前言        

       北京工业大学刘东东、崔玲丽和北京交通大学程卫东在综述文献[1]中公开了WT-行星齿轮箱数据集。 该数据集考虑了齿轮箱安装和拆卸因素，包含了不同转速下的齿轮健康、齿轮损坏、齿面磨损、齿根断裂和缺齿五种运行状态，可用于旋转机械的传统故障诊断、智能诊断、迁移学习研究。本内容相关资料源于文献[1]，使用该数据集，请引用该参考文献，促进知识传播！

     [1] Dongdong Liu, Lingli Cui, and Weidong Cheng. A review on deep learning in planetary gearbox health state recognition: Methods, applications, and dataset publication, Measurement Science and Technology, DOI 10.1088/1361-6501/acf390

一、试验台

      如上图所示，该试验台由电机、行星齿轮箱、固定轴齿轮箱和加载装置组成。其中行星齿轮箱有四个行星齿轮绕一个太阳齿轮旋转。

      该试验台模拟了太阳齿轮的五种工作状态：齿轮健康、齿轮损坏、齿面磨损、齿根断裂和缺齿，具体如下图所示：

除此之外，作者还给出了行星齿轮箱的齿数参数和故障特征频率计算公式，如下表所示：

      行星轮系的图片如下图所示：

 

二、数据集介绍

        1、该数据集包含了转速为20Hz、25Hz、30Hz、35Hz、40Hz、45Hz、50Hz、55Hz的太阳齿轮的五种工作状态数据，数据有X、Y轴的振动数据和转速数据，它们分别对应了每个mat文件中的Data变量的前三列。至于第四列是什么数据，没有找到相关资料。

       2、该数据集考虑了8种转速下太阳轮不同工作状态的安装和拆线因素。换句话说，每种转速的每一个工作状态还可以进一步区分为第一次安装获得数据和第二次安装获得数据（本文理解）。考虑安装和拆卸因素的数据较少。

      3、振动数据和转速数据的采样频率均为48KHz。每种转速下太阳轮每种工作状态的数据采集了5分钟，采样点数基本都在48000*5*60=14400000以上。

       4、振动数据采用Sinocera CA-YD-1181加速度计采集，编码器捕获速度脉冲。

    5、所有数据的格式均为mat数据，数据见网址：https://github.com/Liudd-BJUT/WT-planetary-gearbox-dataset/tree/master

        6、利用解调技术，开展齿轮的故障特征频率的提取研究，可参考文献[2]。

参考资料

[1]Dongdong Liu, Lingli Cui, and Weidong Cheng. A review on deep learning in planetary gearbox health state recognition: Methods, applications, and dataset publication, Measurement Science and Technology, DOI 10.1088/1361-6501/acf390

[2]Liu D, Cui L, Cheng W. Fault diagnosis of wind turbines under nonstationary conditions based on a novel tacho-less generalized demodulation[J]. Renewable Energy, 2023, 206: 645-657.

[3]Liu D, Cui L, Wang H. Rotating machinery fault diagnosis under time-varying speeds: A review[J]. IEEE Sensors Journal, 2023.

附件

WT-行星齿轮箱数据集

fbi5

内容如下：

1、WT-行星齿轮箱数据集

2、参考资料的3篇论文

3、试验台和太阳齿轮照片

关注公众号“故障诊断与寿命预测工具箱”，每天进步一点点。