Page 193 - 《振动工程学报》2025年第9期

第 38 卷第 9 期 振 动 工 程 学 报 Vol. 38 No. 9
2025 年 9 月 Journal of Vibration Engineering Sept. 2025

宽 转 速 范 围 航 发 主 轴 轴 承 振 动 数 据 集

张伟涛 ， 张亚茹 ， 许 诺 ， 黄 菊 2
1
1
1
（1. 西安电子科技大学信息力学与感知工程学院，陕西 西安 710071； 2. 中国航发贵阳发动机设计研究所，贵州 贵阳 550081）

摘要：轴承故障诊断是航空发动机预测与健康管理的重要研究内容，该领域的信号处理算法和深度学习模型都依赖于数据
集，然而已公开的数据集通常覆盖的转速范围窄、转速间隔大、载荷单一，且缺少复合故障数据，难以支撑故障诊断方法向实
用化发展。本文公开了一个宽转速范围的航发主轴轴承振动数据集，该数据集除提供单一故障数据外，也提供了多种轴承复
合故障数据，覆盖了不同载荷下宽转速范围的多通道轴承振动信号。数据集很好地支撑了经典故障诊断算法的研究，同时由
于数据覆盖的转速范围宽、转速采样率高，因此更有利于训练基于深度学习的故障诊断模型。
关键词： 振动数据集；航发主轴轴承；宽转速
中图分类号：TH133.3 文献标志码：A DOI：10.16385/j.cnki.issn.1004-4523.202309049

Vibration data set of main shaft bearing of aero engine with wide speed range

1
1
1
ZHANG Weitao ，ZHANG Yaru ，XU Nuo ，HUANG Ju 2
（1.School of Information Mechanics and Sensing Engineering，Xidian University，Xi’an 710071，China；
2.Research Institute of Guiyang Aero Engine Design Corporation of China，Guiyang 550081，China）
Abstract： Bearing fault diagnosis is an important research topic in aviation engine prediction and health management. Signal processing
algorithms and deep learning models in this field rely on datasets. However，publicly available datasets generally cover narrow speed ranges，
large speed intervals， single loads， and a lack of composite fault data， making it difficult to support the practical development of fault
diagnosis methods. This article discloses a vibration dataset of aircraft main shaft bearings with a wide speed range. In addition to providing
single fault data，this dataset also provides multiple composite bearing fault data，covering multi-channel bearing vibration signals with a wide
speed range under different loads. The dataset well supports the research of classic fault diagnosis algorithms，and due to the large speed range
covered by the data and high-speed sampling rate，it is more conducive to training deep learning fault diagnosis models.
Keywords：vibration data set；main shaft bearing of aero engine；wide speed

轴承是机械系统的重要组成部件，其功能是支 完成故障诊断，其故障诊断性能主要取决于采用的
撑和减少机械部件之间的摩擦。在严苛的工作条件 信号处理技术和设计的人工经验特征，无须大量轴

下，航发主轴轴承早期微小的故障很快就会发展成 承故障数据。然而传统信号处理算法的性能受轴承
为严重故障，这将导致机械系统的整体工作性能降低。 工况影响很大，复杂工况下信号处理方法的故障诊
因此，及时诊断轴承的早期微弱故障显得尤为重要。 断可靠性和准确率将急剧下降。基于深度学习的故
常见的轴承故障诊断方法包括温度法、润滑液 障诊断算法需要利用大量的轴承故障数据对构建的
分析法、声发射信号分析法和振动信号分析法等， 网络模型进行训练，模型经过训练后，能够对观测信
其中振动信号分析法因其较好的实时性和可靠的诊 号进行处理，并基于处理结果实现故障预测。相比
断效果得到了广泛的应用。目前，基于振动信号分 较而言，深度学习诊断算法具有更高的故障诊断可
析的故障诊断方法主要分为信号处理诊断算法和深 靠性和准确率，是目前故障诊断领域的研究热点。
度学习诊断算法两大类。典型的信号处理故障诊断 然而深度学习模型的训练依赖大量的轴承故障数
算法包括主成分分析法、独立分量分析法、小波分 据，同时数据集大小和质量会直接影响网络的训练
析法和盲信号提取算法等 [1-6] 。这些算法旨在从观测 效果。
信号中抑制干扰分量，然后通过提取人工经验特征 目前在轴承故障诊断领域已公开了一些数据

收稿日期：2023-09-15；修订日期：2024-01-03
基金项目：国家自然科学基金资助项目（62471367）