1. 项目概述
滚动轴承变转速故障数据集是一个专门用于机械设备故障诊断研究的数据集合。这个数据集包含了6种不同故障状态的轴承振动信号数据，涵盖了从轻微故障到重度故障的完整故障发展过程，同时包含正常状态下的基准数据作为对比参考。
作为机械状态监测领域的核心研究对象，滚动轴承的故障诊断对于工业生产设备维护具有重要意义。该数据集特别针对变转速工况设计，能够更真实地模拟工业现场设备的实际运行状态，为故障诊断算法开发提供高质量的实验数据。
2. 数据集结构与内容解析
2.1 数据采集方案
数据集通过加速度传感器采集轴承振动信号，采样频率设置为12.8kHz，确保能够捕捉到轴承故障特征频率。每个样本包含以下关键信息：
- 振动信号波形数据（时域）
- 对应的转速信息（rpm）
- 负载条件（N·m）
- 故障类型标注（正常/轻微/中度/重度）
- 故障位置标注（内圈/外圈/滚动体）
实际采集时需要注意：传感器安装位置应尽量靠近轴承座，确保信号传递路径最短，减少信号衰减和干扰。我们采用磁吸式加速度传感器，安装位置距离轴承外圈不超过50mm。
2.2 故障类型分类标准
数据集中的故障程度按照国际标准ISO 15243进行分类：
| 故障等级 | 损伤面积(mm²) | 振动速度有效值(mm/s) |
|---|---|---|
| 正常 | 0 | <1.2 |
| 轻微 | 1-3 | 1.2-2.5 |
| 中度 | 3-10 | 2.5-4.0 |
| 重度 | >10 | >4.0 |
故障类型通过电火花加工在轴承上制造人工缺陷，确保缺陷尺寸精确可控。内圈故障通常设置在承载区，外圈故障设置为固定位置缺陷。
3. 数据特征提取方法
3.1 时域特征指标
对于原始振动信号，首先计算以下时域特征参数：
- 峰值（Peak）：信号的最大绝对值
- 均方根值（RMS）：$RMS = \sqrt{\frac{1}{N}\sum_{i=1}^{N}x_i^2}$
- 峭度（Kurtosis）：$K = \frac{\frac{1}{N}\sum_{i=1}^{N}(x_i-\bar{x})^4}{\sigma^4}$
- 脉冲指标（Impulse Factor）：$IF = \frac{Peak}{\frac{1}{N}\sum|x_i|}$
这些指标对早期故障敏感度不同，实际应用中需要组合使用。例如峭度对早期冲击型故障特别敏感，但当故障发展到一定程度后反而会下降。
3.2 频域分析方法
由于轴承故障会产生特征频率成分，频域分析是关键手段。计算步骤包括：
- 对信号进行重采样消除转速波动影响
- 计算包络谱突出冲击成分
- 识别特征频率：
- 内圈故障频率：$f_{BPFI} = \frac{N}{2}(1+\frac{d}{D}cosα)f_r$
- 外圈故障频率：$f_{BPFO} = \frac{N}{2}(1-\frac{d}{D}cosα)f_r$
- 滚动体故障频率：$f_{BSF} = \frac{D}{2d}[1-(\frac{d}{D}cosα)^2]f_r$
其中N为滚动体数量，d为滚动体直径，D为节圆直径，α为接触角，fr为轴转频。
4. 典型应用案例
4.1 基于深度学习的故障诊断
使用该数据集训练1D-CNN网络的典型结构：
python复制model = Sequential([
Conv1D(64, 3, activation='relu', input_shape=(1024,1)),
MaxPooling1D(2),
Conv1D(128, 3, activation='relu'),
GlobalAveragePooling1D(),
Dense(128, activation='relu'),
Dense(4, activation='softmax')
])
model.compile(optimizer='adam',
loss='categorical_crossentropy',
metrics=['accuracy'])
关键技巧：
- 输入信号进行标准化处理
- 使用Label Smoothing缓解类别不平衡
- 添加注意力机制提升特征选择能力
4.2 迁移学习应用
将ImageNet预训练的ResNet模型迁移到故障诊断任务：
- 将振动信号转换为时频图（STFT或小波变换）
- 替换原模型最后一层全连接
- 使用小学习率微调模型
这种方法在样本量有限时特别有效，实测准确率可达92%以上。
5. 使用注意事项
-
数据预处理要点：
- 必须进行去趋势处理消除基线漂移
- 建议使用5-10kHz带通滤波去除无关频段
- 对于变转速数据，应先进行阶比分析再提取特征
-
常见问题解决方案：
- 遇到分类效果差时，检查是否混淆了转速变化与故障特征
- 频域分析出现多个峰值时，考虑轴承组合频率的影响
- 深度学习模型过拟合时，尝试添加Dropout层或数据增强
-
实验复现建议：
- 使用相同型号轴承进行比较实验
- 保持相同的传感器安装位置和方向
- 记录环境噪声水平作为参考
该数据集为研究变转速工况下的轴承故障诊断提供了标准测试平台，后续可扩展研究包括：
- 复合故障诊断
- 剩余寿命预测
- 在线监测系统开发
实际工程应用中，建议结合该数据集和现场数据共同建模，以提升模型的泛化能力。对于关键设备，可采用迁移学习将实验室数据知识迁移到现场应用。