用于寿命预测，含17个轴承全寿命振动数据（包括不同转速、载荷）
本期给大家介绍一个轴承全寿命周期的轴承数据（IEEE PHM 2012轴承数据集，又叫FEMTTO-ST轴承数据集），主要是用于做寿命预测。
论文基本信息
论文题目：PRONOSTIA: An experimental platform for bearings accelerated degradation tests
FEMTO-ST Institute, AS2M department
目录
1挑战概述
1.1 轴承寿命预测
1.2 挑战数据集
PHM挑战数据集由FEMTO-ST研究所提供(法国贝桑松，http://www.femto-st.fr/)。实验是在实验室实验平台(PRONOSTIA)上进行的，该平台可以在恒定或可变的工况下加速轴承的退化，同时收集在线健康监测数据(转速、负载、温度、振动)。
在 PHM 挑战中，考虑了代表3种不同负载的数据(转速和负载)。为参与者提供了6个全寿命数据集，以构建他们的预测模型，并被要求准确估计剩余11 个轴承的 RUL。11 个测试轴承的监测数据被截断，因此参与者应该预测剩余寿命，从而进行 RUL估计。此外，没有给出关于将要发生的故障类型的假设。
挑战数据集的特点是训练数据量小，实验持续时间变化大(从1小时到7小时)。因此，进行良好的估计相当困难，这使得挑战更加令人兴奋。请注意理论框架:(L10、BPFI、BPFE等)与实验观察结果不匹配。
1.3 感谢
数据集正在公开提供。使用这些数据库的出版物被要求引用以下论文。
Patrick Nectoux,Rafael Gouriveau,Kamal Medjaher,Emmanuel Ramasso,BrigitteMorello,Noureddine Zerhouni,Christophe Varnier .PRONOSTIA: An Experimental Platform for Bearings Accelerated Life Test. IEEE International Conference onPrognostics and Health Management,Denver,C0，USA，2012.
2 实验台
2.1 概述
PRONOSTIA是一个实验平台(图1)，专门用于测试和验证轴承故障检测、诊断和预测方法。该平台已在FEMTO-ST研究所的AS2M部门设计和实现。
PRONOSTIA的主要目的是提供真实的实验数据，描述滚动轴承在整个使用寿命(直到其完全失效)期间的退化情况。
2.2 旋转部件
这部分包括带有变速箱的异步电动机及其两根轴：第一根轴是靠近电机，第二个安装在增量编码器的运行侧。电机功率为250W，通过齿轮箱传递旋转运动，使电机达到额定转速2830rpm，从而在保持从动轴转速低于2000rpm的同时提供额定转矩。使用刚性轴联轴器为电机与轴支撑轴承之间进行连接。
人机界面允许操作员设置速度，选择电机的旋转方向，并设置监控参数，如电机的瞬时温度，以最高使用温度的百分比表示。
2.3 加载部件
该部件的组件被分组在一个独特的和相同的铝板中，该铝板通过一层薄的聚合物部分地与仪器部分隔离。铝板支撑一个气动千斤顶，一个垂直轴及其杠杆臂，一个力传感器，一个测试轴承的夹紧环，一个支撑测试轴承轴，两个垫块及其大过盈轴承。气动千斤顶产生的力首先通过杠杆臂放大，然后通过夹紧环间接施加到测试轴承的外圈上(图3).
加载部分构成了整个系统的核心。实际上，径向力通过将其值设置为轴承的最大动态负载(4000 N)(见附录A.1)来减少轴承的使用寿命。此负载由力发生器产生，该发生器由气动千斤顶组成，其供应压力由数字电动气动调节器提供。
2.4 测量部件
工况由施加在轴承上的径向力的瞬时测量值、测试轴承的轴转速和施加在轴承上的转矩确定。这三个模拟测量值中的每一个都以100 Hz的频率获得。
轴承劣化特性的表征基于两个传感器数据类型：振动和温度(图4)。
振动传感器(附录A.2)由两个微型加速度计组成，它们彼此成90°放置；第1个放在垂直轴上，第2个放在水平轴上。两个加速度计以径向方式安装在轴承的外圈上。
温度传感器(附录A.3)是一个RTD(电阻温度检测器)铂PT100(1/3 DIN级)探头，它被放置在靠近轴承外圈的孔内。
加速度测量以25.6 kHz的采样率进行，温度测量以0.1 Hz的采样率进行。
3 IEEE PHM 2012挑战实验数据集
3.1 轴承退化：运行失效实验
PRONOSTIA平台可以执行全寿命实验。为了避免整个试验台损坏的蔓延(以及出于安全原因)，当振动信号的振幅超过20g时，试验停止。
图5描述了在实验前后可以观察到的滚动轴承组件的示例，以及在整个实验期间收集的振动原始信号。请注意，轴承的退化表现出非常不同的行为，导致非常不同的实验持续时间(直到故障)。
