机械设备故障诊断健康监测公开数据集

最新推荐文章于 2024-10-10 21:24:34 发布

爱学习的普通人

最新推荐文章于 2024-10-10 21:24:34 发布

阅读量1.3w

点赞数 11

文章标签：数据库

本文链接：https://blog.csdn.net/deepzhangzhihau/article/details/123458159

版权

美国-凯斯西储大学轴承数据中心CWRU）

美国-机械故障预防技术学会MFPT

数据链接：(Fault Data Sets - Society For Machinery Failure Prevention Technology)

德国-帕德伯恩大学Paderborn

法国-FEMTO-ST轴承退化数据集

美国-辛辛那提大学IMS轴承退化数据

美国-康涅狄格大学University of Connecticut

由美国康涅狄格大学唐炯教授团队分享。齿轮箱故障数据。

中国-西安交通大学轴承数据集XJTU-SY Bearing Datasets

由西安交通大学雷亚国课题组王彪博士整理。为轴承寿命退化数据。

东南大学齿轮箱数据集

github连接：https://github.com/cathysiyu/Mechanical-datasets

由东南大学严如强团队博士生邵思雨完成。
论文：“Highly Accurate Machine Fault Diagnosis Using Deep Transfer Learning”

加拿大-渥太华大学

该数据包含在时变转速条件下从不同健康状况的轴承收集的振动信号。总共有36个数据集。对于每个数据集，有两个实验设置：轴承健康状况和变化速度条件。
轴承的健康状况包括:
（i）健康，
（ii）内圈缺陷有缺陷，以及
（iii）外圈缺陷有缺陷。
操作转速条件是:
（i）增加速度，
（ii）减小速度，
（iii）增加然后减小速度，以及
（iv）减小然后增加速度。
因此，设置有12种不同的情况。为了确保数据的真实性，每个实验设置收集3个试验，总共产生36个数据集。
每个数据集包含两个通道：
'Channel_1' 是由加速度计测量的振动数据，
'Channel_2'是由编码器测量的转速数据。
所有这些数据都以200,000Hz采样，采样持续时间为10秒。

论文链接：(Bearing vibration data collected under time-varying rotational speed conditions - ScienceDirect)

数据链接：(Bearing Vibration Data under Time-varying Rotational Speed Conditions - Mendeley Data)

已经发表的论文：Bearing fault diagnosis under unknown time-varying rotational speed conditions via multiple time-frequency curve extraction

A method for tachometer-free and resampling-free bearing fault diagnostics under time-varying speed conditions

意大利-都灵理工大学轴承数据DIRG_BearingData

在都灵理工大学机械和航空航天工程系 DIRG实验室设置的钻机收集的数据，专门用于测试高速航空轴承，其加速度采集在可变转速，径向载荷和损伤水平，与温度测量一起，可作为开放存取数据提供。

数据链接:(ftp://ftp.polito.it/people/DIRG_BearingData/)

论文链接:The Politecnico di Torino rolling bearing test rig: Description and analysis of open access data

巴西-里约热内卢联邦大学 MAFAULDA

数据链接：(MAFAULDA :: Machinery Fault Database [Online])

Marins M A, Ribeiro F M L, Netto S L, et al. Improved similarity-based modeling for the classification of rotating-machine failures[J]. Journal of the Franklin Institute, 2018, 355(4): 1913-1930.论文链接

Saufi S R, bin Ahmad Z A, Leong M S, et al. Differential evolution optimization for resilient stacked sparse autoencoder and its applications on bearing fault diagnosis[J]. Measurement Science and Technology, 2018, 29(12): 125002. 论文链接

中国-武汉大学-转子数据

数据链接：(Data for: Feature Extraction of Rotor Fault Based on EEMD and Curve Code - Mendeley Data)

Liu, D., et al., Feature extraction of rotor fault based on EEMD and curve code. Measurement, 2019. 135: p. 712-724.论文链接

Description of this data ''' These data are denoised signals processed by wavelet thresholding-based denoising. They are represented by a 2-dimensional matrix. Each row represents a vibration signal,and the first 45 rows belong to mormal rotor, the second contact-rubbing, the third unbalance and the final misalignment. Each column represents the length of data, 2048, or time, 1s. '''