简介帕德博恩数据集详细解读文档面向轴承故障诊断领域的研究者与学习者旨在帮助快速理解该经典多模态数据集的数据命名、故障类别与数据组织方式。资源共1个docx文件压缩包1.59MB内容以清晰的表格与示例展开从K0##、KA##、KB##、KI##四类轴承状态入手逐一说明健康轴承、外圈故障、内外圈复合故障和内圈故障的组别与文件命名规则并划分人工损伤与加速寿命实验真实损伤两大类故障来源。同时详解每个文件内Info、X、Y、Description四个数据集重点说明Y中所含电流、转速、温度、扭矩与振动等多模态信号字段。已有3961人学习下载适合刚接触帕德博恩数据集、需要快速上手并使用MATLAB读取数据的诊断算法初学者。对照示例文件N09_M07_F10_K001_1可清楚知道负载、转速等工况信息的编码位置减少因数据名误解导致的建模错误帮助顺利开展轴承故障识别与剩余寿命预测实验。1. 帕德博恩数据集是什么为什么它是轴承故障诊断绕不开的公开集在故障诊断这个方向公开数据集不算多能拿来做基线、写论文、跑方案验证的更少帕德博恩数据集就是多数人绕不开的那一个。它的特点是信号来自真实试验台而非纯仿真轴承分成健康、人工加工损伤和真实损伤三类标签、工况、采样频率都写在总表里省去了大量整理数据的时间。想做设备预测性维护、旋转机械故障诊断方案验证或者课题需要一份相对可信的评估数据都能靠它快速跑通全流程。但这份数据“好上手”不等于没有坑信号是 MATLAB 结构体标签分布在另一张总表里不同流传版本的字段命名还不统一很多人的第一步就卡在读文件和对应标签上。下面按实际用下来的完整路径讲一遍从文件格式、可视化、数据划分到建模和避坑目标是让新手照着能做出来让熟手看到边界和参数。2. 文件构成与标签体系从 MATLAB 结构体到自己的故障清单2.1 先摸清数据的组织方式mat 文件、总表、工况三类信息帕德博恩数据集最常见的发布形态是一个压缩包里面有按轴承实例组织的一系列 .mat 文件另外配一张总表。每一个 mat 文件对应一个轴承的测试信号时长通常覆盖多段稳态工况总表负责给出这个轴承属于健康、人工加工损伤还是真实损伤损坏位置在内圈、外圈还是滚动体以及对应的工况条件比如转速和负载。我拿到一份新版本的数据集时习惯先做三件事而不是直接开读解压后列目录看文件名是否按规则命名打开总表看列名和类别取值随机打开一个 mat 文件打印结构体字段。这三件事加起来五分钟但能避免后面所有“字段对不上”的问题。因为帕德博恩数据集在流传中有多个整理版本字段命名、文件组织、备注语言都可能不一样网上很多教程里的字段名到你手上未必存在最重要的不是死记字段而是学会从文件本身识别结构。还有一个容易忽略的点总表里通常有故障类型和损坏位置的编码不同整理者给的编码风格不一致。有的用数字有的用英文缩写如 IR、OR、B 表示内圈、外圈、滚动体还有的版本直接用中文备注。所以拿到数据第一步一定是把总表里这一列的唯一值打印出来亲自确认一遍再开始做标签映射不要相信“所有版本都长一样”的说法。健康轴承的损伤位置列通常是空值也需要单独处理。2.2 用 Python 读取 MATLAB 结构体从 loadmat 到 numpy 数组很多人问我为什么 scipy.io 读出来的东西和 MATLAB 里看到的不一样。因为 MATLAB 结构体在 Python 里会变成 numpy 的 structured array访问方式不是直接取一个字段名就完事而是先取到结构体记录再通过字段名访问。我一般先打印结构体里的字段再取值避免对着不存在的字段名空报错import scipy.io as sio import numpy as np # 读取 mat 文件 mat sio.loadmat(Bearing_00.mat) # 打印顶层字段跳过 MATLAB 自动生成的 __...__ 键 for key in mat.keys(): if key.startswith(__): continue print(key, type(mat[key]), mat[key].shape)这一步会输出类似X (n_samples, n_channels)或vibration (1, 1)的结果。如果输出 shape 是(1,1)不要急着当标量处理它往往是一个 numpy.void 结构体里面还要再掏一层。继续做字段探测# 如果打印出来是 void 结构体继续取内部字段 for key in mat.keys(): if key.startswith(__): continue val mat[key] # MATLAB struct 在 Python 里表现为 np.void if hasattr(val, dtype) and val.dtype.names is not None: print(结构体字段:, val.dtype.names) signal val[0, 0][X] # 假设字段名是 X以实际打印为准 print(信号 shape:, signal.shape)这段代码的核心是确认两类信息一是信号的维度排布二是字段名。