4、轴承故障数据集：公开数据集（如CWRU、IMS）介绍、数据采集方式、标签体系与数据划分原则

在TinyML机械故障诊断的工程落地中，数据集的质量与划分策略直接决定了端侧模型的性能上限。轴承故障识别任务与通用图像分类不同，其数据本质是一维时序振动信号，且故障特征往往被强背景噪声、转速波动和负载变化所掩盖。本章将系统梳理轴承故障诊断领域最常用的两大公开数据集——美国凯斯西储大学（CWRU）轴承数据集与美国IMS轴承退化数据集，从采集装置、工况设置、标签体系到数据划分原则进行逐层拆解，并给出面向TinyML端侧部署的数据准备建议。

上图展示了从公开数据源到端侧部署的完整工程链路。在实际TinyML项目中，数据准备往往占据整个开发周期60%以上的时间，而数据划分策略的合理性直接决定了模型在真实工况下的泛化能力。下面我们将从数据集细节、采集原理、标签体系与划分原则四个维度展开。

4.1 CWRU轴承数据集：故障诊断的“MNIST”基准

核心原理：CWRU数据集由美国凯斯西储大学轴承数据中心发布，是全球应用最广泛的滚动轴承故障诊断基准数据集。实验平台由2HP（1.5kW）三相感应电机、扭矩传感器、测功机和功率计组成，测试轴承为SKF 6205-2RS JEM深沟球轴承。故障由电火花加工（EDM）在轴承内圈、外圈、滚动体上人为制造，损伤直径分别为0.007英寸、0.014英寸、0.021英寸（约0.18mm、0.36mm、0.53mm）。

数据采集方式：振动信号通过加速度计采集，加速度计安装在电机驱动端和风扇端的壳体上。采样频率包括12kHz和48kHz两种，驱动端轴承故障数据主要在12kHz采样率下采集，而48kHz采样率用于高速工况。每个样本包含约120,000个采样点（约10秒时长），同时记录电机负载（0至3马力）和近似转速（1797至1720 RPM）。

参数项	CWRU数据集	IMS数据集
轴承型号	SKF 6205-2RS JEM	Rexnord ZA-2115
故障类型	内圈、外圈、滚动体、正常	内圈、外圈、滚动体、保持架
故障注入方式	EDM电火花加工	自然退化（全寿命周期）
采样率	12kHz / 48kHz	20kHz
负载工况	0~3HP（4档）	恒定2000RPM，6000磅径向载荷
数据性质	稳态故障（人为制造）	退化过程（自然磨损）
适用场景	故障分类、迁移学习	剩余寿命预测、退化趋势分析

4.2 IMS轴承退化数据集：全寿命周期退化轨迹

核心原理：IMS（Intelligent Maintenance Systems）数据集由美国辛辛那提大学IMS中心发布，其核心价值在于记录了轴承从健康状态到完全失效的全寿命周期振动信号。实验使用Rexnord ZA-2115双列滚子轴承，在2000RPM恒定转速和6000磅径向载荷下运行，直至轴承出现明显故障。整个实验分为三组，每组包含4个轴承，采样频率为20kHz，每10分钟记录一次20480个采样点（约1.024秒）的数据。

数据采集方式与标签体系：IMS数据集的标签并非简单的“正常/故障”二分类，而是包含退化阶段的概念。在实验结束时，通过事后拆解分析确定每个轴承的具体故障位置（内圈、外圈、滚动体、保持架）。由于是自然退化，故障程度是渐进的，因此标签体系需要结合时间戳来定义退化阶段。常用的标签划分方式包括：

• 二分类标签：健康（前80%寿命）与故障（后20%寿命）
• 三分类标签：健康、早期退化、严重退化
• 回归标签：剩余使用寿命（RUL）百分比

与CWRU的对比：CWRU适合故障类型识别，IMS适合退化趋势预测。在TinyML场景中，如果目标是“判断轴承是否即将失效”，IMS数据集更贴近实际；如果目标是“区分具体故障类型”，CWRU更合适。

4.3 标签体系设计：从粗粒度到细粒度

轴承故障标签体系的设计直接影响模型的学习目标和端侧推理的决策逻辑。在TinyML场景中，由于端侧算力和存储有限，标签体系需要在诊断精度与模型复杂度之间取得平衡。

标签层级划分：

1. L1级（设备级）：正常 / 异常。适用于快速筛查，模型输出为二分类，端侧仅需一个阈值判断。
2. L2级（部件级）：正常 / 内圈故障 / 外圈故障 / 滚动体故障。这是最常用的分类粒度，CWRU数据集即采用此体系。
3. L3级（损伤程度级）：在L2基础上增加损伤直径（如0.007英寸、0.014英寸、0.021英寸），形成多标签分类。该粒度需要更大的模型容量，端侧部署时需谨慎。
4. L4级（退化阶段级）：健康 / 早期退化 / 中期退化 / 严重退化。适用于预测性维护场景，通常结合回归模型。

