当前位置：首页 > news >正文

CWRU滚动轴承数据全解析：从数据读取到故障诊断实战

news 2026/8/27 23:35:04

简介：振动信号分析是机械设备健康监测的核心手段，滚动轴承作为旋转机械中最易失效的部件，其故障诊断依赖对加速度信号的有效处理。通过特征频率计算（如BPFO、BPFI）和包络谱解调，可定位故障部位，而峭度等时域指标能敏感捕捉早期异常。CWRU轴承数据集作为该领域最经典的公开基准，提供了多位置、多尺寸、多负载的振动数据，广泛应用于验证故障诊断算法的有效性。然而，数据读取、样本切分、训练集划分等环节若处理不当，极易导致数据泄漏，使模型泛化能力虚高。本文系统梳理了CWRU数据的组织方式、Python读取方法、特征提取流程及深度学习建模要点，并总结了常见工程陷阱，帮助研究者构建可靠的轴承故障诊断实验。凯斯西储大学（CWRU）滚动轴承数据，在机械故障诊断这个方向几乎是绕不开的第一座山。从2015年前后深度学习刚开始应用到工业健康管理那阵子，到眼下各种域自适应、少样本学习、大模型的新玩法，几乎每篇论文的实验部分都会拿它跑一遍基线。说它是这个领域的MNIST，一点不夸张。

这套数据讲的是什么，一句话就能说清：在实验室条件下，用可控的方式在滚动轴承上加工出不同位置、不同尺寸的故障，然后采集不同负载下的振动信号，供研究者验证各种故障诊断算法。它能解决的问题很具体——轴承故障在不在？故障在内圈、外圈还是滚动体？故障多严重？以及，工况变了以后算法还稳不稳。

适合谁来读？如果你刚开始做设备故障诊断，或者正准备用CWRU做第一个实验，这篇文章能把数据组织、读取方式、特征提取、模型搭建和常见坑一次讲清楚。有点经验的朋友可以直接跳到后面的踩坑部分，那几段基本是我反复被绊倒过的位置。

1. 先读懂这套数据：实验台、故障类型与文件组织

1.1 实验台：一个高度可控的“故障制造工厂”

CWRU数据来自一个很经典的轴承实验台，核心是一台2马力（约1.5kW）的Reliance Electric电机。电机轴通过联轴器连接扭矩传感器/编码器和测功机，测功机用来给电机施加可调的负载。

试验台的布置逻辑我理解是这样：电机转动带动轴承旋转，测功机给电机加负载，振动传感器贴在轴承座上采集加速度信号。传感器位置有三个——驱动端（DE）、风扇端（FE）和基座（BA），分别采集不同位置的振动。

这里有个概念容易绕：所谓“驱动端”和“风扇端”是指电机的两端，驱动端是输出轴那侧，风扇端是散热风扇那侧。两个位置装的是不同型号的轴承，所以数据也是两套。驱动端轴承是SKF的6205-2RS JEM深沟球轴承，风扇端是6203-2RS JEM。论文里最常用的是驱动端数据，因为故障都加工在驱动端轴承上，信号特征最清晰。

1.2 故障是怎么“造”出来的

这个数据集最有价值的地方在于故障的真实性。故障不是仿真出来的，也不是在模型里加个冲击脉冲模拟的，而是用电火花加工（EDM）直接在轴承上打出来的单点损伤。

加工出来的故障按两个维度区分：

故障位置：内圈（Inner Race，IR）、外圈（Outer Race，OR）、滚动体（Ball，B），加上正常轴承（Normal，N）。
故障直径：0.007英寸、0.014英寸、0.021英寸，后续版本还补了0.028英寸。换算成公制分别大约是0.18mm、0.36mm、0.53mm和0.71mm。

此外还有外圈故障的安装角度问题，这个放到后面坑位部分细说。负载则分了0、1、2、3马力四档，对应的电机转速大约是1797、1772、1750、1730 rpm。

为什么这组参数设计得好？因为它是一个近乎正交的实验矩阵——位置、尺寸、负载三个变量分别变化，你可以单独研究任何一个变量对振动信号的影响，也可以控制变量构造迁移学习任务。这是它比一堆无序采集的现场数据好用得多的根本原因。

