摘要：该数据集主要用于感应电机滚动轴承故障诊断与状态监测研究，通过同步采集轴承在 X、Y、Z 三个方向上的振动信号，描述健康轴承和不同故障程度轴承在多种负载工况下的运行状态，可用于机械故障分类、故障程度识别以及预测性维护算法研究。
数据集概述
该数据集包含感应电机轴承在健康状态以及不同故障状态下的三轴振动数据。健康状态包括带皮带轮和不带皮带轮两种运行形式；故障状态则主要包括轴承内圈和外圈磨损，并设置 0.7 mm、0.9 mm、1.1 mm、1.3 mm、1.5 mm 和 1.7 mm 等多个故障程度。不同故障轴承分别在 100 W、200 W 和 300 W 负载条件下运行，因此数据能够同时体现故障类型、故障严重程度以及负载变化对振动信号的影响。整个数据集共包含约 38 种轴承状态数据，适合开展多工况轴承故障识别实验。
数据结构与关键特征
数据集按照轴承健康状态和不同故障程度进行组织，主要包含 Healthy bearing data 以及 0.7mm-bearing-faults、0.9mm-bearing-faults、1.1mm-bearing-faults、1.3mm-bearing-faults、1.5mm-bearing-faults 和 1.7mm-bearing-faults 等目录。振动信号分别沿 X、Y、Z 三个方向采集，采样率为 10 kHz，每个通道记录 1000 个采样点。与仅使用单轴振动信号的数据集相比，三轴数据能够更加全面地反映电机轴承在不同空间方向上的振动响应，有利于提取故障冲击、频率变化以及方向相关的机械振动特征。
应用价值与研究方向
该数据集可广泛应用于轴承故障检测、故障类型分类、故障严重程度评估、多负载工况诊断以及感应电机状态监测等研究方向。传统方法可以从三轴振动信号中提取均方根、峭度、偏度、峰值因子以及频域能量等特征，并结合 SVM、随机森林、XGBoost 等机器学习算法进行分类；深度学习方向则可采用 1D-CNN、LSTM、GRU、TCN、Transformer 等模型直接学习多通道振动特征。进一步还可研究三轴特征融合、跨负载故障诊断、时频分析、故障程度回归、迁移学习和轻量化在线监测，为工业电机和旋转机械的智能维护提供数据基础。
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-758
文件大小：42M
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)