简介这份齿轮箱故障数据集面向机械故障诊断与预测性维护方向的工程师、科研人员及数据科学学习者可用于振动信号分析、故障模式识别及机器学习建模实践。压缩包共15个文件大小约5.91MB包含MAT格式原始信号数据、振动/频谱/时域波形PNG图、数据处理与振动分析Python脚本、CSV工况参数表、配套PDF文献及TXT数据解读说明类型覆盖从原始数据到可视化结果与代码复现的完整链条。数据集涵盖无故障、齿面崩裂、三齿磨损等典型工况并标注转速、齿数及啮合频率校准信息如1420rpm主动轴15齿、从动轮110齿、实测啮合频率约365Hz便于开展特征工程、时间序列分析与故障分类模型训练。已有843人学习本资源适合用于课程设计、科研对比或工业设备健康管理方案验证。1. 齿轮箱故障数据.zip一次“能下载却跑不出结果”的落差做设备故障诊断的人几乎都经历过这个场景在某个公开数据集页面找到“齿轮箱故障数据.zip”下载、解压、看到一堆.txt或.dat文件以为离训练模型只差一步。结果第一个脚本就把你卡住了——文件读出来长度对不上采样率标签和文件名对不上好不容易跑通一个模型验证精度却低得让人怀疑数据本身有问题。这个 zip 不是稀缺资源真正的门槛在于数据盘面怎么解析、工况参数怎么归一化、故障标签怎么映射到模型输出。这篇笔记会把这个数据集从解压到训练的全流程拆开讲适合正在做故障诊断入门、毕业设计或者设备健康管理预研的工程师和研究生。定位是“照着做能跑通”不是泛泛介绍。2. 数据盘面摸底传感器通道、工况参数与标签映射2.1 常见盘面结构说明书、数据文件与属性表公开的齿轮箱故障数据集比如高校或国家实验室发布的版本解压之后常见盘面是一份description.txt或 PDF 说明、若干按工况或故障类型分组的原始数据文件、一个属性表或标注文件。不同发布方命名差异很大但核心信息是固定的采样率、传感器通道数、故障模式代号、工况参数输入转速、负载扭矩。先把这三样找齐再动代码。我一般会先做一次“只读摸底”——不开任何深度学习框架用 Python 写一个 30 行的脚本把目录结构、文件大小、扩展名列出来。这一步不是为了写正式代码而是为了确认两件事第一文件是纯文本还是二进制第二文件大小是否暗示了固定的数据长度。很多版本的数据文件是float64或float32的二进制裸数据没有文件头文件名本身就承载了全部元信息。import os from pathlib import Path data_root Path(./gearbox_data) for root, dirs, files in os.walk(data_root): for fname in sorted(files): full Path(root) / fname size full.stat().st_size print(f{size:12,} {full.relative_to(data_root)})这段代码的作用是把整个数据集的“体积地图”打出来。如果同一组文件的字节数完全相同说明每条样本是定长的二进制记录直接fromfile就能解析如果大小参差不齐大概率是文本格式每行代表一个采样时刻。拿到这张表之后再和description.txt里的采样率做一次乘法验算文件字节数 ÷通道数 × 每样本字节数÷ 采样率 秒数。算出来的秒数如果是整数说明盘面干净如果出现小数说明文件尾部有额外字段或换行符混入后面解析时要留个心眼。2.2 工况参数为什么比故障模式更影响建模很多初学者把注意力全放在“正常、齿根裂纹、齿面磨损、断齿”这类标签上却忽略了同一故障在不同转速和负载下的振动特征差异巨大。公开数据集的常见工况有两组输入转速比如 880 rpm 和 1750 rpm和两组负载扭矩0 Nm 和 12 Nm组合出四到八个工况子集。同一个齿根裂纹样本在 880 rpm 下转频约 14.7 Hz啮合频率约 294 Hz单级齿轮副 20 齿左右在 1750 rpm 下转频约 29.2 Hz啮合频率约 583 Hz。如果你把两个工况的数据直接混在一起训练网络会去学转速差异而不是故障差异——这是验证精度虚高的最常见原因之一。这里的工程决策是要么按工况分组分别训练模型要么把转速值或转频作为额外输入特征喂给网络。分组训练的好处是简单可靠坏处是数据量被切成几块小样本问题更突出带工况输入的方案能统一建模但推理时你得知道设备当前转速这在工业现场不一定拿得到。我做预研时会先跑“单工况小模型”确认数据本身可学再做跨工况泛化实验。另一个坑是负载扭矩。扭矩变化会改变齿轮啮合刚度激励振动幅值和频谱分布都会变。很多数据集把扭矩作为文件名的一部分比如880_0_Chipped这样的命名规则含义是“转速 880、扭矩 0、故障类型 Chipped”。解析文件名时直接按分隔符_拆字段就行但一定要确认分隔符是下划线还是空格不同发布方的习惯不一样。3. 从 zip 到 numpy 数组解析代码与第一个可用 batch3.1 二进制裸数据读取dtype 与长度校验假设你手里的版本是二进制裸数据文件每通道按固定采样率连续采集采样率 20 kHz通道数 4驱动端、非驱动端加速度计加上转速计等。读取的核心是numpy.fromfile但 dtype 必须先从说明文档里确认。