故障诊断开源数据集全攻略：轴承、齿轮箱到电池RUL预测-开发者社区

搞故障诊断这几年，我最深的体会是：真正卡脖子的往往不是模型，不是调参，而是数据。找来找去，来来回回就是那几份公开数据集，新人刚上手，连一份标注清楚、能直接跑通实验的轴承数据都找不到。所以我一直想整理一份相对完整的开源数据集清单，把机械、流程、设备健康管理这些领域里能公开拿到、能直接用来做故障诊断和剩余寿命预测的资源都盘一遍。这篇文章就来交这份作业，按轴承、齿轮箱、电池、流程工业、航空发动机等方向拆分，附上每个数据集能干什么、大概怎么获取、有什么坑，方便你按图索骥。

不管你是刚接触故障诊断的研究生，还是在企业里做设备健康管理、状态监测的工程师，这篇文章都值得收藏下来当索引用。看完之后，你至少能知道三十多个开源数据集分别是什么、适合做的任务类型，以及拿到数据后该怎么规划自己的第一个实验。

1. 故障诊断数据集为什么这么难找，公开资源又集中在哪

1.1 数据的稀缺是故障诊断行业的结构性问题

我见过不少新人一开始特别自信，觉得自己算法功底不错，结果一到实际项目就傻眼——现场设备长期正常运转，故障样本少得可怜，偶尔坏一次，传感器有没有提前装好都是个问题。这就是故障诊断场景的特殊性：故障是低概率事件，你没法像图像识别那样轻松标注几万张“猫”和“狗”的图片。真正发生故障时，又往往伴随着停机抢修，没有人会为了收集数据让产线继续带病运行。所以故障数据天然的稀缺，不是某个团队不努力，而是客观条件限制。

另一个问题是标注成本。哪怕你费尽周折采到了振动、电流、温度信号，要把它精准标注成“内圈点蚀”“外圈剥落”“滚动体裂纹”，必须有设备拆解记录或者高精度诊断手段佐证。工业现场的许多数据甚至连“正常”和“异常”都未必分得清，因为设备状态存在退化过程，不是非黑即白。这种高标注成本直接劝退了很多想开源数据的团队。

1.2 为什么开源资源大多集中在轴承

如果你经常搜“故障诊断数据集”，会发现十个链接里有七八个是轴承相关的。原因很简单：轴承是旋转机械里最基础、最容易失效的部件，而且故障模式相对标准化，学术界积累了成熟的动力学模型和诊断流程。更关键的是，轴承故障可以在实验室里人为注入，用电火花加工等方式在滚道或滚动体上做一个微小凹坑，成本可控，重复性好。再加上CWRU等早期数据集免费开放，后续很多团队都采用类似实验台模式，导致轴承数据成了故障诊断领域的“标准件”。

此外，轴承数据的传感器布置也比较固定，通常就是在轴承座上装加速度计，信号是几万赫兹的高频振动，特征频率能通过轴承参数直接算出来。这种“有标准答案”的数据，用来验证算法再合适不过。所以无论是发论文还是培训新人，轴承数据集都承担着“Hello World”的角色。

1.3 从搜索热词看：大家要的不只是传统数据集

我特意观察了“故障诊断代码”“基于数据驱动的加工产线工业机器人内部轴承故障诊断方法数据集”“MCU故障诊断”这些搜索热词，能明显感觉到需求正在变化。早年大家搜“CWRU数据集怎么用”，现在更多人问的是“有没有工业产线机器人的轴承故障数据”“有没有嵌入式MCU的故障诊断案例”。

这其实反映了故障诊断正在从实验室走向现场，从单纯旋转机械走向机电软一体化系统。比如工业机器人的内部轴承，多大载荷、什么转速、怎么安装传感器，和普通电机试验台完全是两回事；再比如MCU层面的故障诊断，关注的是程序跑飞、ADC采集异常、通信错误，这已经属于电子系统健康管理的范畴，传统的振动数据集根本覆盖不了。所以这篇文章在盘完传统开源数据集之后，我也会专门聊一聊面对这些新场景，数据不够用该怎么办。

