HUST bearing: a practical dataset for ball bearing fault diagnosis

要約

この作業では、HUST ベアリングという名前の実用的なデータセットを紹介します。これは、さまざまなボール ベアリングに関する大量の振動データを提供します。
このデータセットには、5 種類のベアリングの 6 種類の欠陥 (内側の亀裂、外側の亀裂、ボールの亀裂、およびそれらの 2 つの組み合わせ) の 90 個の未加工の振動データが含まれており、サンプル レートは 51,200 サンプル/秒です。
データの初期評価を可能にするために、導入されたデータセットでエンベロープ分析と注文追跡分析を確立しました。
さまざまなドメインの特徴を使用してデータセットのベアリング フォールトを識別するために、多くの古典的な機械学習分類方法が使用されます。
典型的な高度な教師なし転送学習アルゴリズムは、データセットの部分間の知識の転送可能性を観察するためにも実行されます。
データセットで調べた方法の実験結果は、分類タスクで最大 100%、教師なし転移学習タスクで 60-80% の発散精度を獲得します。

要約(オリジナル)

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.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google