3.2 挑战数据集
关于PHM挑战，考虑了代表3种不同负载的数据:
第一种工况：1800rpm，4000N； 第二种工况：1650rpm，4200N； 第三种工况：1500rpm，5000N。
为了建立预测模型，给参赛者提供了6个全寿命数据集，并被要求准确估计剩余11个轴承的剩余寿命(见表1)。在所有这些实验中收集了振动和温度信号。11个测试轴承的监测数据被截断，以便参与者预测剩余寿命，从而进行剩余寿命估计。此外，没有对可能出现的故障类型做出任何假设(对退化性质和来源一无所知：滚动体、内圈或外圈、保持架等)。
学习集很小，而所有轴承的寿命分布很广(从1小时到7小时)，因此很难进行良好的估计，这使得挑战更加令人兴奋。
注1：对于挑战，RUL被定义为加速度计超过20g的时间。 注2：基于频率特征来检测轴承故障(如内圈、外圈和保持架故障)的理论模型不起作用。事实上，由于退化可能同时涉及测试轴承的所有部件，因此很难获得频率特征。 注3：现有的轴承寿命可靠性理论，如L10，与实验结果不同(理论估计的寿命与实验结果不同)。
4 数据集组织
4.1 数据采集特性
学习和测试数据集都是在“7z”压缩文件夹中提供的。每个文件都包含名为“acc xxxxx.csv”的振动ASCI文件和名为“temp_xxxxx.csv”的温度ASCII文档。数据采集参数如下，必须仔细考虑。
振动信号(水平和垂直) 采样频率：25.6kHz 记录：每10秒记录2560个样本(即1/10秒)(见图6) 温度信号 采样频率：10Hz 记录：每分钟记录600个样本
4.2 ASCII 文件
对于每个ASCII文件，数据的排列如表2所示:
5 得分评价
5.1 得分评价
团队得分基于其 RUL结果，这些结果已转换为预测的百分比错误。请注意，
预测轴承RUL小于实际RUL(即
预测轴承RUL大于实际RUL(即
因此，实验的RUL估计准确性的分数用下面公式进行评价：
所有RUL估计的最终得分被定义为所有实验得分的平均值:
5.2 实际寿命
6 实验结果
6.1 退化模式
根据轴承和退化演变的方式，不同的轴承的故障模式可能略有不同。因此，退化“模式”可能具有特定的特征，如下所示。本文考虑了几个实验，其中提取了不同的特征(健康指数)。[18]下图显示了PRONOSTIA在整个实验期间采集的振动原始信号。
6.2 理想退化
图8说明了在水平加速度计传感器上计算的功率谱密度(PSD)的演变。这种演变主要是单调递增的，代表了一个理想的情况，即可以使用预测模型和一些简单的阈值进行RUL估计。在垂直加速度计信号上计算的K因子也描述了缓慢退化(图9).
6.3 突然退化
在某些情况下，退化现象会突然发生，并且不会表现出缓慢的单调行为。在这种情况下，基于PSD(图 10)或K因子(图 11)等典型健康指标来寻找预测模型要困难得多。因此，必须寻找其他特征。
6.4 理论模型不匹配
应用基于寿命的预测模型并不相关。实际上，PRONOSTIA考虑的轴承退化表现出非常不同的行为，导致非常不同的实验持续时间(直到故障)此外，基于频率特征来检测轴承故障(如内圈和外圈故障以及保持架故障)的理论模型与PRONOSTIA提供的数据不兼容。这是因为退化可能同时涉及测试轴承的所有部件。最后，现有的轴承寿命可靠性理论，如L10，没有给出与实验结果相同的结果(理论估计的寿命与实验结果不同)。
6.5 噪声水平
噪声水平不受控制，取决于退化过程。在图8到11中，噪声水平呈现不同的值。在某些情况下这种水平可能很高，可能是由于与旋转系统其他部分的相互作用所致。图 12和13 描述了噪声水平特别高的实验的波峰因子和 PSD。
图14展示了对加速度计提供的振动数据进行小波包分解(WPD)的示例。WPD是一种时频技术，允许根据分析的频率调整时间窗口的大小。WPD有两个参数：一个用于频率的标度参数a和一个用于时间[19]的平移参数 b。通过使用 WPD，可以将原始振动信号分解为几个级别，并可以计算每个级别的能量。
A 附录
A.1 测试轴承特性
配有两个合成橡胶密封件，以防止润滑剂泄漏以及灰尘、水和其他有害物质进入 外圈直径 D=32 mm 内径 d=20 mm 厚度B=7 mm 负载评级静态：2470 N 负载评级动态：4000N 最大速度：13000转/分钟
A.2 加速度计特性
加速度计类型 DYTRAN 3035B
● 量程范围50g
● 100mV/g
A.3 温度传感器特性
● 温度传感器类型铂金RTD PT100 传感器等级 1/3 DIN 规范 IEC 751
● 额定电阻：100欧姆
● 使用范围：-200至+600rC
● 直径：2.8毫米
● 长度：25毫米
A.4 学习数据集中实验的特征
A.5 测试数据集中实验的特征
