本文首發于“52phm”公眾號，未經授權，嚴禁轉載！

1.摘要

該試驗臺在不同小齒輪條件下進行測試，并通過加速度計進行振動信號采集，加速度計采樣率為10KHz、采樣時長為10s，采樣數據共3包，每一包數據對應著不同故障類型，分別是健康狀態、齒輪斷齒、齒輪磨損狀態下的數據集。該數據集被授權于用于任何學術和研究目的。

2.試驗臺結構

試驗臺裝置整體傳動系統主要由電機作為驅動輸入，通過皮帶帶動齒輪箱，而齒輪箱輸出端通過皮帶帶動剎車系統。具體試驗臺裝置、原理圖及加速度計安裝示意圖如下圖所示。

試驗臺設置

測試原理圖

加速度計的方向及位置

3.數據集解讀

數據集有3包數據，每包數據采樣率為10kHz，采樣時長為10s；

電機轉速1420rpm/min，小齒輪15齒數、大齒輪110齒數；

嚙合頻率=(1420/60)*15=355Hz，在進行頻譜分析中來看，實際嚙合頻率是365Hz左右；

數據與故障對應關系

• 斷齒?

Gearbox_a_chipped_tooth_full_load_03_December_2009_10kHz_pos1

• 正常 ?

Gearbox_no_fault_full_load_01_December_2009_10kHz_pos1

• 3個齒磨損 ?

Gearbox_three_worn_teeth_full_load_13_December_2009_10kHz_pos1

齒輪磨損和脫落

4.振動分析

這里使用python寫了一個數據處理的程序，將mat數據保存到csv文件、以及給出振動原始波形、頻譜圖的計算方法。簡單提供一個baseline，方便大家使用數據集和做一些分析學習。

數據處理

""" @日期：2022-08-06 @作者：xiaozhi @網站：http://www.52phm.cn @數據來源：https://www.researchgate.net/publication/303792317_EXPERIMENTAL_DATASET_FOR_GEAR_FAULT_DIAGNOSIS """ import pandas as pd from scipy import io ? ? if __name__ == '__main__':df = pd.DataFrame()data1 = io.loadmat("./Gearbox_a_chipped_tooth_full_load_03_December_2009_10kHz_pos1.mat")data1_acc = data1['acc'].flatten() * 9.8605df['Gearbox_a_chipped_tooth_full_load_03_December_2009_10kHz_pos1'] = data1_acc ?data1 = io.loadmat("./Gearbox_three_worn_teeth_full_load_13_December_2009_10kHz_pos1.mat")data1_acc = data1['acc'].flatten() * 9.8605df['Gearbox_three_worn_teeth_full_load_13_December_2009_10kHz_pos1'] = data1_acc ?data1 = io.loadmat("./Gearbox_no_fault_full_load_01_December_2009_10kHz_pos1.mat")data1_acc = data1['acc'].flatten() * 9.8605df['Gearbox_no_fault_full_load_01_December_2009_10kHz_pos1'] = data1_acc ?df.to_csv("齒輪箱數據集轉速1420主動軸15齒從動輪110齒嚙合頻率比實際355Hz有偏差在365Hz左右.csv", index=False) ? ? ?

振動分析

這里涉及到時域波形和頻譜分析，本次baseline提供快速傅里葉變換的頻譜分析，具體實現如下代碼所示。

""" @日期：2022-08-06 @作者：xiaozhi @網站：http://www.52phm.cn @數據來源：https://www.researchgate.net/publication/303792317_EXPERIMENTAL_DATASET_FOR_GEAR_FAULT_DIAGNOSIS """ import numpy as np import pandas as pd import matplotlib.pyplot as plt plt.rcParams['font.family'] = 'SimHei' plt.rcParams['axes.unicode_minus'] = False ? ? def get_wav(data, fs, title):plt.clf()plt.title(title)t = np.arange(len(data)) * (1/fs)plt.plot(t, data)plt.xlabel("時間[s]")plt.ylabel("幅值[m/s^2]")plt.savefig(title + '_wav.png')# plt.show() ? ? def get_spec(data, fs, title):plt.clf()plt.title(title)f = np.fft.rfftfreq(len(data), 1/fs)amp = abs(np.fft.rfft(data)) * 2 / len(data)plt.plot(f, amp)plt.xlabel("頻率[Hz]")plt.ylabel("幅值[m/s^2]")plt.savefig(title + '_spec.png')plt.show() ? ? if __name__ == '__main__':df = pd.read_csv("齒輪箱數據集轉速1420主動軸15齒從動輪110齒嚙合頻率比實際355Hz有偏差在365Hz左右.csv")for col in df.columns.tolist():data1 = df[col].values# get_wav(data1, fs=10000, title=col)get_spec(data1, fs=10000, title=col) ? ? ?

• 正常齒輪

?

• 齒輪斷齒

• 齒輪磨損

5.數據和代碼獲取

關注公眾號“52phm”，回復“齒輪箱”或“齒輪箱數據集”即可獲取本文數據集和代碼。

6.參考資料

https://www.researchgate.net/publication/303792317_EXPERIMENTAL_DATASET_FOR_GEAR_FAULT_DIAGNOSIS

52phm社區，http://www.52phm.cn，與工業互聯網人一起成長,社區能夠提供學習到真實工業場景技術知識以及落地案例,其中涵蓋工業數據集、工業標準庫、機理模型、設備知識、機器學習、 深度學習、特征工程、振動分析、工業視覺、邊緣硬件及傳感器等技術知識！

?

?

關注公眾號“52phm”，回復“齒輪箱”或“齒輪箱數據集”即可獲取本文數據集和代碼。

總結

以上是生活随笔為你收集整理的齿轮故障诊断的实验数据集及python处理的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。