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

论文期刊：IEEE International Conference on Prognostics and Health Management

论文日期：2012

论文链接：hal.science/hal-00719503/document

数据链接：https://github.com/LeeJMJM/UM-GearEccDataset

作者：Patrick Nectoux, Rafael Gouriveau, Kamal Medjaher, Emmanuel Ramasso, Brigitte Chebel-Morello, Noureddine Zerhouni, Christophe Varnier

机构：

FEMTO-ST Institute, AS2M department

1挑战概述

1.1 轴承寿命预测

IEEE可靠性学会和FEMTO-ST研究所很高兴组织IEEEPHM 2012数据挑战。该挑战的重点是轴承剩余寿命(RUL)的估计，这是一个关键问题，因为大多数旋转机械的故障都与这些部件有关，强烈影响电力和交通等行业机械系统和设备的可用性、安全性和成本效益。这项挑战向所有潜在的会议参与者开放。

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。

图1 PRONOSTIA试验台

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。

图2 轴支承轴承

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。

图3 加载部分的详细信息

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。

图4 测量部分:加速度计和温度传感器

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)。

图5 正常和退化的轴承及实验中的振动原始信号

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。

表1 IEEE 2012 PHM诊断挑战数据集

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

图6 振动信号采集参数示意图

4.2 ASCII 文件

对于每个ASCII文件，数据的排列如表2所示:

表2 ASCI文件中数据的排列

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，和分别是参与者估计的轴承剩余有用寿命和实际预测的 RUL(其中 )。实验的百分比错误由以下公式定义:

(1)

预测轴承RUL小于实际RUL(即 >0)，虽然未能准确预测轴承RUL，但是能避免轴承失效带来的风险，因此得分权重要高一些。

预测轴承RUL大于实际RUL(即 <0)，未能准确预测轴承RUL，此时将增大了轴承失效带来的风险，因此得分权重要低一些。

因此，实验的RUL估计准确性的分数用下面公式进行评价：

(2)

所有RUL估计的最终得分被定义为所有实验得分的平均值:

(3)

图7 RUL的评分函数根据百分比误差估计

5.2 实际寿命

表3 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).

图8 根据水平加速度计数据计算的功率谱密度(PSD)

图9 根据垂直和水平加速度计数据计算出的K因子

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。

图10 功率谱密度(PSD)对水平加速度计数据的计算

图11 根据垂直和水平加速度计数据计算出的K因子

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)。