摘要：该数据集主要面向无刷直流电机（Brushless DC Motor，BLDC）的运行状态识别、声音故障诊断与预测性维护（Predictive Maintenance，PdM）研究，通过采集 A2212 型无刷直流电机在健康、螺旋桨故障和轴承故障等不同状态下产生的运行声音，为基于音频信号处理和机器学习的非接触式设备状态监测提供数据基础。
数据集概述
该数据集共包含 43 个 WAV 音频文件，每段录音长度约 10 秒，采样频率为 16 kHz，声音来源于 4 台 A2212 无刷直流电机。数据覆盖 **Healthy（健康状态）、Propeller Failure（螺旋桨故障）和 Bearing Failure（轴承故障）**三类运行状态。其中电机 M1 和 M2 包含正常状态与螺旋桨故障数据，M3 主要提供健康状态数据，M4 主要提供轴承故障数据。实验过程中通过改变电机运行速度采集不同转速条件下的声音，使数据能够反映电机运行工况与机械故障对声学特征产生的变化。
数据结构与关键特征
数据集按照不同故障状态和电机编号进行分层组织，主要包括 Healthy、Propeller 和 Bearing 等目录，其下进一步按照 M1、M2、M3 和 M4 等电机编号保存 WAV 音频。例如轴承故障目录中的 M4 包含 1700.wav、1750.wav、1800.wav、1850.wav、1900.wav、1950.wav 和 2000.wav 等不同运行条件的声音记录。实验中的电机连接 30 A 电子调速器（ESC），由 11.1 V、2100 mAh LiPo 电池供电，并利用 ESP32 控制电机速度。音频数据可以进一步提取 RMS、过零率、频谱能量、频谱质心、主频、MFCC、梅尔频谱以及时频谱等声学特征，用于分析不同电机状态之间的声音差异。
应用价值与研究方向
该数据集适合用于无刷直流电机故障诊断、轴承故障检测、螺旋桨异常识别、声学状态监测和预测性维护等研究。传统方法可以从音频中提取 MFCC、频谱能量、频谱熵、主频和时域统计特征，并结合 SVM、随机森林、KNN、XGBoost 等机器学习模型进行分类；深度学习方向则可以利用 1D-CNN 直接分析声音波形，或者将音频转换为 Mel 频谱图、STFT 时频图后采用 CNN、ResNet、EfficientNet 等网络进行图像化故障识别。进一步还可以研究不同转速条件下的跨工况诊断、异常声音检测、少样本学习、声学特征融合以及边缘设备实时部署，为无人机电机、机器人驱动系统和工业无刷电机的非接触式智能维护提供研究基础。
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-760
文件大小：13M
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)