不同整理版本常见做法是把振动信号放在 X、Y 两个字段电流信号放另一个字段但有的版本把多路信号合并成一个二维数组shape 为通道数样本点数。如果你打印出来 shape 是 (n, 3) 或 (3, n)就要先想清楚轴向再切窗否则后面所有切片都是乱的。我一般会用signal.shape和signal.dtype两个信息确认精度和通道数避免读出来是复数或者带单位缩放的数据。还要注意部分版本为了减小体积把信号做了归一化幅值范围可能只有 -1 到 1这本身不影响分类但会影响对幅值类特征的物理理解。如果你要做包络谱诊断尽量保留原始采样率信息采样率通常在总表里或者文件说明里读出来之后第一时间存在一个字典里而不是靠猜。2.3 把总表整理成一份干净的训练清单总表里通常有几十行到上百行记录每一行定义一个轴承实例或一个文件但直接拿来做训练还缺两步过滤出你关心的工况以及把分类标签映射成清晰的类别名。我用 pandas 来做这一步写成固定脚本避免每次手工复制import pandas as pd df pd.read_excel(数据集总表.xlsx) # 也常见是 csv print(df.columns.tolist()) # 先看列名 print(df[故障类型].value_counts()) # 看类别分布 # 常见映射人工损伤、真实损伤、健康 label_map { healthy: 健康, artificial: 人工损伤, real: 真实损伤 } df[label] df[故障类型].map(label_map) # 按你关心的工况过滤比如只保留某转速 df_filtered df[df[转速rpm] 1500].copy() print(df_filtered[[文件名, label, 损伤位置]].head())这里我提醒一句不要一次性把全部工况混在一起做分类。不同转速下的信号特征分布差异很大混合工况虽然会让模型表现“看起来更好”但实际部署时你并不知道新数据属于哪个转速段。更常见的做法是先把某个典型工况跑通再逐步加入跨工况数据。损伤位置如果是内圈、外圈、滚动体三类需要确认总表里是否每行都有值健康轴承这一列通常为空代码里要用fillna(无)处理否则训练时标签列会有 NaN。2.4 采样率与通道这两个参数先记下来后面全靠它们帕德博恩数据集的信号不是单一通道通常包含振动和电流两类物理量振动信号又可能分径向和轴向。不同整理版本对通道的命名差异很大但物理意义可以靠采样率和信号形态来判别。采样率决定了你能看到的最高频率也决定了切窗时一个旋转周期包含多少个采样点。我习惯把这些信息汇总成一个配置字典所有后续脚本都从它读取config { fs: 64000, # 采样率单位 Hz以总表为准 channels: [X, Y], # 通道名按实际结构体字段填 win_cycles: 10, # 每个窗口包含的旋转周期数 }采样率如果总表里没写可以从频谱上反推先画一段信号的幅值谱看最高有效频率边界再用奈奎斯特频率乘以二得到采样率。通道顺序如果和预期不一致会导致后续特征提取全错所以我会在读取后对每个通道分别画图确认哪一路是振动、哪一路是电流再进流水线。3. 把信号变成训练样本可视化、切窗与数据划分3.1 先画波形再谈分析时域图与频谱图怎么读不画图的直接后果是后面特征错了都发现不了。拿到任意一个 mat 文件第一件事永远是可视化。画时域波形看幅值范围和周期性画幅值谱看主要频率成分和是否存在明显的故障特征频率带import matplotlib.pyplot as plt import numpy as np fs config[fs] # 采样率 signal signal.flatten() # 先取单通道示例 duration 1.0 # 可视化 1 秒 n int(fs * duration) seg signal[:n] t np.arange(n) / fs fig, ax plt.subplots(2, 1, figsize(12, 6)) ax[0].plot(t, seg) ax[0].set_title(时域波形前1秒) ax[0].set_xlabel(时间 (s)) freq np.fft.rfftfreq(n, 1/fs) mag np.abs(np.fft.rfft(seg - seg.mean())) / n ax[1].plot(freq, mag) ax[1].set_xlim(0, 20000) ax[1].set_title(幅值谱) ax[1].set_xlabel(频率 (Hz)) plt.tight_layout() plt.show()为什么取 1 秒因为 1 秒对应采样率数值个采样点频率分辨率正好是 1 Hz能看清轴承故障特征频率附近的成分。