变转速Benchmark Dataset——SQ变转速振动信号数据集（SQV dataset）
- 1. 简介
- 2. 装置介绍
- 3. 实验说明
- 4. SQ变转速数据集（SQV dataset）
我们公开了一份基于振动信号的变转速数据集，为同行之间的算法模型性能的衡量提供一个Benchmark Dataset，以促进该研究领域的发展。
1. 简介
实现变转速工况下的故障诊断，不仅对于运行工作在时变负载、功率下的设备的故障诊断意义重大，同时还为实现设备包括启停阶段的全周期状态监测提供必要的技术支撑。一般来说，阶次跟踪技术和时频分析技术是两种常用的分析变速信号的方法。然而，阶次跟踪技术存在速度提取不准确而导致失真以及需要额外的硬件设备获得速度相关信息等问题。时频分析技术则高度依赖于人工设计，需要具备足够的先验知识和诊断专业知识。因此，有必要开展基于数据驱动的变速工况下的故障智能诊断方法的研究以促进该研究领域的发展。
目前，基于数据驱动的机械故障智能诊断的大多数工作都是在恒速假设下进行。这种训练与测试数据满足独立同分布的先验假设为一般的智能诊断算法带来了极大的便利。然而，通常情况下，工业设备易受时变的负载、功率等的影响以及不可避免的启停阶段的加减速过程，由此引发的转速波动往往会导致所采集数据分布域的偏移。在这种情况下，用于训练以及测试的数据通常不满足独立同分布假设，这对智能诊断提出了更高的要求，需要从域偏移的数据中提取有效特征并推广到甚至未知的分布域数据的识别任务中。
尽管目前已有不少的研究关注到了变工况、变转速智能诊断等研究领域并取得了一定的成果，但是缺少相关的公共变转速数据集加以验证，应领域内专家学者和期刊编辑的强烈要求，在这里，我们公开了一份基于振动信号的变速数据集，我们希望这能够成为Benchmark Dataset作为同行之间的算法模型性能的衡量基准，这对于机械故障诊断领域尤其是变转速工况来说是十分欠缺且有必要的。
2. 装置介绍
该实验利用SQ（Spectra Quest）公司的机械故障综合模拟试验台进行电机轴承外圈和内圈故障模拟。
试验台结构如图1所示，试验台由电机、转子和负载三大部分组成，实验采用压电式加速度传感器采集电机轴承信号，所用的数据采集仪为CoCo80，采样频率为25.6KHz。电机轴承型号为NSK6203，故障轴承位于电机驱动端，加速度传感器通过磁石底座部署在电机驱动端端盖正上方。
图1. SQV试验台
在这一模拟实验中，我们总共模拟了六种故障，包括分别在三种不同损伤程度下的内圈故障（IF）和外圈故障（OF）。如图2所示，我们通过机械加工人为制造具有不同损伤直径和深度的单点缺陷来量化故障损伤程度，如表1所示。量化结果在基于二代小波包分析和冲击脉冲法的轴承故障程度分析算法上得以验证。
图2.（从上往下依次为外圈和内圈，从左往右依次为轻度、中度和重度）
表1. 故障损伤量化结果
| 故障损伤程度 | 损伤程度标签（#） | 损伤面积（mm2） | 损伤深度（mm） |
|---|---|---|---|
| 轻度 | 1 | 4 | 0.5 |
| 中度 | 2 | 8 | 4 |
| 重度 | 3 | 12 | 2 |
3. 实验说明
我们收集了上述六种故障轴承和正常状态（NC）轴承的振动信号，共七种不同的健康状态。每次实验采集时长为15秒，包含一个完整的从静止状态逐渐加速至3000rpm，后保持稳定，最后逐渐减速为0的加减速过程。我们这里给出了一组正常类、内圈轻度和外圈轻度轴承的振动信号波形和对应的转速变化曲线，如图3所示。其中，加、减速过程由人为控制速度旋钮实现，这样可以通过开展多次（6到9次不等）数据采集实验，获得更多的在同一健康状态下的数据以便于性能测试。
需要注意的是，我们强调该数据集是在转速连续变化过程中采集的，而不是一般的多转速数据集（多个不同的恒转速数据组成）。相比于从多个恒定转速数据中学习并在另一恒定转速数据中实现故障识别的任务设定，我们认为从连续变化的数据中提取特征并实现故障识别才是真正意义上的变转速条件下的故障诊断。
图3 正常类，内圈轻度和外圈轻度轴承振动信号波形和对应的转速变化曲线
4. SQ变转速数据集（SQV dataset）
我们对该数据集进行了整理，每类数据均以独立的文件保存，命名规则为：
| 健康状态 | ID |
|---|---|
| 正常 | NC |
| 内圈轻度 | IF_1 |
| 内圈中度 | IF_2 |
| 内圈重度 | IF_3 |
| 外圈轻度 | OF_1 |
| 外圈中度 | OF_2 |
| 内圈重度 | OF_3 |
每次数据采集实验获得两个TXT文件，其中通道2输出文件RECXXXX_ch2.txt对应振动信号，包含两列数据，X列对应时间刻度，单位为秒；Y列为对应时间刻度下的振动幅值，单位为重力加速度。
通道3输出文件RECXXXX_ch3.txt对应速度脉冲信号，包含两列数据，X列对应时间刻度，单位为秒；Y列为对应时间刻度下的脉冲电压信号，单位为V。我们可以通过一定的方法从该电压脉冲信号中拟合出整个过程的速度变化曲线，不同的拟合方法可能会存在轻微差异，但变化趋势基本一致，在这里不再赘述。
另外，实验中相应的试验台以及故障轴承的相关图片可以在“ReadMe”文件中找到。
在这里，我们提供完整的SQV数据集的下载。我们希望能够为基于变速条件下的故障智能诊断方法提供一份Benchmark Dataset，为同行之间的算法模型性能的衡量提供一个基准。同时，也希望更多相关的研究学者能够关注到这一关键的工程实际问题中来，以推进该领域的研究进展。
SQV传送门：
- 百度云：https://pan.baidu.com/s/1Ju_uXYDaFDIOIHieWeq82w 提取码：4g0h
- 阿里云：https://www.aliyundrive.com/s/TsfYj2UktLR
- Google Drive: https://drive.google.com/file/d/1ld6Qv95zYdql0HhEvET5tA-44gLA-G1_/view?usp=sharing
如果这份基于振动信号的变转速数据集在您或您所属团队的工作中得以使用，请对我们的工作加以引用并进行必要的说明。
[1] S. Liu, J. Chen, S. He, Z. Shi, and Z. Zhou, “Subspace Network with Shared Representation learning for intelligent fault diagnosis of machine under speed transient conditions with few samples,” ISA Transactions, Oct. 2021, doi: 10.1016/j.isatra.2021.10.025.
[2] Z. Shi, J. Chen, Y. Zi, and Z. Zhou, “A Novel Multitask Adversarial Network via Redundant Lifting for Multicomponent Intelligent Fault Detection Under Sharp Speed Variation,” IEEE Transactions on Instrumentation and Measurement, vol. 70, pp. 1–10, 2021, doi: 10.1109/tim.2021.3055821.
SQV数据集的最终解释权归西安交通大学所有。