前言

江南大学轴承数据为本人网上搜集得到，主要来源于以下两个渠道：

       1、52phm区提供，网址为:http://www.52phm.cn/datasets/bear/Bearing-data-set-of-Jiangnan-University.html    (大家可以关注一下这个52phm社区，挺好的)

       2、git_hub网友，仓库为：https://github.com/ClarkGableWang/JNU-Bearing-Dataset

      感谢上述各位同行的分享，如有侵权，还望联系本人。

1、试验平台

 

       上述试验台为一个采用三菱SB-JR感应电机对某离心风机系统进行的故障诊断试验。本电机为3.7KW的三相感应电动机，电压为220V，电机的极数为4.额定转速1800rpm,转子由两个轴承支撑，在整个实验装置中有一个存在缺陷的轴承，机构简图如图1所示。图2为传感器安装位置和电机视角，值得注意的是，缺陷轴承位于电机的输出轴。

        在本实验中，采用滚子轴承，缺陷分别为外圈故障，内圈故障和滚动体故障。故障轴承如下图所示。值得注意的是，在该实验中，所有故障均为人为线切割制造的。

 

       在本次实验中，测试轴承分别采用了N205和NU205两种类型。其中，正常，外圈故障和滚动故障采用了N205轴承；内圈故障则采用了外圈可分离的NU205型轴承。这些轴承的具体参数如下表所示： 

2、试验安排

本次实验具体安排如下：

       1、一共有四种故障类型，分别为正常、内圈、外圈、和滚动体。

       2、每种故障类型数据分别有3种工况，即3种不同的转速，分别为600rpm、800rpm和1000rpm。

       3、仅有一个加速度传感器，采集频率为50KHz,采样时长为20s。

3、数据集说明

       1、数据的存储格式为CSV文件，文件命名中就体现了转速信息。根据本人猜测，内圈故障数据为字母i表示，外圈故障数据为字母o表示,正常数据为字母n表示，滚子故障数据为字母t表示。

       2、考虑到初学者不会导入数据，本人将所有数据，按照文件名字，打包了一个mat文件（data_all.mat），见附件。

       3、由于该数据集并没有官方网页，或者说官方网页打不开。因此，我查阅了相关文献，提供了一些关于该数据的详细信息，具体论文见附件。

       4、关于数据的详细说明见本人困惑部分。

 4、本人困惑

       由于该数据集缺乏具体的数据介绍和解释，仅能通过论文进行了解，本人利用VMD方法对数据进行分析，发现了一些问题。由于本人知识有限，这些问题仅供参考，极大可能是本人水平不足，而非数据问题。具体问题如下：

       1、按照论文描述，采样时间20s，采样频率50KHz，那么一种工况下的一种故障数据集长度应该约为100万个采样点。但是，正常状态下的不同工况数据长度为约150万个采样点，而非正常（内、外、滚子故障）状态下的不同工况数据长度约为50万个采样点。

       2、论文中提到该数据集的转速为400rpm至800rpm，但是数据集中出现了1000rpm.不知道是不是本人对论文理解错了，还是数据的转速标注错误了。

       3、这个数据不同故障冲击特征挺明显的，能和西储大学数据相媲美。但是，我利用VMD结合包络谱分析方法，找到的故障特征频率偏差较大，尤其是外圈和滚动体的故障，不知道是数据说明有问题，还是我的方法有问题。因此，在我看来，该数据更适合做基于机器学习和深度学习的智能诊断研究，不适合用传统信号处理方法提取故障特征频率进行分析。

5、附件

江南大学轴承数据集

y987

内容简介：

1、所有数据集，包含了CSV文件和MAT文件。

2、基于该数据集的相关论文。（Sequential Fuzzy Diagnosis Method for Motor Roller Bearing in Variable Operating Conditions Based on Vibration Analysis、Deep learning algorithms for rotating machinery intelligent diagnosis:An open source benchmark study、基于TrIplet Newwork的小样本轴承、齿轮故障诊断方法）

6、参考文献

  1、Li K, Ping X, Wang H, et al. Sequential fuzzy diagnosis method for motor roller bearing in variable operating conditions based on vibration analysis[J]. Sensors, 2013, 13(6): 8013-8041.

   2、Zhao Z, Li T, Wu J, et al. Deep learning algorithms for rotating machinery intelligent diagnosis: An open source benchmark study[J]. ISA transactions, 2020, 107: 224-255.

   3、谢由生,张军.基于Triplet Network的小样本轴承、齿轮故障诊断方法[J].机电工程,2022,39(08):1111-1117.

关注公众号“故障诊断与寿命预测工具箱”，每天进步一点点。