为什么画频谱前要减去均值为了去掉直流分量否则零频处的尖峰会压扁整个频谱的纵轴范围。为什么用 rfft 而不是 fft实信号频谱关于奈奎斯特频率对称取正半轴就够了计算量也减半。读图时有几个判断标准健康轴承的时域波形幅值平稳、无明显冲击人工加工损伤通常有周期性冲击真实损伤的冲击幅度可能更小、更随机。如果画出来某个文件波形异常比如截断了、幅值突变、全是零先怀疑文件本身或读取过程不要带着坏数据进训练集。3.2 切窗参数怎么定窗口长度、重叠率与旋转周期切窗是把这个数据集做成监督学习样本的核心操作。窗口太短一个旋转周期都没覆盖完整故障特征被截断窗口太长样本量变少而且可能包含转速切换或非平稳段。我一般是按照旋转周期来选窗口长度而不是拍脑袋定一个“0.5 秒”。计算方式很直接转频等于转速除以 60每转采样点等于采样率除以转频。比如转速 1500 rpm 时转频 25 Hz采样率 64000 Hz 时每转 2560 点如果取 10 转窗口长度就是 25600 点约 0.4 秒。代码里这样实现def split_fixed_window(data, win_len, overlap0.5): stride int(win_len * (1 - overlap)) n len(data) if n win_len: return [] starts range(0, n - win_len 1, stride) return np.stack([data[i:i win_len] for i in starts]) rpm 1500 fs config[fs] win_len int(fs * 60 / rpm * config[win_cycles]) # 10 转 windows split_fixed_window(signal, win_len, overlap0.5) print(窗口长度:, win_len, 窗口数量:, windows.shape[0])win_len的计算里fs * 60 / rpm是每转采样点数乘以win_cycles得到总点数。overlap0.5表示相邻窗口重叠 50%这样能成倍增加样本量。重叠率越高样本越多但样本之间的相关性也越强如果后面划分不当训练集和验证集之间会泄露出相似的片段。重叠率的选择要和划分策略配套。如果样本量本来就不够先用 0.5 重叠如果样本量充足用 0 重叠更干净每个窗口都来自信号的不同区间。不管重叠率取多少划分训练集和测试集时都必须保证同一个轴承的所有窗口被分到同一侧这个坑下一节细说。3.3 数据划分按轴承实例分组而不是按信号段随机分这是帕德博恩数据集使用中最容易翻车的地方。一个轴承的信号被切成几百个窗口这些窗口高度相似如果直接按窗口随机划分训练集和测试集同一个轴承的相似片段会同时出现在两侧模型等于提前见过答案测试精度虚高。正确做法是按轴承实例作为分组单位划分让同一个轴承的所有窗口都归入同一侧。from sklearn.model_selection import GroupShuffleSplit # 假设 df_windows 每行是一个窗口样本 # 包含特征矩阵 X、标签 y、所属轴承实例ID group gss GroupShuffleSplit(n_splits1, test_size0.2, random_state42) train_idx, test_idx next( gss.split(df_windows.index, df_windows[label], groupsdf_windows[bearing_id]) ) train_df df_windows.iloc[train_idx] test_df df_windows.iloc[test_idx] print(训练集窗口数:, len(train_df), 测试集窗口数:, len(test_df)) print(训练集轴承数:, train_df[bearing_id].nunique(), 测试集轴承数:, test_df[bearing_id].nunique())GroupShuffleSplit的参数groups传的是每个样本所属的轴承实例 ID划分时保证同一 ID 的所有样本落在同一边。test_size0.2是测试集比例random_state42固定随机种子保证结果可复现。如果数据里包含多种工况只按实例分组还不太够。同一个轴承在两种转速下的信号差异可能比不同轴承在相同转速下的差异还大所以建议先按工况分层再在各工况内部按实例分组。更严格的做法是训练集只放一种工况测试集放另一种工况这叫做跨工况验证能真正反映模型泛化能力后面专门讲。4. 从特征到模型跑通一个故障分类的最小方案4.1 时域特征与频域特征为什么选这些拿到切好的窗口下一步是特征提取。