1.3 数据文件是怎么组织的

官网下载下来是一堆.mat文件，文件名是数字编号，比如97.mat、105.mat、169.mat。不同编号对应不同的故障位置、故障尺寸和负载组合。

这里我要先提醒一句：文件编号和工况的对应关系，网上流传的版本比较多，如果你要严谨地写论文，请一定以官网提供的文件列表为准，别直接引用二手博客的编号表。我自己用的时候，习惯是先加载某个编号的文件，检查里面的字段，再对照官网说明确认负载和故障类型——因为同一个故障位置、同一个故障尺寸，在0HP和3HP下信号差异非常大，一旦对应错，整个实验结论都会出问题。

每个.mat文件内部的变量结构一般是这样的：

DE：驱动端加速度计信号
FE：风扇端加速度计信号
BA：基座加速度计信号
time：时间序列（部分版本有）

驱动端信号采样频率有12kHz和48kHz两套，风扇端和基座一般是12kHz，这个在后续处理中必须注意区分。采样时长大概是10秒左右，所以12kHz的一套数据大约就是12万个点。

2. 数据读取与样本构建：动手前先把路铺好

2.1 下载与数据确认

CWRU数据在官网（Case Western Reserve University Bearing Data Center）可以免费下载，但网站改版过几次，部分页面链接时好时坏。我的习惯是：先尝试官网原始链接，下载.mat原版文件；如果官网不稳定，再去GitHub或Kaggle上找别人整理好的版本。

下载后先别急着训练模型，花几分钟做三件事：

确认文件格式可以被当前环境读取（老版本.mat一般没问题，见2.2）。
确认文件编号对应的工况，截图保留一份对照表。
确认采样频率——同一个数据集里混合了12kHz和48kHz的数据，如果你拿48kHz的DE数据和12kHz的FE数据直接拼一起，后患无穷。

2.2 用Python把.mat文件读进来

CWRU整套数据大多是老版本的MATLAB格式，Python里直接用scipy.io.loadmat就能读。这里有个常见坑：有些新版数据可能是mat v7.3格式（HDF5），scipy.io.loadmat直接报错，需要换h5py读取。

基础读取代码：

import scipy.io import numpy as np mat = scipy.io.loadmat('105.mat') print([key for key in mat.keys() if not key.startswith('__')]) # 一般能看到 DE, FE, BA, time 之类的字段 de_signal = mat['DE'].flatten() fs = 12000 # 根据文件确认是12000还是48000 print(de_signal.shape, de_signal.dtype)

如果你下到的是.mat v7.3版本，loadmat会报类似“NotImplementedError”的错误，换h5py读取：

import h5py with h5py.File('105.mat', 'r') as f: de_signal = f['DE'][()].flatten()

注意h5py读出来的数据可能是倒序的（因为MATLAB写HDF5时默认列优先存储），需要确认方向后再处理。

2.3 样本切分：窗口长度到底该选多少

拿到一整段10秒的振动信号，不可能直接丢给模型做分类——数据量太小，而且整段信号只能得到一条样本。常规操作是把长序列切成固定长度的短样本。

窗口长度怎么定？我见过有人用256点，也有人用4096点，各有道理。核心逻辑是：一个样本至少要包含几个完整的故障冲击周期。

以0HP、1797rpm为例，转频fr=1797/60≈29.95Hz，一个转轴周期约0.0334秒。如果采样率12kHz，一转约400个采样点。而外圈故障特征频率BPFO大约是转频的3.58倍，约107Hz，特征周期约0.0093秒，对应约112个采样点。

综合考虑，我通常选1024点或2048点，理由：

1024点约3个外圈特征周期和2.5个转轴周期，特征信息足够。
2048点特征更丰富，但样本数减半。
太短的窗口（128、256）噪声占比大，分类不稳定。
太长的窗口（8192以上）虽然信息多，但训练样本数量下降，而且同段信号切出的样本时间相关性更强，更容易造成数据泄漏。

切分代码：

def sliding_window_slice(signal, length=1024, stride=None): if stride is None: stride = length # 不重叠切分 samples = [] for start in range(0, len(signal) - length + 1, stride): samples.append(signal[start:start + length]) return np.array(samples)

这里有个小建议：默认用不重叠切分（stride=length），原因是不重叠样本之间的时间相关性低，随机打散后训练验证更干净。用重叠滑窗（stride=256之类的）可以扩充样本量，但同一段信号切出的相邻样本高度相似，如果分到训练集和测试集，指标虚高到你不敢信。