常见的是float64也有float32用错 dtype 读出来的数据会完全错乱而且不会报错——这是最阴险的地方。import numpy as np fs 20000 # 采样率单位 Hz来自说明文档 num_channels 4 # 传感器通道数来自说明文档 dtype np.float64 # 二进制格式来自说明文档 raw np.fromfile(./gearbox_data/880_0_Chipped.dat, dtypedtype) total_samples raw.size // num_channels raw raw[:total_samples * num_channels].reshape(total_samples, num_channels) print(f原始点数: {raw.shape[0]}, 时长: {raw.shape[0] / fs:.2f} 秒) print(f通道数校验: {raw.shape[1] num_channels})这段代码做了两件事先用整除把多余字节砍掉再按通道数重组二维数组。逻辑说明fromfile会把整个文件读成一维数组文件大小不一定恰好是通道数的整数倍因为有文件尾残留先整除再切片能避免reshape报错。参数说明fs和num_channels必须来自数据说明不要靠猜。如果打印出来的时长是个带多位小数的数比如 4.983 秒说明文件里有非数据内容混入这时候要检查文件尾部还是头部是否有描述信息。3.2 重采样与帧切分让样本进入可训练形态原始数据是连续长序列不能直接喂给模型。常见做法是按固定帧长切分比如每帧 1024 或 2048 点。帧长选择有一个权衡帧太短256 点频率分辨率只有 78 Hz20 kHz / 256齿面磨损这类低频调制特征会被抹掉帧太长8192 点样本数变少且假设了片段内工况恒定。我一般从 2048 点起步对应约 0.1 秒频率分辨率约 9.8 Hz能看清转频及其谐波样本数量也够训练。frame_len 2048 stride 1024 # 重叠率 50%做数据增强 frames [] for start in range(0, raw.shape[0] - frame_len 1, stride): frames.append(raw[start:start frame_len, :]) frames np.stack(frames) print(f帧形状: {frames.shape}, 样本数: {frames.shape[0]})参数说明stride frame_len // 2是常见设置让相邻帧有 50% 重叠既增加样本量又不让帧之间完全独立。如果你的分类任务里样本数已经过万可以不重叠直接切如果只有几千帧重叠是划算的数据增强。帧切完之后每个样本的形状是(2048, 4)四列对应四个通道。有些模型只吃单通道或融合后的特征这时候可以在帧切分之后做通道选择而不是之前。3.3 标签编码从文件名到 one-hot 的映射逻辑标签映射是整个流程里最容易出错的一环。数据集里的故障类型通常是字符串Healthy、Chipped、Tooth_Broken、Worn或者其中文拼音。你要做的不是直接给这些字符串编号而是先确认故障类型和文件名的对应关系有没有二义性。比如同一个故障类型出现在多个工况子目录里那么标签应该是“故障类型”还是“故障类型工况”如果是前者两个不同工况下同一故障的样本会被归为一类模型的判别难度更高但也更接近工业现场的实际情况。label_map { Healthy: 0, Chipped: 1, Tooth_Broken: 2, Worn: 3, } def parse_label(fname: str) - int: parts fname.stem.split(_) # 文件名示例: 880_0_Chipped fault_name parts[-1] if fault_name not in label_map: raise ValueError(f未知故障类型: {fault_name}) return label_map[fault_name]这段脚本不作任何智能推断只做显式映射——未知类型直接抛异常。逻辑说明split(_)的取最后一段是假设故障类型总是最后一个字段如果你的数据文件名是880_Chipped_0.dat这段代码就会错。所以更稳妥的做法是先打印所有文件名的stem字段人工确认结构再写解析函数。参数说明label_map的字典顺序会影响 one-hot 编码的列顺序训练和推理时要用同一份映射表建议把它存成 JSON 文件而不是每次运行重新定义。4. 故障特征怎么用时域统计量、边频带与“无名标签”处理4.1 时域统计量均值、峰值、峭度能告诉你什么齿轮故障在时域上的表现很直白齿面磨损会让振动幅值整体上升齿根裂纹会在每次啮合时产生冲击脉冲断齿的冲击更剧烈但可能更稀疏。常用的时域特征包括 RMS均方根值、峰值、峰值因子和峭度。峭度对冲击类故障最敏感健康齿轮的振动接近高斯分布峭度接近 3出现局部冲击时峭度会显著升高。