摘要：该数据集主要面向滚动轴承健康状态识别、故障严重程度诊断以及变转速工况下的机械状态监测研究，通过综合轴承运行参数、故障信息以及多域信号特征，为机器学习和深度学习模型开展轴承故障分类、退化分析和预测性维护提供结构化数据支持。
数据集概述
该数据集共包含约 83,537 条轴承状态样本，覆盖 **健康（Healthy）、轻微故障（Mild）、中度故障（Moderate）和严重故障（Severe）**四种状态，并考虑了不同转速条件下轴承运行特征的变化。数据不仅记录转速、负载、故障位置和故障尺寸等运行与故障参数，还融合了振动信号的统计域、频域以及阶次域特征，因此能够较全面地描述轴承从正常运行到不同故障严重程度的发展过程，适合开展复杂变工况条件下的数据驱动故障诊断研究。
数据结构与关键特征
数据主要存储于 Bearing Fault Severity.csv 文件中，每条记录对应一种轴承运行状态及其提取后的特征信息。核心变量包括旋转速度、负载、故障位置、故障尺寸等工况参数，以及 **RMS（均方根）、Skewness（偏度）、Kurtosis（峭度）、Spectral Energy（频谱能量）、Dominant Frequency（主频）、Crest Factor（峰值因子）、Defect-Order Amplitude（故障阶次幅值）和 Sideband Energy（边带能量）**等信号特征。这些变量覆盖时域统计特征、频域能量特征以及阶次分析特征，有利于降低单一特征对工况变化的敏感性，并增强模型对不同故障位置和严重程度的区分能力。
应用价值与研究方向
该数据集适合用于轴承健康状态分类、故障严重程度识别、退化趋势分析、变转速故障诊断以及预测性维护等研究方向。算法方面可使用逻辑回归、SVM、随机森林、XGBoost、LightGBM 和神经网络等模型进行四分类实验，并结合特征重要性分析、降维和特征选择研究不同信号指标对故障诊断结果的贡献。进一步还可以开展跨转速与跨负载泛化、故障位置识别、严重程度回归、异常检测、可解释人工智能以及多域特征融合研究，为工业电机、机床、风机和旋转机械设备的智能状态监测提供数据基础。
数据集来源
由张家梁(Bob)整理并于2026年在7zcode平台公开发布。
数据集信息
免责声明与引用
数据仅用于科研与教学用途。若用于商业场景，请自行核验数据许可。如需引用，请在论文或报告中注明数据集名称与版本号。
作者信息
作者：Bob (张家梁)
项目编号：Datasets-759
文件大小：6M
原创声明：本数据集为整理作品
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)