CWRU数据集-美国西储大学轴承数据

1. 实验平台

 

1.1 平台组成

  • 一个1.5KW(2马力)的电动机(图左侧);
  • 一个扭矩传感器/ 译码器(图中间连接处);
  • 一个功率测试计(图右侧);
  • 电子控制器(图中没显示) 

1.2 待测轴承

  • 待检测的轴承支撑着电动机的转轴;
  • 驱动端(Drive End)轴承为SKF6205 ,采样频率为12Khz和48Khz;
  • 风扇端(Fan End)轴承为SKF6203 ,采样频率为12Khz。

1.3 故障设置

  • 轴承的损伤是用电火花加工的单点损伤;
  • SKF轴承用来检测直径为0.1778(0.007英寸=7 mils)、0.3556(0.014英寸=14 mils)、0.5334(0.021英寸=21 mils)毫米的损伤;
  • NTN轴承则是用来检测直径是0.7112(0.028英寸=28 mils)、1.016(0.04英寸=40 mils)毫米的损伤;

1.4 信号采集

  • 由于外圈损伤的位置是相对固定的,因此损伤点相对于轴承负荷区的不同位置对电动机/轴承系统的振动响应有直接的影响。为了量化这种影响,驱动端和风扇端轴承外圈的损伤点分别放置在3点钟、6点钟、12点钟三个不同位置。
  • 电动机风扇端和驱动端的轴承座上方各放置一个加速度传感器用来采集故障轴承的振动加速度信号。
  • 振动信号由16 通道数据记录仪采集得到。
  • 功率和转速通过扭矩传感器/ 译码器测得。
  • 将加工过的故障轴承重新装入测试电机中,分别在0、1、2和3马力的电机负载工况工作条件下记录振动加速度信号数据。利用该实验台获取的正常样本8 个、外圈损伤样本53 个、内圈损伤样本23 个及滚动体损伤样本11 个
  •  

1.5 信号分类

  1. 正常数据
  2. 采样频率12kHz的驱动端故障数据
  3. 采样频率48kHz的驱动端故障数据
  4. 风扇端故障数据

2 轴承数据格式

数据文件为Matlab格式。每个文件包含风扇和驱动端振动数据,以及电机转速。对于所有文件,在变量名显示下列项目:

  • DE - drive end accelerometer data 驱动端加速度数据
  • FE - fan end accelerometer data 风扇端加速度数据
  • BA - base accelerometer data 基座加速度数据(正常)
  • time - time series data 时间序列数据
  • RPM- rpm during testing 转每分钟,除以60为旋转频率

3 轴承规格和故障频率

3.1 驱动端轴承

轴承型号:6205-2RS JEM SKF 深沟球轴承

其中:2RS 是双面密封,JEM无意义,SKF(Svenska Kullager-Fabriken)是斯凯孚公司(总部所在地:瑞典哥德堡),NTN是日本公司。 Z=9(滚动体9个)

规格:

内圈直径 外圈直径 厚度 滚动体直径 节径
25mm 52mm 15mm 7.94mm 39.04mm

故障频率:(转动频率Hz的倍数)

内圈故障 外圈故障 保持架故障 滚动体故障
5.4152 3.5848 0.39828 4.7135

3.2 风扇端轴承

轴承型号: 6203-2RS JEM SKF 深沟球轴承

其中:2RS 是双面密封,JEM无意义,SKF(Svenska Kullager-Fabriken)是斯凯孚公司(总部所在地:瑞典哥德堡),NTN是日本公司。 Z=8(滚动体8个

规格

内圈直径 外圈直径 厚度 滚动体直径 节径
17mm 40mm 12mm 6.7462mm 28.4988mm

故障频率:(转动频率Hz的倍数)

内圈故障 外圈故障 保持架故障 滚动体故障
4.9469 3.0530 0.3817 3.9874

3.3 故障规格

Bearing(轴承

Drive End:驱动端;

Fan End:风机端
Fault Location(故障位置;

Inner Raceway内圈IR

Outer Raceway外圈ORBall滚动体B
直径 深度 轴承厂家
驱动端(Drive End 轴承内圈(Inner Raceway 0.1778 mm 0.2794mm SKF
驱动端(Drive End 轴承内圈(Inner Raceway 0.3556 mm 0.2794mm SKF
驱动端(Drive End 轴承内圈(Inner Raceway 0.5334 mm 0.2794mm SKF
驱动端(Drive End 轴承内圈(Inner Raceway 0.7112mm 1.27mm NTN
驱动端(Drive End 轴承外圈(Outer Raceway 0.1778 mm 0.2794mm SKF
驱动端(Drive End 轴承外圈(Outer Raceway 0.3556 mm 0.2794mm SKF
驱动端(Drive End 轴承外圈(Outer Raceway 0.5334 mm 0.2794mm SKF
驱动端(Drive End 轴承外圈(Outer Raceway 1.016 mm 1.27mm NTN
驱动端(Drive End 轴承滚动体(Ball 0.1778 mm 0.2794mm SKF
驱动端(Drive End 轴承滚动体(Ball 0.3556 mm 0.2794mm SKF
驱动端(Drive End 轴承滚动体(Ball 0.5334 mm 0.2794mm SKF
驱动端(Drive End 轴承滚动体(Ball 0.7112mm 3.81mm NTN
风扇端(Fan End 轴承内圈(Inner Raceway 0.1778 mm 0.2794mm SKF
风扇端(Fan End 轴承内圈(Inner Raceway 0.3556 mm 0.2794mm SKF
风扇端(Fan End 轴承内圈(Inner Raceway
  • 3
    点赞
  • 10
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
凯斯西储大学(cwru)轴承数据集是用于振动故障诊断的一个常用数据集。该数据集包含了四个故障轴承的振动信号数据,用于帮助理解轴承故障与振动信号之间的关系。 要深入浅出地学习这个数据集,首先需要了解轴承故障的背景知识。轴承属于机械设备中常见的易损件,当润滑不良或使用时间过长时,会引发各种故障,例如磨损、疲劳裂纹等。这些故障会导致轴承振动信号的改变,因此通过分析振动信号可以判断轴承是否存在故障。 其次,需要了解数据集中每个样本的特点。数据集中包含正常轴承信号四种故障信号,分别是内圈故障、滚珠故障、外圈故障和滚道故障。每个样本都是通过振动传感器采集的振动信号,通常用加速度或速度信号表示。可以通过绘制信号波形图和频谱图来观察振动信号的变化。 在学习过程中,可以尝试以下几个步骤: 1. 数据预处理:对振动信号进行预处理,例如去除噪音、滤波等,以便于后续分析。 2. 特征提取:从振动信号中提取有用的特征,例如时域特征(如均值、方差)、频域特征(如功率谱密度)等。这些特征可以用于建立模型进行故障诊断。 3. 可视化分析:通过绘制信号波形图、频谱图和特征图等可视化手段,观察振动信号的故障特征,例如频率增强、频谱峰值等。 4. 模型建立:利用提取的特征和标记的故障样本,建立适当的机器学习或深度学习模型,进行故障诊断。 5. 模型评估:使用测试集验证建立的模型的准确性和鲁棒性,评估模型的预测性能。 通过以上步骤,可以对轴承故障数据集进行深入浅出的学习,并能够理解振动信号轴承故障的关系,从而为轴承故障的诊断和预测提供有力支持。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

刘大望

谢谢你请的咖啡

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值