[论文解读] HUST bearing: a practical dataset for ball bearing fault diagnosis

Nguyễn Đức Thuận, Hoang Hong|arXiv (Cornell University)|Feb 24, 2023

Machine Fault Diagnosis Techniques被引用 4

一句话总结

本文介绍了HUST轴承数据集，这是一个全面的高采样率（51,200 Hz）振动信号集合，包含6种缺陷类型、5种轴承类型和3种运行工况下的90组球轴承信号。该研究评估了经典机器学习和无监督迁移学习方法，故障分类准确率最高达100%，迁移学习任务性能在60–80%之间，证明了该数据集在状态监测研究中的实用性。

ABSTRACT

In this work, we introduce a practical dataset named HUST bearing, that provides a large set of vibration data on different ball bearings. This dataset contains 90 raw vibration data of 6 types of defects (inner crack, outer crack, ball crack, and their 2-combinations) on 5 types of bearing at 3 working conditions with the sample rate of 51,200 samples per second. We established the envelope analysis and order tracking analysis on the introduced dataset to allow an initial evaluation of the data. A number of classical machine learning classification methods are used to identify bearing faults of the dataset using features in different domains. The typical advanced unsupervised transfer learning algorithms also perform to observe the transferability of knowledge among parts of the dataset. The experimental results of examined methods on the dataset gain divergent accuracy up to 100% on classification task and 60-80% on unsupervised transfer learning task.

研究动机与目标

• 为球轴承故障诊断提供一个公开可用、高保真度的数据集，以支持状态监测研究中的可重复性。
• 评估经典机器学习和无监督迁移学习方法在真实轴承振动数据上的性能。
• 利用包络分析和阶次跟踪分析建立基线结果，用于特征提取和故障检测。
• 评估不同缺陷类型和运行条件下学习表征的可迁移性。
• 通过标准化、多样化且真实的基准数据集，支持新算法的基准测试。

提出的方法

• 该数据集包含从5种轴承类型中采集的90组原始振动信号，采样率为51,200样本/秒，涵盖6种缺陷类型：内圈裂纹、外圈裂纹、滚珠裂纹及其两两组合。
• 应用包络分析和阶次跟踪技术，从振动信号中提取与故障相关的特征。
• 在时域、频域和时频域的手工特征上训练经典机器学习分类器。
• 评估先进的无监督迁移学习模型，以评估不同缺陷类型和运行条件下知识迁移的效果。
• 数据集结构支持在轴承类型、缺陷类型和运行转速之间进行交叉验证。
• 所有实验均在完整数据集上进行，以评估方法的泛化能力和鲁棒性。

实验结果

研究问题

• RQ1 基于时域、频域和时频域提取的特征，经典机器学习方法能否在球轴承故障分类中实现高准确率？
• RQ2 无监督迁移学习模型在不同轴承类型和缺陷配置之间具有多大程度的泛化能力？
• RQ3 包络分析和阶次跟踪分析在高采样率振动信号中隔离与故障相关的分量方面效果如何？
• RQ4 在该数据集上，监督学习与无监督学习方法之间的性能差距有多大？
• RQ5 在真实轴承振动数据中，不同缺陷类型和运行条件下学习表征的可迁移性如何？

主要发现

• 监督机器学习方法在HUST轴承数据集上实现了最高100%的分类准确率，表明所提取特征具有强大的判别能力。
• 无监督迁移学习方法实现了60–80%的准确率，表明在不同缺陷类型之间存在部分但有意义的知识迁移。
• 包络分析有效凸显了振动信号中的故障相关冲击，尤其在局部缺陷（如滚珠和内外圈裂纹）中表现显著。
• 阶次跟踪分析在提取与转速相关的故障分量方面具有优势，尤其在变转速条件下更为有效。
• 该数据集支持多样化的实验设置，能够对监督学习和自监督学习方法进行稳健评估。
• 该数据集的高采样率（51,200 Hz）支持详细的故障特征分析，为先进信号处理和深度学习研究提供支持。