航空发动机轴承数据集 | 写论文再也不用担心没数据集啦！
机构：1) School of Astronautics, Harbin Institute of Technology, Harbin 150001, China;
2) Factory of Xiang Yang Hang Tai Power Machinery, Xiangyang 441000, China
本文针对航空发动机轴间轴承故障进行了试验，首次提出了基于转子和机匣振动信号的数据集。首先，建立了以航空发动机为原型的试验台，该试验台采用电动机驱动，并安装了润滑系统。然后，按照规范流程拆卸组装航空发动机，更换人为故障的轴间轴承。接下来，在28组高、低压速度下进行航空发动机试验。设置6个测点，其中2个位移传感器用于测试低压转子的位移振动信号，4个加速度传感器用于测试机匣的加速度振动信号。测试结果被整合到轴间轴承故障数据集中。最后，在本文数据集的基础上，利用频谱、包络谱、CNN、LSTM和TST进行故障诊断，并与CWRU和XJTU数据集的结果进行比较。结果表明，在本文数据集对应的频谱和包络谱中不能直接找到特征故障频率，而在CWRU和XJTU数据集中可以找到特征故障频率。本文使用CNN、LSTM和TST对数据集进行故障诊断，准确率分别为83.13%、85.41%和71.07%，远低于CWRU和XJTU数据集的诊断结果。可以看出，本文的数据集更接近实际的故障诊断情况，是一个更具挑战性的数据集。该数据集为故障诊断方法的验证提供了新的基准。
7. 结论
8. README.md
在现有的航空发动机飞机滚动轴承故障诊断的机器学习方法研究中，训练和测试集是基于公开发布的轴承故障数据集。轴间轴承的更换复杂而困难，目前尚无公开发布的基于航空发动机转子和机壳信号的飞机滚动轴承故障数据集。本文搭建了试验台，对航空发动机轴间轴承故障进行了试验，并建立了基于试验结果的数据集。
(1)首次发布了基于航空发动机系统的轴间轴承故障数据集，该数据集来自航空发动机转子和机壳的振动响应，而不仅仅是来自轴承试验台数据。发布的数据集更接近航空发动机的实际激励状态和振动耦合。
(2)数据集包括健康、内圈故障和外圈故障三种类型的数据。转子转速范围为1000r/min ~ 6000r/min。测点设置在转子和机匣上，振动信号包括位移和加速度信号。
(3)本文采用频谱、包络谱、CNN、LSTM、TST等方法对数据集进行初步分析，发现可以使用现有的故障诊断方法对数据集进行诊断，具有通用性。
将诊断结果与XJTU和CWRU数据集的诊断结果进行比较，发现本文数据集的故障诊断更为复杂，为后续故障诊断方法的性能评价提供了具有挑战性的新基准。
在本研究中，我们建立了一个基于真实航空发动机的试验台，以测量发动机在运行过程中的振动响应。该试验台由三个主要部分组成：一个改装的航空发动机、一个电机驱动系统和一个润滑油系统。改装后的航空发动机是试验台的核心部件，负责产生运行过程中的振动信号。另一方面，电机驱动系统为航空发动机在不同速度和负载下运行提供必要的驱动力，而润滑油系统则确保发动机平稳高效地运行。试验台实物图如图1所示。
在电机驱动系统中，试验台采用两台电机分别驱动低压转子和高压转子。低压电机直接驱动低压转子，高压电机通过提速齿轮箱驱动高压转子。图4为试验台使用的电机，表2为电机的参数信息，包括额定电流、额定力矩和额定转速。电机在试验台中起着至关重要的作用，因为它们驱动转子并产生振动响应。因此，选择合适的电机和合适的参数对于保证测试结果的准确性和可靠性至关重要。根据试验台的要求，仔细选择了低压电机和高压电机，确保它们符合试验台的必要规格。
在试验台上安装了润滑系统，起到润滑和冷却的作用。它包括三个给油泵，一个扫油泵，以及一个配有温度传感器的热泵，使系统能够实现温度控制功能，并保持稳定的温度以获得最佳性能。供油泵如图5所示。
轴承故障诊断的研究往往涉及人为制造故障并进行模拟试验以获得故障特征。该方法也可应用于航空发动机轴间轴承故障诊断。人为的故障，比如在内环和外环中发现的故障，会在滚动体的旋转过程中引起周期性的冲击。这些周期冲击信号与实际故障产生的周期冲击信号相似，是诊断故障的有效工具。本研究将三个人为故障的轴间轴承依次安装到改装后的航空发动机上。其中包括一个轴承外圈故障和两个轴承内圈故障。通过线切割产生人为故障，如图7所示，相关轴承信息和故障尺寸列于表3。
试验进行了5次，得到了轴间轴承3种状态的5个数据集，并以时间序列的形式存储。每个数据集存储为三维数组，如“× × ×”。
原始数据是15秒采样的长时间序列。采样频率为25000Hz。原始数据被分割和截断，以便随后分析成包含20480个数据点的短时间序列。剔除无效数据后，数据集中总共保留2412组数据。
标签“0”表示“健康轴间轴承”， 标签“1”表示“内圈故障轴间轴承”， 标签“2”表示“外圈故障轴间轴承”。
标签信息存储在第8列。数据集的示意图如图15所示，数据集的基本信息如表6所示。
在轴承故障诊断的研究中，频谱分析是一种常用的方法。通过分析频谱上的特征频率峰值，可以判断故障是否发生。对于噪声成分过多的原始振动信号，可以通过对原始信号进行包络变换得到包络信号，减少噪声成分的干扰。为了将本文数据集与CWRU和XJTU数据集进行比较，以一组轴承内圈故障信号为例，这些数据集信号信息见表7。三个数据集的加速度时域图如图16所示，频谱如图17所示。
从图16的加速度时域图可以看出，本文的振动信号更接近于随机信号，而CWRU和XJTU的振动信号表现出更明显的冲击现象。从图17所示的频谱可以看出，频谱中出现了大量的频率分量。
综上所述，本文无法对数据集的频谱进行分析以进行故障诊断。主要原因是测试点布置在机匣上。因此，故障特征在传动过程中出现畸变。在传递过程中，故障特征信号逐渐变弱，连接结构之间的碰撞可能产生噪声，使振动信号的组成更加复杂。此外，在CWRU和XJTU数据集的频谱中，除了故障特征之外，还有许多其他频率成分。为减小噪声信号的干扰，放大冲击效应，经包络变换得到的包络信号如图18所示，包络谱如图19所示。
图18 轴承内圈故障包络信号 (a)本文数据集 (b)CWRU数据集 (c)XJTU数据集
从图18的包络信号可以看出，图18(a)的包络信号不表现为显著周期，而CWRU和XJTU数据集的信号表现为显著周期性。在图19(b)和图19(c)的CWRU和XJTU数据集的包络谱中，内圈故障特征频率比频谱中更明显。在图19(a)中本文数据集的包络谱中，频率分量较为复杂，这意味着故障特征在传递过程中失真严重。包络频谱具有更多的组合频率分量，特别是与
基于本文收集的数据集，利用CNN(Convolutional Neural Network)、LSTM( Long Short-Term Memory)和TST(Time Series Transformer)模型进行轴间轴承故障诊断，其对比结果如表13所示。
表9的结果显示，在CNN、LSTM和TST的对比中，本文数据集的诊断准确率低于现有的轴承数据集。与本文数据集的精度相比，准确率差异最大可达40.40%。这些都意味着本文的数据集更接近实际工程，更难以诊断，这对故障诊断方法提出了新的挑战。
数据获取：https://github.com/HouLeiHIT/HIT-dataset