帕德博恩数据集做分类常见做法是提取时域统计特征加频域特征喂给随机森林或 XGBoost就能得到不错的基线。先给出一个可直接用的特征函数from scipy import stats def extract_features(x, fs): feats {} # 时域 feats[rms] np.sqrt(np.mean(x ** 2)) # 有效值反映总体能量 feats[peak] np.max(np.abs(x)) # 峰值反映冲击强度 feats[kurtosis] stats.kurtosis(x) # 峭度对早期故障敏感 feats[crest_factor] feats[peak] / (feats[rms] 1e-12) # 频域 spectrum np.abs(np.fft.rfft(x - x.mean())) / len(x) freq np.fft.rfftfreq(len(x), 1 / fs) feats[spec_centroid] np.sum(freq * spectrum) / (np.sum(spectrum) 1e-12) feats[spec_energy] np.sum(spectrum ** 2) # 常见故障频带能量范围需结合轴承特征频率估算 band (freq 500) (freq 8000) feats[band_energy] np.sum(spectrum[band] ** 2) return feats峭度对轴承早期故障敏感是因为故障冲击会让波形尾部变重四阶矩比二阶矩放大得更快有效值稳定反映整体能量峰度因子则刻画冲击性。频域特征里谱重心描述能量集中在高频还是低频故障越严重重心通常越高特定频带能量则是直接度量故障特征频率附近有多大的调制边带。特征计算的窗口长度保持一致很关键。不同长度窗口做出来的频谱分辨率不一样特征值直接不可比。所以切窗参数一旦定了全流程都不要改否则特征分布会漂移。4.2 随机森林基线代码与参数选择把所有窗口提取成特征矩阵后用随机森林做基线模型。我一般先拿随机森林跑通再决定要不要上深度学习因为树模型训练快、可解释性强还能从特征重要性里反向检查特征是否有效import pandas as pd from sklearn.ensemble import RandomForestClassifier from sklearn.metrics import classification_report, confusion_matrix def build_feature_matrix(window_list, fs): rows [] for w in window_list: rows.append(extract_features(w, fs)) return pd.DataFrame(rows) X build_feature_matrix(train_windows, fs) y train_labels clf RandomForestClassifier( n_estimators300, max_depth12, min_samples_leaf2, random_state42, class_weightbalanced, n_jobs-1 ) clf.fit(X, y) print(classification_report(test_labels, clf.predict(test_X))) print(confusion_matrix(test_labels, clf.predict(test_X)))这里几个参数是按经验定的n_estimators300足够稳定再多收益不大还拖慢速度max_depth12限制单棵树深度防止在小型数据集上过拟合class_weightbalanced是最关键的一项因为人工损伤样本往往远多于真实损伤不平衡会推着模型偏向多数类必须用类别权重纠正。n_jobs-1用满所有 CPU 核数据量不大时几秒就能出结果。跑完先看classification_report而不是准确率数组。重点对比“真实损伤”这类别的召回率如果只有零点几说明模型把真实损伤当成健康或人工损伤了后面调阈值或加特征才有意义。4.3 评估指标要分三类看准确率、召回率与混淆矩阵分类任务里我只把准确率当第一眼概览真正决策看的是每类召回率和混淆矩阵。帕德博恩数据集里人工加工损伤的样本往往特征明显、数量较多模型很容易把人工损伤学到满分但实际现场更关心真实损伤能不能被拦住。漏掉一个真实损伤比多报一个假阳性代价更高。我建议打印整个分类报告后按三个角度检查整体宏平均 F1 是否达到可以接受的水平真实损伤这一类的召回率是否明显低于其他类混淆矩阵里真实损伤被误判成了哪一类。如果被误判成健康说明特征窗口里故障冲击太弱没提取出来如果被误判成人工损伤说明两类故障在所选频带上的特征重叠严重需要加入包络谱或时频图特征。