摘要：该数据集由美国凯斯西储大学轴承数据中心建立，是旋转机械故障诊断、轴承状态识别和预测性维护研究中广泛使用的经典基准数据集，主要记录正常轴承以及不同类型故障轴承运行过程中的振动信号，可用于机器学习和深度学习轴承故障分类算法的开发、测试与性能比较。凯斯西储大学官方资料显示，其实验平台采用电机轴承试验装置，并针对正常状态和人工设置的单点轴承故障进行了系统的数据采集。
数据集概述
CWRU 数据集主要包含**正常轴承（Normal）、内圈故障（Inner Race，IR）、外圈故障（Outer Race，OR）和滚动体/滚珠故障（Ball，B）**等状态的振动信号。实验通过电火花加工（EDM）在人为控制条件下向轴承内圈、外圈和滚动体引入单点缺陷，并在不同电机负载与转速条件下采集振动数据。官方完整数据中的故障直径覆盖 0.007、0.014、0.021、0.028 英寸等规格，部分外圈故障还包括 0.040 英寸；而你列出的这一版本主要使用 0.007、0.014 和 0.021 英寸三种故障尺寸，并包含 0、1、2、3 HP 不同负载条件下的数据，因此能够反映不同故障类型、不同故障程度以及不同运行工况下轴承振动特征的变化。
数据结构与关键特征
提供的版本共包含 40 个 MATLAB .mat 文件，其中 Normal_0.mat～Normal_3.mat 表示四种负载条件下的正常轴承信号；IR007、IR014、IR021 分别表示 0.007、0.014、0.021 英寸的内圈故障；B007、B014、B021 表示对应尺寸的滚动体故障；OR0076、OR0146、OR0216 表示不同尺寸的外圈故障数据，每种状态进一步按照 _0～_3 区分不同电机负载工况。实验在驱动端（DE）和风扇端（FE）布置加速度传感器采集振动信号，官方 CWRU 数据以 MATLAB 格式保存，12 kHz 是主要采样率，同时驱动端部分实验还提供 48 kHz 数据。文件内部通常包含驱动端振动、风扇端振动以及电机转速等信息，因此既可以直接进行一维时域分析，也可以通过 FFT、STFT、小波变换等方法转换为频域或时频域特征。
应用价值与研究方向
CWRU 数据集适合用于滚动轴承故障诊断、故障类型识别、故障严重程度分析、机械状态监测和预测性维护等研究。传统方法可以提取均值、均方根、峰值、峭度、偏度、峰值因子以及频谱能量等人工特征，并结合 SVM、随机森林、KNN、XGBoost 等机器学习模型完成分类；深度学习方向则可以采用 1D-CNN、LSTM、GRU、ResNet、Transformer 等网络直接处理一维振动信号，也可以将振动信号转换为时频图后利用二维 CNN 进行识别。进一步还可以研究跨负载故障诊断、迁移学习、域适应、小样本学习、噪声环境鲁棒诊断、故障严重程度评估以及轻量化在线监测等方向，为工业电机、旋转机械和智能制造设备的健康管理提供实验基础。
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-754
文件大小：43M
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)