当前位置：首页 > news >正文

Rotating-machine-fault-data-set实战：基于MFPT数据的故障诊断完整流程

news 2026/5/25 13:24:45

Rotating-machine-fault-data-set实战：基于MFPT数据的故障诊断完整流程

【免费下载链接】Rotating-machine-fault-data-setOpen rotating mechanical fault datasets (开源旋转机械故障数据集整理)项目地址: https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set

Rotating-machine-fault-data-set是一个开源旋转机械故障数据集整理项目，集成了来自全球多个研究机构的高质量故障诊断数据。本文将以MFPT（机械故障预防技术学会）轴承数据集为核心，带您体验从数据获取到故障识别的完整诊断流程，帮助新手快速掌握工业设备故障诊断的基础方法。

一、MFPT数据集简介：工业级故障诊断的优质选择

MFPT轴承数据集由美国机械故障预防技术学会提供，NRG Systems总工程师Eric Bechhoefer博士主导构建，是工业设备故障诊断领域的重要基准数据。该数据集包含丰富的轴承故障类型和工况组合，特别适合算法验证和故障诊断模型训练。

图1：MFPT轴承数据集封面图，展示了旋转机械故障诊断相关的工业场景

1.1 数据集核心构成

MFPT数据集包含多种故障类型和工况组合，主要包括：

3组基线条件数据：270 lbs负载、25 Hz输入轴转速、97,656 sps采样率，持续6秒
3组外圈故障数据：270 lbs负载、25 Hz转速、97,656 sps采样率，持续6秒
7组变负载外圈故障：25-300 lbs负载范围内、25 Hz转速、48,828 sps采样率，持续3秒
7组变负载内圈故障：0-300 lbs负载范围内、25 Hz转速、48,828 sps采样率，持续3秒
5个数据解析MATLAB文件：用于Eric Bechhoefer论文的配套分析代码
3个真实世界故障案例：包括风力涡轮机中间轴轴承、油泵轴轴承和行星齿轮箱故障数据

1.2 试验台参数与数据特点

MFPT试验台使用NICE轴承，关键参数如下：

滚子直径(rd)：0.235
节圆直径(pd)：1.245
滚子数量(ne)：8
接触角(ca)：0°

数据以Matlab®双精度二进制格式(*.mat)存储，每个数据结构包含负载、轴转速、采样率和加速度("g")数据向量，便于直接用于信号处理和特征提取。

图2：MFPT轴承试验台结构示意图，标注了关键组件如AC电机、速度传感器、减速器和加速度计等

二、环境准备：快速获取与配置MFPT数据

2.1 数据集获取

要开始MFPT数据的故障诊断实战，首先需要获取数据集。您可以通过以下步骤获取完整数据：

克隆项目仓库：

git clone https://gitcode.com/gh_mirrors/ro/Rotating-machine-fault-data-set

查看MFPT数据集说明：项目中提供了详细的MFPT数据集说明文档，路径为：doc/MFPT.md

2.2 数据格式与解析

MFPT数据存储为MATLAB的*.mat格式，包含以下关键信息：

负载(load)：轴承所受负载大小
轴转速(shaft rate)：输入轴的旋转速度
采样率(sample rate)：数据采集频率
加速度数据(vector of "g" data)：振动加速度信号

在Python环境中，可使用scipy.io库读取.mat文件：

import scipy.io # 加载MFPT数据文件 mat_data = scipy.io.loadmat('path/to/mfpt_data.mat') # 提取加速度信号 acceleration_data = mat_data['g_data'] # 获取采样率 sample_rate = mat_data['sample_rate'][0][0]

三、故障诊断完整流程：从信号到诊断结果

3.1 数据加载与可视化

首先加载数据并进行初步可视化，观察信号特征：

import matplotlib.pyplot as plt import numpy as np # 假设已加载加速度数据和采样率 time = np.arange(len(acceleration_data)) / sample_rate # 绘制时域波形 plt.figure(figsize=(12, 6)) plt.plot(time, acceleration_data) plt.xlabel('Time (s)') plt.ylabel('Acceleration (g)') plt.title('MFPT Bearing Vibration Signal') plt.grid(True) plt.show()

这段代码将生成振动信号的时域波形图，通过观察波形可以初步判断是否存在异常振动。

3.2 特征提取：从振动信号中提取故障特征

特征提取是故障诊断的关键步骤，常用的特征包括：

时域特征：均值、方差、峰值、峭度等
频域特征：通过傅里叶变换获得的频谱特征
时频域特征：通过小波变换或短时傅里叶变换获得的时频特征

以下是提取时域特征的示例代码：

def extract_time_domain_features(signal): features = { 'mean': np.mean(signal), 'std': np.std(signal), 'peak': np.max(np.abs(signal)), 'kurtosis': np kurtosis(signal), 'rms': np.sqrt(np.mean(signal**2)) } return features # 提取特征 features = extract_time_domain_features(acceleration_data) print("时域特征：", features)

3.3 故障识别：基于特征的故障分类

MFPT数据集提供了多种故障类型的标注数据，可以用于训练故障分类模型。常用的分类算法包括支持向量机(SVM)、随机森林和神经网络等。

图3：轴承故障预测流程示意图，展示了从振动信号分析到轴承状态预测的过程

以下是使用支持向量机进行故障分类的简单示例：

from sklearn import svm from sklearn.model_selection import train_test_split from sklearn.metrics import accuracy_score # 假设X是特征矩阵，y是故障类型标签 X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42) # 训练SVM模型 clf = svm.SVC(kernel='rbf', gamma='scale') clf.fit(X_train, y_train) # 预测与评估 y_pred = clf.predict(X_test) accuracy = accuracy_score(y_test, y_pred) print(f"故障分类准确率：{accuracy:.2f}")

四、MFPT数据集的应用与扩展

4.1 研究论文中的应用

MFPT数据集已被多篇学术论文采用，用于验证故障诊断算法的有效性。例如：

Lee D等人在2016年的论文"Convolutional neural net and bearing fault analysis"中使用MFPT数据验证了卷积神经网络在轴承故障分析中的应用
Verstraete D等人在2017年的论文"Deep learning enabled fault diagnosis using time-frequency image analysis of rolling element bearings"中利用MFPT数据展示了基于时频图像分析的深度学习故障诊断方法

完整的论文列表可参考项目中的doc/MFPT.md文件。