摘要：该数据集主要面向异步电机在正常、电气故障、机械故障以及复合故障状态下的振动分析与预测性维护研究，通过振动传感器采集电机运行过程中的多轴振动信号，并结合负载、转速、电气故障、机械不平衡及背景噪声等多种工况，为机器学习和深度学习模型开展电机状态分类、异常检测和复杂工况故障诊断提供数据基础。
数据集概述
该数据集共设置约 30 种实验运行工况，以被测异步电机 m1 为核心，并通过第二台电机 m2 构造额外的背景振动和噪声环境。数据覆盖正常空载运行、0.5 Nm 机械负载运行、机械不平衡、电气故障以及机械与电气复合故障等状态。其中电气异常分别采用 50 Ω、100 Ω 和 150 Ω 电阻模拟不同故障条件，机械异常主要表现为轴系机械不平衡，同时部分实验加入第二台电机产生的环境振动干扰。大多数工况下电机以最大轴转速的一半运行，使数据能够系统反映不同故障、负载和噪声条件对电机振动特征的影响。
数据结构与关键特征
数据集主要以 CSV 文件形式保存，每个文件对应一种独立实验工况，例如 01 – m1_half_shaft_speed_no_mechanical_load.csv 表示正常空载半速运行，06 – m1_electrically_50_ohm_fault_half_speed.csv 表示 50 Ω 电气故障，05 – m1_mechanically_imbalanced_load_0.5Nm_half_speed.csv 表示带 0.5 Nm 负载的机械不平衡故障，而编号 25～30 等文件进一步包含机械故障、电气故障和背景噪声共同存在的复杂复合工况。数据集的关键特点是同时包含正常/故障、单故障/复合故障、空载/负载以及低噪声/高背景噪声等多个维度，并采用三轴振动数据描述设备状态，因此能够更加全面地刻画电机在真实工业环境中的动态振动特征。
应用价值与研究方向
该数据集适合用于异步电机故障分类、机械不平衡诊断、电气故障识别、复合故障检测、噪声鲁棒诊断和预测性维护等研究方向。传统方法可从三轴振动信号中提取 RMS、方差、峭度、偏度、峰值因子、频谱能量及主频等时域和频域特征，并结合 SVM、随机森林、XGBoost、LightGBM 等机器学习模型进行分类；深度学习方向可采用 1D-CNN、LSTM、GRU、TCN、Transformer 等网络直接学习多轴时序特征，也可以利用 FFT、STFT 或小波变换生成时频图后进行二维卷积识别。进一步还可研究三轴特征融合、跨负载泛化、复合故障解耦、噪声抑制、多源干扰鲁棒性、迁移学习及边缘端实时部署，用于工业电机智能状态监测与预测性维护系统。
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-764
文件大小：36M
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)