2. 三十多个开源数据集速查：一份可以用一年的清单

2.1 轴承故障诊断：从入门到进阶的开源资源

轴承数据集是故障诊断的第一站，下面这些基本覆盖了从标准故障分类到寿命预测的各类任务：

CWRU（凯斯西储大学轴承数据中心）：最经典的滚动轴承故障数据集，驱动端和风扇端都有加速度振动数据，采样率12kHz和48kHz可选，故障类型包含内圈、外圈、滚动体和正常状态，每个故障还分了0.007英寸到0.028英寸的损伤尺寸，适合做故障分类和迁移学习入门。
IMS（NSF I/UCR中心轴承全寿命数据）：四组轴承从正常到严重退化的全生命周期数据，振动采集频率20kHz，适合做退化趋势分析和剩余寿命预测。
XJTU-SY（西安交通大学与昇阳科技滚动轴承加速寿命试验数据集）：15个轴承在三种工况下的加速退化数据，每个轴承都有完整的全寿命周期振动信号，并提供了失效位置的拆解记录，这在公开数据集里非常宝贵。
PRONOSTIA（FEMTO-ST机构轴承退化数据集）：IEEE PHM 2012挑战赛官方数据，包含多个轴承的退化振动信号，带有温度和瞬时转速信息，是剩余寿命预测圈的“硬通货”。
PU（德国帕德博恩大学轴承数据集）：同时提供振动和电流信号，故障类型包括真实损伤和人工损伤，数据质量高，工况覆盖较全，特别适合多传感器融合和跨工况迁移研究。
MFPT（美国机械故障预防技术学会数据集）：提供了真实故障轴承样本和试验台数据，包含正常、外圈、内圈等工况，适合作为CWRU之外的独立验证集。
UOCondor（渥太华大学滚动轴承退化数据集）：面向轴承退化过程研究，包含多组全生命周期振动数据，适合RUL建模。

2.2 齿轮箱与传动系统：多部件耦合的典型场景

齿轮箱数据比轴承更复杂的地方在于，它往往是齿轮、轴承、轴系多个部件同时作用，振动信号混叠严重。下面几个是相对容易获取的齿轮箱数据集：

东南大学SEU齿轮箱数据集：包含行星齿轮箱和直齿轮箱在不同工况下的振动数据，有齿轮断齿、磨损、缺失等故障模式。
江南大学JNU齿轮箱数据集：多工况齿轮故障数据，涵盖齿轮磨损、断齿和轴承故障等，常用于多分类实验。
PHM 2009 Gearbox Challenge Dataset：源自PHM学会2009年数据挑战赛，数据采集于旋转机械齿轮箱试验台，包含不同故障组合，适合验证特征提取和分类算法。

2.3 电池、流程工业、液压阀门与半导体：轴承之外的重要战场

故障诊断不止振动信号。锂电池健康管理、流程工业的过程故障、液压阀门故障都是很常见的工程场景。我给它们单列一组：

NASA PCoE电池老化数据集：锂离子电池在不同的充放电循环下老化，记录电流、电压、容量、阻抗变化，是电池RUL预测的经典数据。
CALCE电池数据集：马里兰大学高级生命周期工程中心提供，包含多种充放电工况的电池容量衰退曲线。
Oxford电池退化数据集：牛津大学公开的商用锂离子电池退化数据，电流电压曲线细致，适合做充电曲线特征提取。
Toyota Research Institute 18650电池数据集：大规模高通量电池充电实验数据，覆盖多种充放电边界，适合用机器学习做电池寿命预测。
TEP（田纳西-伊斯曼化工过程数据集）：基于化工过程仿真模型产生，包含21种故障模式，是过程监控和故障诊断领域的标准数据。
PlantSim过程仿真数据集：造纸过程仿真数据，包含多故障工况，适合做过程异常检测和根因分析。
DAMADICS阀门执行机构故障基准：模拟工业阀门执行器的故障数据，包含阀位、压力、流量等过程变量，适合液压与气动系统故障诊断。
SECOM半导体制造过程数据：反映半导体生产线工艺过程中大量稀疏测量信号，适合做高维、类别不平衡和代价敏感分类。