标签体系选择建议：对于TinyML端侧部署，推荐使用L2级标签体系。L1级过于粗糙，无法指导维修；L3级和L4级需要更复杂的模型结构，可能导致端侧推理延迟超标。实际项目中，可先使用L2级模型进行故障定位，再结合振动幅值阈值判断损伤程度。

4.4 数据划分原则：避免数据泄漏与域偏移

数据划分是TinyML模型评估中最容易出错、也最影响模型真实性能的环节。轴承振动数据具有时间连续性和工况相关性，若划分不当，会导致模型在实验室测试中表现优异，但在实际部署时性能骤降。

核心划分原则：

• 按时间顺序划分：对于IMS这类退化数据，必须按时间先后划分训练集（前70%）、验证集（中间15%）、测试集（最后15%）。随机打乱划分会导致模型“记住”退化趋势，而非学习故障特征。
• 按工况划分：对于CWRU这类多工况数据，训练集和测试集应来自不同负载条件。例如，使用0HP和1HP数据训练，用2HP和3HP数据测试，以验证模型的工况泛化能力。
• 按轴承个体划分：同一型号的不同轴承个体存在制造差异，训练集和测试集应包含不同的轴承个体，避免模型“记住”特定轴承的振动特征。
• 样本切分策略：将连续振动信号切分为固定长度样本时，训练集和测试集的样本不能来自同一段连续信号。通常采用“不重叠滑窗”或“间隔滑窗”策略，确保训练集和测试集样本之间至少间隔一个窗口长度。

4.5 案例拆解：基于CWRU的TinyML轴承故障分类器数据准备

项目背景：某工业物联网公司计划在振动传感器节点上部署轴承故障分类模型，传感器采用ARM Cortex-M4内核MCU，主频80MHz，RAM 64KB，Flash 256KB。目标是在保持90%以上分类准确率的前提下，实现单次推理时间小于50ms。

初始数据情况：选用CWRU数据集驱动端12kHz采样率数据，包含正常、内圈故障、外圈故障、滚动体故障四类，每类包含0.007英寸、0.014英寸、0.021英寸三种损伤直径，以及0HP、1HP、2HP、3HP四种负载工况。

数据准备步骤：

1. 数据筛选：仅保留驱动端加速度计数据，排除风扇端数据（减少传感器位置差异带来的干扰）。
2. 样本切分：每个原始文件包含约120,000个采样点，采用滑窗切分，窗口长度1024点（约85ms），步长512点（50%重叠），每个文件生成约234个样本。
3. 工况划分：将0HP和1HP数据作为训练集（约70%），2HP数据作为验证集（约15%），3HP数据作为测试集（约15%）。确保测试集工况完全未参与训练。
4. 标签映射：将四类故障映射为0~3的整数标签，同时记录损伤直径作为辅助信息（不参与分类训练）。
5. 数据归一化：对每个样本独立进行z-score归一化，避免不同负载下振动幅值差异影响模型。

结果对比：采用相同的一维CNN模型（3层卷积+2层全连接），随机划分方式下测试准确率为97.2%，而按工况划分方式下测试准确率为91.8%。虽然准确率有所下降，但按工况划分的模型在真实部署中表现更稳定，因为实际工况往往与训练工况不同。

复盘经验：数据划分策略的选择应基于部署场景。如果目标设备工况固定（如恒速恒载），可以采用随机划分；如果目标设备工况多变，必须采用按工况划分。此外，TinyML模型对输入长度敏感，1024点窗口在Cortex-M4上执行FFT或卷积运算时，需评估计算量是否满足实时性要求。

4.6 常见误区与总结复盘

误区一：忽视数据泄漏。在时间序列数据中，随机打乱划分是最常见的错误。轴承振动信号具有强自相关性，相邻窗口的样本几乎相同，随机划分会导致模型“记住”训练样本，测试准确率虚高。

误区二：标签粒度选择不当。在TinyML端侧，过细的标签粒度（如L3级）会导致模型参数量激增，超出MCU的Flash和RAM限制。建议优先使用L2级标签，必要时通过后处理逻辑（如阈值判断）扩展损伤程度信息。

误区三：忽略工况归一化。不同负载下振动幅值差异显著，若不进行归一化，模型会倾向于学习幅值特征而非频率特征。建议对每个样本独立归一化，或采用带通滤波突出故障特征频率。

误区四：训练集与测试集重叠。在IMS退化数据中，若训练集和测试集来自同一轴承的不同时间段，模型可能学习到退化趋势而非故障特征。正确做法是使用不同轴承个体进行划分。

总结：轴承故障数据集的选择与划分是TinyML端侧诊断系统成败的关键前置环节。CWRU数据集适合故障类型识别，IMS数据集适合退化趋势预测。在数据划分时，应遵循“按工况划分、按个体划分、按时间顺序划分”三大原则，避免数据泄漏。标签体系建议采用L2级（部件级）分类，兼顾诊断精度与端侧资源约束。最终，数据准备的质量直接决定了端侧模型在真实工业环境中的泛化能力，值得投入充足的时间与精力。