《CWRU轴承故障数据集详解与应用》 CWRU轴承故障数据集，全称为Case Western Reserve University轴承故障数据集，是国际上广泛应用于滚动轴承健康状态监测和故障诊断研究的重要数据资源。该数据集由美国凯斯西储大学的研究团队精心采集，包含了轴承在不同工况下运行时的振动信号，旨在为学者、工程师和研究人员提供一个真实、全面的实验平台，用于开发和验证滚动轴承故障检测和预测的算法。 一、数据集概述 CWRU轴承故障数据集主要包括了四种类型的故障模式：正常运行、内圈故障、外圈故障和滚珠故障。每个故障模式下，都记录了轴承在不同转速下的振动信号，转速范围通常从1200到7200 RPM，涵盖了工业应用中常见的工作条件。此外，数据集还提供了相应的时域和频域分析结果，便于用户进行信号处理和特征提取。 二、数据采集与处理 数据采集过程中，采用了加速度传感器对轴承的径向振动进行实时监测，确保了数据的实时性和准确性。采集到的原始数据经过预处理，包括滤波、降噪和采样率转换等步骤，转化为适合分析的时域信号。这些处理后的信号可以用于后续的特征提取和故障识别。 三、Matlab程序辅助分析 为了方便研究人员进行数据分析，CWRU轴承故障数据集附带了Matlab程序，可用于绘制时域和频域的故障数据。这些程序可以帮助用户快速理解数据特性，进行时域分析（如均值、峰值、峭度等）、频域分析（如傅立叶变换、功率谱密度等）以及特征参数提取（如峭度、峭直度、冲击能量等）。 四、故障诊断与预测 通过对CWRU轴承故障数据集的深入分析，可以识别出不同故障模式下的特征，从而发展出针对轴承故障的诊断和预测模型。常见的方法有基于统计的特征选择、机器学习算法（如支持向量机、随机森林等）以及深度学习网络（如卷积神经网络、长短时记忆网络等）。 五、实际应用与挑战 虽然CWRU轴承故障数据集在理论研究和工程实践中具有很高的价值，但其应用也面临着一些挑战，例如信号的非线性、非平稳性，以及噪声干扰等。因此，如何从复杂的振动信号中准确提取故障特征，提高诊断精度，是当前研究的热点问题。 CWRU轴承故障数据集是研究滚动轴承故障诊断技术的重要工具，对于提升机械设备的维护水平，实现预测性维护，降低生产成本，保障工业生产安全具有深远意义。通过深入研究这个数据集，我们可以不断优化和完善轴承故障诊断的算法，推动工业自动化和智能化的发展。

美国凯斯西储大学（CWRU）数据集：文件名称为数据集类型缩写，便于文件检索

Research and Application of Bearing Fault Diagnosis Based on Deep Encoder Classification Model

区分3个工况，DE端数据按照2048个点一个样本，128个点步长进行滑窗取值获得，而后使用小波变换形成时频图，图片大小192×192

西储大学滚动轴承故障数据集以及说明文件

matlab 轴承数据集，上海交通大学轴承故障数据集，机器学习

自编多尺度样本熵程序，实例中用于一段轴承故障数据，简单易懂。MultiscaleSampleEntropy函数中的SampleEntropy也可以单独拎出来计算单个样本熵。

这里提供下载分类好的数据集合针对于博客中西储大学轴承故障数据 python3使用

为轴承故障诊断的理论研究者提供了权威的数据来源，为理论方法的验证研究奠定了基础

故障数据为采样频率为12KHZ的驱动端故障数据。 数据文件均为Matlab格式（.mat格式）。采样频率为12kHz。故障分别有内圈，外圈，滚动体等和每个数据标题中英文对应。 BA - 基座加速度数据（正常） DE - 驱动端加速度数据 FE - 风扇端加速度数据 time - 时间序列数据 RPM- 转每分钟 适用于通过方法或算法对数据分析从而对轴承故障进行识别。