2.4 航空发动机与综合设备：来自挑战赛和NASA的经典资源

最后这部分主要面向系统级健康管理和剩余寿命预测：

C-MAPSS航空发动机退化仿真数据集：NASA开源，是发动机越来越复杂的环境中多传感器时间序列数据，按工况和故障模式分为FD001至FD004四个子集，每个子集都可以当作一个独立数据包来下载，很适合做RUL预测任务。
NASA铣刀磨损数据集：采集铣削加工过程中的振动、电流等信号，标注刀具磨损量，适合加工过程状态监测。
PHM Society历年数据挑战赛（PHM 2010、PHM 2012、PHM 2014、PHM 2015等系列）：不同年份的比赛都会开放一批高质量工业数据，涵盖轴承、液压系统、工具磨损等领域，虽然一部分年份的数据需要在官网注册申请，但整体质量非常高。

2.5 30多条数据的速查表

为了方便你直接保存，我按自己的使用习惯整理了一张速查表，这张表把同一平台的不同子集也单独拆出来算作独立资源，方便按下载入口索引：

如果你把这些都浏览一遍，基本能覆盖故障诊断领域绝大部分常见任务。但光有清单还不够，我接下来挑几个最常被用到的数据，逐个拆给你看，尤其是它们的适用边界和坑。

3. 重点数据集逐个拆解：从CWRU到XJTU-SY，能挖到什么

3.1 CWRU：每个人的第一个轴承数据集，但坑也不少

CWRU几乎是故障诊断论文的“默认实验场”，绝大多数开源代码也都会用它做演示。它的实验台由电机、扭矩传感器和测功机组成，故障轴承安装在电机驱动端或风扇端，通过在轴承滚道和滚动体上用电火花加工出单点损伤来模拟故障。采样率方面有12kHz和48kHz两档，对应不同故障位置和损伤直径，通常大家在论文里用12kHz的驱动端数据就够了。

不过这数据用起来有几个容易踩的坑。第一，外圈故障数据是在六个不同加载位置分别采集的，有些论文把这六个位置全部混成一类，这样做分类当然很容易，但实际场景中外圈故障的相对位置是随机的，直接混用会高估算法性能。更严谨的做法是划分训练集和测试集时，让外圈故障位置不重叠，或者明确你是做“位置无关”的迁移测试。第二，CWRU的信号是稳定工况下单点轻微损伤的振动，噪声水平低、故障特征明显，算法拿到九十几分并不代表真能在现场通用。把它当成验证特征提取方法和熟悉处理流程的工具，会比一味追求准确率有意义得多。

3.2 IMS与XJTU-SY：全寿命退化数据怎么用

如果说CWRU是分类任务，那IMS和XJTU-SY就是典型的回归和异常检测任务。这两类数据没有直接标注“内圈故障”或者“外圈故障”，而是记录了轴承从健康到失效整个过程的振动信号。比如IMS的四组实验中，每组包含多个轴承，最终某一个或几个轴承会逐渐退化直到失效；XJTU-SY提供了更细致的工况划分和失效部位记录，实验结束时还会对轴承进行拆解，确认真实的失效模式。

拿到这类数据，你要做的第一件事不是直接丢给模型，而是要先定义“退化起点”。轴承从开始运转到失效，前一段时间信号可能非常平稳，直接拿全量数据做归一化，会严重压缩退化阶段的特征差异。我一般喜欢先计算每个窗口的RMS或峭度，画出随时间变化的趋势线，观察信号从什么时候开始持续上升或产生波动，再以那个时间点作为退化的起点。这个预处理做不好，后面不管用什么高级模型都很难有好的RUL结果。另外，IMS和XJTU-SY都是典型的右删失和不确定终止数据，做数据集划分时尽量按“同一个轴承的所有窗口”归拢，避免同一段信号被同时划进训练集和测试集，那是比较常见的泄漏写法。

