摘要：该数据集主要面向滚动轴承故障识别与机械设备状态监测研究，通过采集多种型号滚珠轴承在不同故障类型及不同负载工况下的原始振动信号，为轴承故障分类、多工况诊断以及深度学习故障识别算法的训练和性能验证提供实验数据基础。
数据集概述
数据集共包含 99 组原始振动信号，覆盖 5 种轴承型号，分别为 6204、6205、6206、6207 和 6208，同时设置 0 W、200 W 和 400 W 三种工作负载条件。数据考虑 6 种故障类型，包括内圈裂纹（Inner Crack）、外圈裂纹（Outer Crack）、滚珠裂纹（Ball Crack），以及内圈+滚珠、外圈+滚珠、内圈+外圈等两种故障组合。每组振动信号的采样频率为 51.2 kHz，连续采集时间为 10 秒，因此单条信号具有较高的时间分辨率，能够较完整地记录轴承不同故障状态产生的冲击和周期性振动特征。
数据结构与关键特征
数据集主要以 MATLAB .mat 文件形式保存，例如 B500.mat、B502.mat、B504.mat、I500.mat、I502.mat、I504.mat、IB500.mat 等，不同文件名用于区分轴承型号、故障类型及运行负载。故障标识中可见 I、B、IB 等不同形式，用于描述内圈、滚珠及组合故障状态，同时数据集中还包含其他外圈和复合故障文件。此外还提供 defects.png 和 testbench.png，用于展示人工故障形式及实验测试平台。该数据集的重要特点是同时考虑不同轴承尺寸、单一故障、复合故障和多负载工况，因此相比只包含单故障的轴承数据集，更适合验证模型在复杂实际工况下的诊断能力。
应用价值与研究方向
数据集可用于轴承故障分类、复合故障识别、跨负载诊断、多型号轴承状态监测以及预测性维护等研究。传统方法可以从振动信号中提取 RMS、峭度、偏度、峰值因子、频谱能量和故障特征频率等指标，并结合 SVM、随机森林、XGBoost 等算法进行分类；深度学习方向可采用 1D-CNN、ResNet、LSTM、GRU、TCN 和 Transformer 直接处理一维振动信号，也可以通过 FFT、STFT、小波变换或连续小波变换生成频谱图和时频图，再利用二维卷积神经网络进行识别。进一步还可研究复合故障解耦、跨型号迁移学习、跨负载域适应、多尺度特征融合、小样本诊断以及模型轻量化部署，为工业旋转机械的智能故障诊断提供数据基础。
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-763
文件大小：660M
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)