2.4 训练集和测试集要怎么划分

这是CWRU实验里最影响结果、也最容易被忽视的一步。我见过很多新手代码：把所有样本随机打乱，按7:3分成训练集和测试集，准确率跑了个99%+，然后很兴奋。实际上这种做法在CWRU上基本没有意义，因为同一个.mat文件切出的样本之间高度相关，本质上就是同一段波形换了几个窗口，放进训练集又放进测试集，等于开卷考试。

正确的划分方式至少有两种：

按文件划分：先把每个.mat文件切成样本，然后整个文件的所有样本一起进入训练集或测试集。不同文件不要交叉。这样保证测试集里的信号和训练集不是同一段连续波形。
按工况划分：想验证泛化能力的，直接指定某些负载做训练、某些负载做测试，比如用0HP和1HP训练，2HP和3HP测试。这种跨工况评估才是CWRU真正能帮你做的事情。

我自己的实验习惯是，先把所有文件按“工况-位置-尺寸”列一张表，然后按组合划分，确保无论是同工况评估还是跨工况评估，都不会发生同文件样本跨集合泄漏。

3. 特征频率与包络分析：从波形里读出故障信息

3.1 先算一遍特征频率，所有信号分析的锚点

拿到任何一段轴承振动信号，第一件事不是无脑喂给深度学习，而是先算特征频率。这就像听诊要先知道心率，不然听到杂音也不知道是不是心律失常。

6205-2RS深沟球轴承的关键参数：

节径Pitch Diameter：39.04mm（1.537英寸）
滚珠直径Ball Diameter：7.94mm（0.3126英寸）
滚珠数量：9
接触角：约0°

几个特征频率公式：

外圈故障特征频率BPFO，内圈故障特征频率BPFI，滚动体故障特征频率BSF，保持架故障特征频率FTF：

BPFO = n/2 × fr × (1 - Bd/Pd) BPFI = n/2 × fr × (1 + Bd/Pd) BSF = Pd/(2×Bd) × fr × [1 - (Bd/Pd)^2] FTF = fr/2 × (1 - Bd/Pd)

其中fr是转频，n是滚珠数，Bd/Pd ≈ 0.2034。

代入fr=29.95Hz（1797rpm），可以得到一张速查表：

特征频率	倍率关系	1797rpm时约值
FTF	0.398 × fr	11.9 Hz
BPFO	3.585 × fr	107.4 Hz
BPFI	5.415 × fr	162.2 Hz
BSF	2.357 × fr	70.6 Hz

这张表在后续所有频谱分析时都要用到。你在频谱或包络谱上找故障峰值时，要找的是这些频率的整数倍位置，而不是随便一个谱峰。

3.2 时域指标：峭度为什么对早期故障敏感

时域特征是最直观、计算成本最低的特征。工程上常用的几个：

均方根RMS：反映振动能量整体水平，故障严重时RMS通常升高，但早期故障变化不明显。
峰值因子Crest Factor：峰值除以RMS，对冲击性信号敏感。轴承出现点蚀时，周期性冲击会让峰值升高，RMS还没跟上，峰值因子就会先跳起来。
峭度Kurtosis：四阶中心矩除以方差的平方，数学上定义为K = E[(x-μ)^4] / σ^4。正常轴承振动接近高斯分布，峭度约等于3；出现早期故障时，信号中混入周期性冲击，分布变得更加“高瘦”，峭度明显上升，可以到5、10甚至更高。

峭度是早期故障检测里非常经典的一个指标，但它有一个缺点：对单个大冲击特别敏感，偶尔一次磕碰也会把峭度顶得老高。所以我会同时看峭度和RMS，两个一起涨才放心。

时域特征提取代码：

def time_features(x): rms = np.sqrt(np.mean(x**2)) peak = np.max(np.abs(x)) kurtosis = np.mean((x - np.mean(x))**4) / (np.std(x)**4) crest_factor = peak / rms return { 'rms': rms, 'peak': peak, 'kurtosis': kurtosis, 'crest_factor': crest_factor, }

3.3 包络谱：解调出周期冲击

时域特征告诉你“有没有问题”，但告诉不了你“问题在哪个部位”。要定位故障位置，靠的是包络谱分析。

包络谱原理其实不难理解：轴承故障产生的冲击会激起轴承座或传感器的结构共振，相当于故障信号被调制到高频共振带上。原始频谱里，你会看到高频段出现一大片能量，但很难分辨冲击周期。包络分析就是先把高频共振区的信号提取出来，再做Hilbert变换得到幅值包络，最后对包络做FFT，这样就把“藏在载波里的周期冲击”解调出来了。