3.3 PRONOSTIA与PU：挑战赛标准与多传感器融合

PRONOSTIA来头不小，它是FEMTO-ST机构在IEEE PHM 2012预测与健康管理会议上公开的轴承退化数据集，比赛任务就是要在不知道真实寿命的情况下预测轴承剩余使用寿命。数据包含转速和载荷两种工况的17个轴承运行数据，每个轴承持续加速退化直到失效，振动传感器安装在轴承座上，采样频率25.6kHz，另外还记录了温度信号。如果你研究RUL预测，PRONOSTIA几乎是绕不开的基准。

PU数据集则是近年来很有价值的多传感器融合数据。帕德博恩大学在实验台上采集了振动和电流两种模态信号，故障类型不仅有内圈、外圈损伤，还细分了人工损伤和真实损伤。这种“源域数据和目标域数据不完全一致”的构成，非常适合做跨域迁移学习实验。比如用人工损伤样本训练，在真实损伤样本上测试，非常贴近工程中“实验室复现和现场故障不一致”的现实。PU数据还提供了详细的工况设置，包括转速、负载扭矩和径向力，可以很方便地构造跨工况任务。

4. 实战套路：拿到开源数据集后的第一步怎么做

4.1 清理与重采样：先把数据“对齐”再谈建模

很多人下载完数据就急着写模型，结果发现模型训练起来特别慢，或者A数据集上表现很好、换到B数据集就崩了。问题往往出在最基础的数据清洗环节。第一步要确认采样频率和转速是否一致，比如CWRU有12kHz和48kHz两档，IMS是20kHz，PRONOSTIA是25.6kHz，如果不重采样到统一频率，特征维度就会对不上，也没法做跨数据集的泛化实验。

第二步是截取稳定工况段。实际采集的信号经常包含启停阶段、负载波动阶段，这些段落在实验室数据里可能不明显，但在现场数据里会很突出。对于CWRU这种稳定工况数据，通常每个样本取1到2秒就够；对于退化数据，则要先把整个寿命信号切成长度相同的窗口，比如每个窗口包含4096个采样点或2048个采样点，然后再逐窗口计算特征。窗口长度非常重要：太短会丢低频故障特征，太长会把瞬态冲击平均掉。我自己在振动数据上一般先试4096点窗口，再对比8192点和2048点的结果。

4.2 数据划分：最大的坑是“随机切分”

很多公开数据集默认没有给训练集和测试集的划分方式，于是大部分初学者就直接把所有样本放一起，随机抽取百分之多少作为训练集。这在故障诊断里是非常危险的。因为同一个轴承、同一次工况的相邻窗口样本高度相似，随机切分后，训练集和测试集里可能都包含同一段信号的邻居窗口，模型很容易“背答案”，看起来准确率很高，实际一到现场就失效。

正确的做法是按“实验对象”划分。比如CWRU里，让内圈故障的某些载荷样本进训练集，另一些载荷样本进测试集；XJTU-SY里，让同一个轴承的全部窗口要么都在训练集，要么都在测试集，绝不交叉。这样划分出来的准确率可能比随机切分低几个百分点，但更能反映模型的泛化能力。

4.3 从数据到基线：先用经典方法跑通全流程

拿到数据后，我建议先别急着上深度学习，而是先跑一个轻量级基线。比如先从每个窗口提取一组简单特征：时域的RMS、峰值、峰值因子、峭度、偏度和脉冲因子，频域的主频带能量、重心频率，如果处理的是轴承信号，再算一个包络谱特征，然后扔给随机森林或梯度提升树分类。这样做的好处是让你快速验证数据质量、标签是否对齐、划分逻辑是否合理。

等基线的分类准确率能稳定达到较高水平后，再换一维CNN或者LSTM做端到端学习，这时候你才有一个靠谱的对照对象。我见过太多人上来就是SOTA模型，最后连数据泄漏还是处理流程写错都没发现。经典方法虽然土，但它是检验数据流水线正确性的试金石。同样，在RUL任务上，先用线性回归或指数退化模型做一个简单基线，再上Transformer等模型，也能帮你判断模型提升究竟来自算法还是来自数据处理。