如果真实损伤的召回率不够常见做法有两个一是把分类阈值往真实损伤方向偏移虽然会增加误报但能压低漏检二是单独训练一个“真实损伤 vs 非真实损伤”的二分类器只负责筛选这一种故障。先跑通通用多分类再针对关键类别单独建模是我在这个数据集上做方案的固定顺序。5. 帕德博恩数据集使用避坑5 个典型问题与排查思路5.1 读出来的 mat 文件拿不到信号数组一直在报 KeyError现象loadmat 成功执行了但访问某个字段时直接 KeyError或者打印出来 shape 是 (1,1)取出[0,0]之后仍然不是能直接画图的数组。原因MATLAB 结构体在 Python 里被转换成 numpy 的 void 类型字段不是顶层可直取的另一类是版本整理方式不同信号字段名根本不是网上教程里的那个。解决先打印顶层所有字段名再打印结构体的 dtype.names按实际名字取值。不要直接用代码里的mat[X]改成mat[key]后逐步检查。任何一份教程里的字段名都可能和你的版本不一致时间花在探测结构上最划算。5.2 文件读取后报内存错误或警告异常信息现象用 scipy.io.loadmat 读某个文件时抛出异常或者读出来的数组是空的文件体积明显很大。原因部分版本的 mat 文件采用较新的 HDF5 格式保存scipy 对其支持有限需要换用其他方式读取。解决先看文件扩展名和体积大体积文件优先怀疑是 HDF5 格式。读取时使用h5py这类库读取后注意二维数组的维度是转置的需要做一次转置再进入后续流程。我没有固定推荐某种处理方式关键是识别格式后立刻换工具不要在 scipy 上反复试不同的参数。5.3 训练精度 99%换到其他工况数据上一落千丈现象随机划分训练集测试集时精度很高但把模型放到另一种转速、另一种负载的数据上准确率明显下降。原因数据划分时没有按轴承实例分组同一段信号的不同窗口同时进了训练和测试或者把所有工况混在一起随机划分模型学到的是工况特征而不是故障特征。解决先按轴承实例分组再做跨工况验证训练集只保留某一种转速测试集用另一种转速。如果跨工况掉点严重说明特征里混入了工况信息需要做频带筛选或对信号做包络解调削弱转速相关成分突出故障冲击成分。5.4 分类报告里真实损伤的召回率特别低现象健康类和人工损伤类的指标都很好看但真实损伤类大量被预测成健康召回率只有 30% 到 40%。原因真实损伤来自运行损耗故障特征微弱和健康信号更像同时样本量少在常规训练权重下被多数类淹没。解决打开混淆矩阵确认误判去向然后做三件事对训练样本做类别重加权评估时单独输出真实损伤这一类的召回率必要时单独训练一个真实损伤二分类器。调阈值时注意误报成本不要为了把召回率拉上来把健康样本大量误报。5.5 总表里的文件名和实际 mat 文件对不上标签错位现象整理标签后训练发现同一个文件的信号在重复出现或者某些文件总表里根本没有。原因数据集在多次转手整理过程中文件名编码被重复处理过比如大小写变化、前缀变化、空格或特殊符号被清洗过导致索引对不上。解决不要用文件名做连接键用我在配置文件里维护的物理到逻辑映射先对文件名做标准化再去掉扩展名后对齐总表。对齐后立刻做一次完整性校验总表里有的文件必须存在目录里存在的文件总表里必须能查到两边数量完全一致再进入训练流程。6. 让结果更可信跨工况验证与模型对比的进阶习惯单一工况下跑出来的好精度不代表方案能落地。帕德博恩数据集的价值恰恰在于它天然带有多工况信息所以我会建议在跑通基线后立刻把实验升级成跨工况验证。具体做法是训练集只用某个低转速工况的全部轴承测试集用另一个高转速工况的全部轴承中间不留任何重叠样本。这样得到的指标才是面对新工况时的真实水平。我一般会做三组实验放在一起看同工况随机划分、跨工况验证、跨工况加特征筛选后的结果。同一份数据三个数字的差距能直观说明模型到底是在学故障特征还是在记转速特征。如果跨工况比同工况下降超过十个百分点先回去看特征而不是换模型。很多情况下对信号做包络解调或 Hilbert 变换后取包络谱把高频调制成分解出来跨工况指标就能拉回来一部分。模型对比时也要保持检测习惯。我会把特征基线、1D CNN 基线、时频图加 2D CNN 的结果放在同一套划分、同一个随机种子下跑避免各自用不同的验证方式导致数字不可比。卷积模型在这个数据集上有潜力但数据量不大训练时要注意加早停和数据增强比如对信号加轻微噪声、随机幅度缩放提高鲁棒性。还有一个容易被忽略的分层评估点人工加工损伤和真实损伤不应该混在一栏里看平均指标。人工损伤是人为加工出来的特征强烈真实损伤更贴近现场实际退化这两类对诊断难度的贡献完全不同。我现在拿到这类数据集一定会把真实损伤的单类召回率单独标出来作为方案是否值得投入的硬指标。这个习惯帮我过滤掉了很多纸上谈兵的方案。跨工况验证和分层评估一起做基本能看清这个模型离落地还有多远。我现在接手任何新数据集第一件事仍然先打印字段、再画波形、再定划分这个习惯让我少踩了无数个隐蔽的坑。希望帮到你。本文还有配套的精品资源点击获取