test)

# 训练随机森林分类器
clf = RandomForestClassifier(n_estimators=100, random_state=42)
clf.fit(X_train, y_train)

# 预测
y_pred = clf.predict(X_test)

# 评估模型
print("Classification Report:")
print(classification_report(y_test, y_pred))

print("Confusion Matrix:")
print(confusion_matrix(y_test, y_pred))

# 可视化混淆矩阵
def plot_confusion_matrix(cm, classes, title='Confusion matrix', cmap=plt.cm.Blues):
    plt.imshow(cm, interpolation='nearest', cmap=cmap)
    plt.title(title)
    plt.colorbar()
    tick_marks = np.arange(len(classes))
    plt.xticks(tick_marks, classes, rotation=45)
    plt.yticks(tick_marks, classes)
    plt.tight_layout()
    plt.ylabel('True label')
    plt.xlabel('Predicted label')

cm = confusion_matrix(y_test, y_pred)
classes = ['Healthy', 'Faulty']
plot_confusion_matrix(cm, classes)
plt.show()