5. 面向产线与工业机器人场景的补充思路：数据不够，怎么凑

5.1 为什么产线系统数据集这么少

回到最开始的热词“加工产线工业机器人内部轴承故障诊断”，这类数据为什么几乎找不到开源版本？原因有几层：产线工况是连续的，不能停机给你贴传感器；机器人内部轴承的安装位置往往在减速器、关节电机里，传感器很难直接接触故障点；再加上产线数据涉及工艺参数、节拍信息和设备型号，企业通常视为机密。所以这类数据只能靠项目团队自己去采集，或者通过合作渠道获取，指望网上直接下载基本不现实。

更麻烦的是，即使同一个型号的工业机器人，在不同产线上转速、负载、润滑条件和环境温度都不一样。公开实验台上的轴承故障模式，迁移到机器人关节轴承上时可能有很大偏移。这也是为什么大家在搜索时会特别注明“基于数据驱动的加工产线工业机器人内部轴承故障诊断方法数据集”，本质上是在找一种既包含真实产线运行工况、又有故障标注的稀缺资源。

5.2 用公开数据训练，现场数据微调：迁移学习的可行路径

现场数据稀缺，不意味着你没活干。一个很务实的路径是：拿CWRU、PU这类公开数据集做预训练，建立对轴承各类故障信号的通用表征，然后到产线现场采集少量正常数据和尽可能少的故障数据，用微调或者域自适应技术把模型迁移过去。如果你运气好，能采到一两次真实故障或者拆机维修前的历史数据，那价值更大，哪怕只有几十秒钟的样本，也足够做小样本微调了。

另外，现场往往只有正常运行数据，没有故障数据，这时候更适合做异常检测任务。你可以用公开数据集中的正常样本训练一个单类分类器，比如基于深度自编码器的重构误差，或者基于高斯分布的异常分数，然后在现场数据上监测新的状态。模型不需要见过现场故障类型，只要现场出现与训练分布明显不同的特征，就会触发报警。这个方法比硬做故障分类更贴近实际。

5.3 仿真与故障注入：从MCU级到整机级的造数据思路

打开搜索热词还能看到“MCU故障诊断”，说实话这个领域几乎没有现成的开源数据集。但这类问题的数据可以通过仿真和故障注入来造。MCU或嵌入式控制器的常见故障包括复位、程序跑飞、ADC采样异常、PWM输出缺失、通信帧错误等，你可以在硬件在环或纯仿真环境里主动注入这些故障，记录故障前后的控制信号和状态量，这就形成了一份标注数据。虽然仿真数据和真实硬件存在差异，但用来验证诊断逻辑、训练分类器作为预训练模型，是完全可行的。

再说回轴承和机器人，也有类似的仿真思路。轴承故障机理相对成熟，你可以用动力学模型仿真不同损伤位置、不同损伤尺寸下的振动响应，生成大批量仿真样本；再加上真实实验台数据作为微调，可以明显缓解现场样本不足的问题。更进阶的做法是搭建数字孪生环境，把产线节拍、负载谱和机器人运动学模型结合起来，离线生成各种退化轨迹，再配合少量真实数据校准模型。这样产出的数据集虽然不能完全替代真实采集，但至少能让你把数据处理、模型训练、指标验证整个流程跑起来，而不是停在“没有数据所以什么都做不了”的状态。

我自己在实际项目中的习惯是：先把公开数据集吃透，用CWRU和XJTU-SY跑通所有流程，把数据划分、特征提取、模型训练、指标评估这一整套代码沉淀成自己的工具库。等真到了现场数据稀缺的环境，就可以用这套工具快速迁移和调整，而不是从头开始造轮子。数据集这种东西，贵精不贵多，与其把三十多个都下载下来放在硬盘里吃灰，不如认真吃透三四个经典数据，把“传感器信号到故障结论”的整条链路练熟了，再横向拓展到齿轮箱、电池和流程工业。等你哪天真面对产线机器人或MCU故障诊断时，能救你的不是硬盘里的数据，而是你已经跑通的思路和代码框架。