具体步骤：

带通滤波，选一个包含共振峰的频带。CWRU数据在12kHz采样率下，我习惯用1000-4000Hz做带通。
对滤波后的信号做Hilbert变换，取绝对值得到包络。
对包络信号做FFT，得到包络谱。
在包络谱上找BPFO/BPFI/BSF及其谐波位置是否有突出峰值。

Python实现：

from scipy import signal from scipy.signal import hilbert def envelope_spectrum(data, fs=12000): # 带通滤波 b, a = signal.butter(4, [1000, 4000], btype='bandpass', fs=fs) filtered = signal.filtfilt(b, a, data) # 包络 envelope = np.abs(hilbert(filtered)) # 包络谱 f, spec = signal.periodogram(envelope, fs=fs, nfft=8192) return f, spec f, spec = envelope_spectrum(de_signal, fs=12000)

实际操作中，如果BPFI在162.2Hz处出现明显谱峰，并且还有2倍频324Hz、3倍频486Hz，那基本可以锁定是内圈故障。同理，107Hz位置对应外圈，70Hz位置对应滚动体。

3.4 快速验证一个样本是否正常

我每次拿到一个.mat文件，会先画两个图：一个原始时域波形，一个包络谱。

时域波形如果看到规则的大幅值冲击，说明这个样本大概率有故障。
包络谱上如果某个特征频率处谱峰特别干净、谐波整齐，就能直接判断故障类型。

这一步和后续的模型实验没有直接关系，但能帮你建立对数据最直观的感觉。很多新手跳过这步直接跑深度学习，结果模型训好了都不知道自己在学什么，调参全靠猜，这是最亏的。

4. 从特征到模型：复现一套完整诊断流程

4.1 路线A：特征加机器学习分类器

如果你只是想做一套快速可解释的基准，特征加传统分类器是最合适的选择。把每个样本切成1024点，提取一组时域特征（RMS、峰值、峭度、波形因子、峰值因子等），再加频域特征（频谱峰值、谱质心等），堆起来组成特征向量，然后用SVM或RandomForest分类。

代码框架：

from sklearn.model_selection import train_test_split from sklearn.svm import SVC from sklearn.ensemble import RandomForestClassifier from sklearn.preprocessing import StandardScaler # features 是 [n_samples, n_features] 的特征矩阵 # labels 是 [n_samples] 的标签，如 0=Normal, 1=IR, 2=OR, 3=B X_train, X_test, y_train, y_test = train_test_split( features, labels, test_size=0.3, stratify=labels, random_state=42 ) scaler = StandardScaler() X_train = scaler.fit_transform(X_train) X_test = scaler.transform(X_test) clf = SVC(kernel='rbf', C=10, gamma='scale') # 或者 clf = RandomForestClassifier(n_estimators=200) clf.fit(X_train, y_train) print(clf.score(X_test, y_test))

注意：先切分，再在训练集上fit标准化器，然后在测试集上transform。如果你在全部数据上算mean和std再切分，测试集信息就泄漏进了训练过程，结果偏乐观。

这套路线做4分类（Normal/IR/OR/B）通常能到95%以上，做更细的10分类（加上故障尺寸）也能拿到不错的分数。它的好处是特征可视化容易，能直接看出每类样本在特征空间里的分布，适合写报告和放在论文的消融实验里做对照组。

4.2 路线B：一维CNN端到端

深度学习路线就不需要手工特征了，直接把原始振动段喂给网络，让它自动学特征。在CWRU上，一个非常简单的1D-CNN就能达到很高准确率，这也是这个数据集被诟病“太简单”的原因之一。

我常用的一个轻量网络结构：

from tensorflow.keras import layers, models model = models.Sequential([ layers.Input(shape=(1024, 1)), layers.Conv1D(16, 3, activation='relu', padding='same'), layers.MaxPooling1D(2), layers.Conv1D(32, 3, activation='relu', padding='same'), layers.MaxPooling1D(2), layers.Conv1D(64, 3, activation='relu', padding='same'), layers.GlobalAveragePooling1D(), layers.Dense(4, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.summary()

训练参数我用默认比较多：Adam优化器，学习率1e-3，batch_size 64，epochs 30，训练集和验证集划分比例8:2。

有几个实用细节：