HUST bearing: a practical dataset for ball bearing fault diagnosis

要約

この研究では、さまざまなボール ベアリングに関する大規模な振動データ セットを提供する HUST ベアリングという実用的なデータセットを紹介します。
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 (内側亀裂、外側亀裂、ボール亀裂、およびそれらの 2 つの組み合わせ) の 90 個の生の振動データが含まれています。サンプル レートは 1 秒あたり 51,200 サンプルで、3 つの動作条件で行われます。
導入されたデータセットに対してエンベロープ分析と注文追跡分析を確立し、データの初期評価を可能にしました。
さまざまなドメインの特徴を使用してデータセットの軸受故障を識別するために、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移学習アルゴリズムは、データセットの部分間の知識の伝達可能性を観察するためにも実行されます。
データセットで検討された方法の実験結果は、分類タスクでは最大 100%、教師なし転移学習タスクでは 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