旋转机械故障数据集终极指南：一套数据搞定轴承故障诊断与预测性维护

旋转机械故障数据集终极指南：一套数据搞定轴承故障诊断与预测性维护

【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

深夜的电机生产线，质检员戴着耳机，一遍遍听电机运转的嗡嗡声。同一台电机，今天早上还能通过，下午就发出细微的异响——漏检了。一台不良品混入整批成品，轻则退货索赔，重则让整条产线停产。这不是虚构故事，而是工业设备健康监测每天都在上演的真实难题。而解决这类难题的第一步，往往不是算法，而是数据。

今天要介绍的Rotating-machine-fault-data-set开源项目，正是为了解决"数据从哪来"这个最基础也最致命的问题而生。它把全球 20 个知名机构的旋转机械故障数据集汇聚到了一起，堪称一本"轴承故障诊断数据"的活地图。

项目速览：这是什么，能帮你什么

一句话定位：这是一个系统整理全球开源旋转机械故障数据的项目，为轴承故障诊断、齿轮箱故障识别、剩余寿命预测研究提供一站式的数据入口。

它的能力清单很简单：

• 📚20 个高质量数据集索引：覆盖美国、德国、法国、中国、加拿大、意大利、巴西等国家的权威机构
• 🔍详细的技术文档：每个数据集都有独立的说明文档，讲清实验条件、数据格式、采样频率
• 🧪从故障分类到寿命预测全覆盖：既有人为制造故障的基准数据，也有轴承从健康到失效的全寿命周期数据
• 📄配套论文清单：整理了大量基于这些数据集的代表性文献，帮你快速了解前人怎么做

适合谁用？做故障诊断研究的在校学生、企业的设备维护工程师、机器学习算法工程师——只要你的工作跟旋转机械振动信号打交道，这个项目都能帮你省下几个月的找数据时间。

痛点拆解：为什么找一份好数据这么难

先讲一个故事。小王是某高校机械专业的研二学生，导师让他做轴承故障诊断。他花了两周时间做文献调研，发现论文里最常用的数据集是 CWRU，但打开官网一看——全是 .mat 格式的原始文件，没有说明文档，不知道每个文件对应什么故障类型。他又去找别的数据集，发现有的网站打不开，有的数据要注册审核，有的下载到一半断线。两周过去，他连数据长什么样都没见到。

这就是预测性维护数据集获取的真实困境：

• 散：数据分散在全球各个大学、机构的官网，没有统一入口
• 杂：每个数据集的格式、采样频率、故障标注方式各不相同
• 缺：很多数据集缺少实验条件说明，拿到数据也不知道怎么用
• 断：部分老数据集链接已失效，需要联系原作者才能获取

而 Rotating-machine-fault-data-set 做的事情很朴素却很有效——把散落的资源逐一收集、验证、整理，再配上中文说明文档，让研究者把时间花在算法上，而不是花在找数据上。

能力地图：项目里到底有哪些"宝藏"

图：典型的轴承故障诊断实验系统，包含电机、传感器、测试轴承等关键组件，CWRU 等数据集的原始数据就来自这样的平台

把项目里的资源按用途分个类，会看得更清楚：

第一类：故障分类基准数据（算法练手首选）

第二类：寿命退化数据（预测性维护核心）

• XJTU-SY 轴承退化数据：西安交大提供，3 种工况 × 5 个轴承，完整记录从正常运行到完全失效的全过程
• FEMTO-ST 轴承退化数据：法国研究机构提供，2012 年 IEEE PHM 挑战赛数据，6 组训练集 + 11 组测试集
• IMS 轴承退化数据：美国辛辛那提大学李杰教授团队，3 组全寿命试验，每组持续数周到一个月

第三类：特定场景数据（工业落地参考）

• 东南大学齿轮箱数据：8 通道信号，同时采集电机振动、行星齿轮箱三方向振动、扭矩等
• 电机振动数据（七月在线竞赛）：来自真实电机生产线的异音质检场景
• 武汉大学转子数据：涵盖正常、碰摩、不平衡、不对中四种转子状态

上手路径：新手从零开始的四步体验

如果你第一次接触这个项目，推荐按下面的顺序走：

1. 先读 README：项目根目录的 README 就是完整目录，20 个数据集一页看完，先建立整体认知
2. 从 CWRU 入门：这是公认的基准数据集，故障特征明显、参考资料多，用 MATLAB 或 Python 加载 .mat 文件，跑通第一个故障分类实验
3. 挑战寿命预测：用 XJTU-SY 或 FEMTO-ST 数据，尝试预测轴承的剩余使用寿命，体验从"分类"到"预测"的进阶
4. 研究配套论文：每个数据集的文档里都整理了代表性文献，比如 CWRU 文档里就有 Smith 等人的 benchmark 综述，读一遍能少走很多弯路

实战拆解：用退化数据做寿命预测

图：CWRU 旋转机械实验平台，包含电机、轴承、扭矩传感器等关键部件，是故障分类研究最常用的数据来源

以轴承退化数据为例，讲讲这类数据能做什么。XJTU-SY 数据集里，每个轴承从安装到失效被全程监测，振动信号记录下轴承状态逐渐恶化的整个过程。研究者可以：

• 提取时域特征（RMS、峰度、峭度）观察退化趋势
• 用频域分析捕捉故障特征频率的变化
• 训练回归模型，输出剩余使用寿命的预测值

实践表明，基于这类退化数据的剩余寿命预测，误差可以控制在 10% 以内，远优于传统"振动值超阈值就报警"的粗放方式。这就是预测性维护数据集的核心价值——把"坏了才知道"变成"快坏了就预警"。

数据对比：几个主流数据集怎么选

选型建议：练手用 CWRU，验证真实场景用 MFPT，做寿命预测用 XJTU-SY 或 FEMTO-ST，做齿轮箱诊断用康涅狄格或东南大学的数据。

避坑指南：用好这些数据的五个提醒

1. 注意数据格式差异：CWRU 是 .mat 格式，IMS 是 ASCII 文本，上手前先确认自己用的工具链能不能读
2. 留意采样率与转速：不同数据集实验条件差异很大，跨数据集验证算法时要说明工况是否匹配
3. 遵循版权要求：数据来自各原始研究机构，论文中使用务必按版权方要求引用，例如引用 CWRU 时注明"Case Western Reserve University Bearing Data Center"
4. 不要做"伸手党"：个别数据集下载确实困难，但请先自己尝试所有途径，实在获取不了再联系维护者
5. 区分"诊断"与"预测"：分类数据和退化数据的任务目标完全不同，别拿分类数据的思路硬套寿命预测问题

行动号召：从今天开始攒下你的第一份数据

做研究最怕的不是算法不先进，而是花了三个月准备数据，最后发现数据本身不可靠。Rotating-machine-fault-data-set 的价值，就是把"找数据"这个最耗时、最折磨人的环节压缩到最小。

你可以这样开始：用git clone https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set把仓库拉到本地，先花半小时通读 README 和 doc 目录下的说明文档，挑一个数据集下载体验。如果你手头有公开的新数据源，也欢迎通过 Issues 反馈给维护者——共享是一种精神，这个项目本身就是这样生长起来的。

数据到位了，剩下的就交给你的算法了。

【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