摘要：该数据集主要面向轴向滚珠轴承的剥落故障诊断研究，包含健康状态以及内圈、外圈人工剥落故障状态下的振动信号，可用于研究不同缺陷尺寸、不同轴向载荷和不同主轴转速条件下的轴承状态识别、故障严重程度分析与预测性维护方法。
数据集概述
该数据集共包含 28 组振动数据，分为健康组和故障组两部分。其中健康状态包含 4 个数据集，故障状态包含 24 个数据集，覆盖 6 种不同剥落缺陷尺寸与多组载荷、转速工况。故障通过在轴承内圈或外圈人工植入剥落缺陷构造，从而模拟滚动轴承在实际运行中的局部材料脱落问题。所有数据均以 25.6 kHz 的采样频率采集，每组连续记录 30 秒，具有较高的时间分辨率，能够完整记录剥落故障引起的周期性冲击及振动变化。
数据结构与关键特征
数据采用标准 MATLAB .mat 文件保存，文件命名遵循类似 NX_R_S_T.mat 的规则，其中 X 表示轴向载荷，R 表示主轴转速，S 表示剥落缺陷宽度，T 表示缺陷位于 inner 内圈或 outer 外圈。例如 N5k_500_1.0_inner.mat 表示特定轴向载荷、500 rpm 转速、1.0 mm 内圈剥落缺陷条件下的数据。数据中包含 1.0、1.4、2.1、2.4、3.8、4.0 mm 等不同缺陷尺寸，同时包含约 5 kN、8.8 kN 两种轴向载荷及 60 rpm、500 rpm 等不同转速工况。每个文件主要记录由安装在轴承外圈附近加速度计采集的振动时间序列，因此非常适合开展时域、频域及时频域特征分析。
应用价值与研究方向
该数据集适合用于轴承剥落故障检测、内外圈故障分类、故障严重程度识别、跨负载与跨转速诊断、退化状态分析以及预测性维护等研究。传统方法可以提取 RMS、峭度、偏度、峰值因子、包络谱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；深度学习方向则可采用 1D-CNN、LSTM、GRU、TCN 和 Transformer 直接处理振动序列，也可以使用 FFT、STFT、小波变换或包络分析生成频谱及时频图，再利用 CNN、ResNet 等模型进行故障识别。进一步还可研究剥落尺寸估计、跨工况域适应、故障定位、严重程度回归和小样本迁移学习，用于滚动轴承智能监测与工业旋转机械健康管理。
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-765
文件大小：156M
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)