旋转机械故障数据集资料泵数据集、齿轮箱数据集、电机数据集、流量数据集、液压系统数据集、轴承(西储大学、辛辛那提大学、)、PHM08挑战数据集，我闪发动机降级模拟数据集、铣床等共11GB 旋转机械数据

计算机C9硕士_算法工程师

已于 2024-10-31 06:22:56 修改

阅读量710

点赞数 22

分类专栏：数据集轴承大类文章标签：前端 linux 数据库旋转机械故障数据集泵数据集齿轮箱数据集

于 2024-10-26 20:37:50 首次发布

本文链接：https://blog.csdn.net/2401_88440984/article/details/143259124

版权

数据集同时被 2 个专栏收录

280 篇文章

订阅专栏

轴承大类

15 篇文章

订阅专栏

旋转机械故障数据集 11G资料

泵、齿轮箱、电机、流量、液压系统、轴承(西储大学、辛辛那提大学、FEMTO、MOSFET)、PHM08挑战数据集、我闪发动机降级模拟数据集、铣床等

旋转机械故障数据集介绍

数据集概述

本数据集包含多个来源的旋转机械故障数据，涉及多种设备类型，如泵、齿轮箱、电机、流量测量系统、液压系统、轴承等。这些数据集来自多个知名机构和竞赛，包括西储大学、辛辛那提大学、FEMTO研究所、MOSFET老化数据集、PHM08挑战赛数据集、涡扇发动机降级模拟数据集以及铣床数据集等。以下是各个数据集的详细介绍：

数据集列表

西储大学（Case Western Reserve University）轴承数据集
- 描述：该数据集包含多个不同状态下的滚动轴承振动信号，用于滚动轴承的故障诊断研究。
- 用途：滚动轴承故障诊断。
- 大小：约1GB。
- 文件：CWRU_Bearing_Dataset.zip。
辛辛那提大学智能维护系统中心（University of Cincinnati's IMS Center）轴承数据集
- 描述：包含多种工况下的滚动轴承振动信号，适用于故障诊断研究。
- 用途：滚动轴承故障诊断。
- 大小：约2GB。
- 文件：IMS_Bearing_Dataset.7z。
FEMTO研究所轴承数据集
- 描述：提供了精确控制条件下的滚动轴承测试数据，适用于精密机械的故障诊断研究。
- 用途：滚动轴承故障诊断。
- 大小：约1GB。
- 文件：FEMTO_Bearing_Dataset.zip。
MOSFET热过载老化数据集
- 描述：记录了MOSFET器件在热过载条件下的老化过程，适用于电子元器件寿命预测研究。
- 用途：电子元器件寿命预测。
- 大小：约1GB。
- 文件：MOSFET_Thermal_Overeating_Aging_v0.zip。
PHM08挑战数据集
- 描述：来自2008年PHM会议的挑战赛数据集，包含多种机械系统的故障数据。
- 用途：机械系统故障诊断。
- 大小：约2GB。
- 文件：PHM08_Challenge_Data.zip。
涡扇发动机降级模拟数据集（CMAPSSData）
- 描述：用于模拟涡扇发动机健康状态下降过程的数据集，适用于剩余使用寿命预测研究。
- 用途：发动机健康状态监测。
- 大小：约2GB。
- 文件：CMAPSSData.zip。
空气质量数据集（AirQualityUCI.zip）
- 描述：虽然主要关注空气质量监测，但可用于环境监测系统的故障诊断研究。
- 用途：环境监测系统故障诊断。
- 大小：约100MB。
- 文件：AirQualityUCI.zip。
铣床数据集
- 描述：包含铣床运行过程中产生的振动信号，适用于铣床故障诊断研究。
- 用途：铣床故障诊断。
- 大小：约1GB。
- 文件：MillingMachine.zip。
液压系统数据
- 描述：液压系统运行期间的压力、温度和其他传感器数据，适用于液压系统的故障诊断。
- 用途：液压系统故障诊断。
- 大小：约1GB。
- 文件：HydraulicSystemData.zip。
泵数据
- 描述：泵在不同工况下的振动信号，适用于泵的故障诊断。
- 用途：泵故障诊断。
- 大小：约1GB。
- 文件：PumpData.zip。
流量数据
- 描述：各种流量测量设备在不同条件下的数据记录，适用于流量测量设备的故障诊断。
- 用途：流量测量设备故障诊断。
- 大小：约1GB。
- 文件：FlowData.zip。

数据集结构示例 (`data/`)

data/
├── CWRU_Bearing_Dataset.zip
├── IMS_Bearing_Dataset.7z
├── FEMTO_Bearing_Dataset.zip
├── MOSFET_Thermal_Overeating_Aging_v0.zip
├── PHM08_Challenge_Data.zip
├── CMAPSSData.zip
├── AirQualityUCI.zip
├── MillingMachine.zip
├── HydraulicSystemData.zip
├── PumpData.zip
├── FlowData.zip
└── README.md  # 数据集说明

数据集使用说明

解压数据集：首先解压各个数据集压缩包。
数据预处理：根据具体的数据集文档进行数据预处理，如信号去噪、数据标准化等。
模型训练与测试：使用适当的机器学习或深度学习模型对数据进行训练，并在测试集上评估模型性能。
性能评估：计算各项性能指标，如准确率、召回率、F1分数等，并绘制混淆矩阵。

示例代码

数据读取示例代码

import pandas as pd
import numpy as np
import zipfile
import os

def load_data_from_zip(file_path, file_name):
    with zipfile.ZipFile(file_path, 'r') as zip_ref:
        zip_ref.extractall('temp_data')
    df = pd.read_csv(os.path.join('temp_data', file_name))
    return df

# 使用示例
data = load_data_from_zip('data/CWRU_Bearing_Dataset.zip', 'bearing_data.csv')
print(data.head())

数据预处理示例代码

from sklearn.preprocessing import StandardScaler

def preprocess_data(df):
    scaler = StandardScaler()
    scaled_data = scaler.fit_transform(df)
    return scaled_data

# 使用示例
processed_data = preprocess_data(data)
print(processed_data[:5])

模型训练示例代码

from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import classification_report, confusion_matrix

def train_and_evaluate_model(X, y):
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)
    model = RandomForestClassifier(n_estimators=100)
    model.fit(X_train, y_train)
    predictions = model.predict(X_test)
    print(classification_report(y_test, predictions))
    print(confusion_matrix(y_test, predictions))

# 使用示例
train_and_evaluate_model(processed_data, data['label'])

项目目录结构

RotationMechanicalFaultDetection/
├── data/
│   ├── CWRU_Bearing_Dataset.zip
│   ├── IMS_Bearing_Dataset.7z
│   ├── FEMTO_Bearing_Dataset.zip
│   ├── MOSFET_Thermal_Overeating_Aging_v0.zip
│   ├── PHM08_Challenge_Data.zip
│   ├── CMAPSSData.zip
│   ├── AirQualityUCI.zip
│   ├── MillingMachine.zip
│   ├── HydraulicSystemData.zip
│   ├── PumpData.zip
│   ├── FlowData.zip
├── src/
│   ├── main.py  # 主程序入口
│   ├── data_processing.py  # 数据预处理脚本
│   ├── model_training.py  # 模型训练脚本
└── README.md  # 项目说明