def time_domain_features(x: np.ndarray) - np.ndarray: x x.astype(np.float64) rms np.sqrt(np.mean(x ** 2, axis-1)) peak np.max(np.abs(x), axis-1) crest peak / (rms 1e-12) kurt np.mean((x - np.mean(x, axis-1, keepdimsTrue)) ** 4, axis-1) kurt kurt / (np.std(x, axis-1) ** 4 1e-12) - 3.0 return np.stack([rms, peak, crest, kurt], axis-1)这段代码一次算出四个特征输出维度是(样本数, 4)可以直接拼进后续分类器。注意eps1e-12是防止 RMS 为零时除以零实际齿轮箱振动数据不会出现零 RMS但代码要守住边界。峭度的-3.0是让健康数据的峭度归零这是行业惯例便于对比。特征维度远低于原始波形训练速度会快两个数量级但代价是丢掉频谱细节。时域特征适合做故障的初步筛选和报警阈值设定不适合做细粒度故障类型识别。比如齿根裂纹和断齿都可能出现冲击脉冲峭度都偏高仅靠时域特征区分不了。4.2 频域视角FFT、边频带和啮合频率的关系齿轮箱振动频谱的基础是啮合频率及其谐波。单级齿轮箱的啮合频率是转频乘以齿数常见的是 20 齿上下所以 1750 rpm 下啮合频率约 583 Hz。故障齿轮的频谱会在啮合频率两侧出现边频带间隔等于转频——这是判断齿轮局部故障比如裂纹、断齿最经典的判据。齿面磨损这类分布型故障让啮合频率幅值整体抬升但边频带不一定明显。一段好的 FFT 分析不能只看幅值谱要看边频带的调制结构。from scipy.fft import rfft, rfftfreq def spectrum_features(x: np.ndarray, fs: int) - np.ndarray: n x.shape[-1] fft_vals np.abs(rfft(x - np.mean(x, axis-1, keepdimsTrue))) / n freqs rfftfreq(n, d1.0 / fs) return freqs, fft_vals freqs, mag spectrum_features(frames[0, :, 0], fs) mesh_freq 583.0 # 由转频与齿数计算 idx np.argmin(np.abs(freqs - mesh_freq)) print(f啮合频率附近幅值: {mag[max(0, idx-5):idx6]})这段代码先做去直流再计算单边幅值谱。/ n归一化让幅值不随帧长漂移不同长度帧算出来的幅值才有可比性。rfft只算正频率部分采样率 20 kHz、帧长 2048 时输出 1025 个频点。打印啮合频率附近的 11 个频点能直观看到幅值是否出现对称的边频带。如果你在mesh_freq ± 14.7 Hz处看到明显的成对谱峰裂纹或断齿的概率很大如果只是在啮合频率处整体抬升更可能是磨损。4.3 “无名标签”怎么处理先分离再定性部分公开数据集里会出现一个很尴尬的文件组——标签是未知的或者论文里没有明确描述。常见版本中有一个“无名故障”类别文件命名可能是Unknown或Unidentified实际是什么故障发布方没有给出权威结论。处理这类数据的行业惯例是先把它们单独拎出来不要硬塞进四个已知类别里。如果你把Unknown当成第五类训练模型会学到一组“不属于其他四类”的特征这个类别的内聚性差推理时遇到新的未知故障大概率被分进来反而让模型变得不可信。我一般这样处理训练阶段只用四个已知标签把Unknown样本留作异常检测的测试集。训练一个四分类模型后用未知故障样本做前向推理观察模型的 softmax 输出是否有低置信度的样本聚集现象。如果Unknown样本在四个类别上均匀低置信度说明它真的是未知模式如果集中被分到某个类别说明它的特征和该故障类有重叠值得回头细看频谱。# 推理阶段观察未知样本的置信度分布 probs model.predict(unknown_frames) # 形状 (N, 4) max_probs np.max(probs, axis1) uncertain_mask max_probs 0.6 print(f未知样本数: {len(max_probs)}) print(f低置信度占比: {uncertain_mask.mean():.2%})阈值0.6是经验值不是硬标准。如果你的训练精度在 95% 以上正常样本的置信度通常会超过 0.9那 0.6 已经是很保守的分界线。如果正常测试样本的置信度也普遍低于 0.6说明模型本身没训练好这个阈值要重新校准。5. 整理成训练集的常见问题伪加密、中文编码与工况泄露5.1 zip 解压失败伪加密、EOCD 缺失与损坏包解压 zip 是第一步但这一步就能卡住很多人。最常见的情况是文件下载到一半断了zip 包没有结束标记EOCD解压工具报could not find EOCD另一种是伪加密——文件头标记了加密位但没有实际加密内容Windows 自带解压会直接要求输密码而命令行工具有时能直接解开。伪加密的检测手段很简单用 Python 的zipfile模块打开时传pwdb试一次如果传空密码能读出文件列表说明是伪加密。真正的解决方式是重新下载完整包不要用“修复”工具硬修修复出来的数据可能缺文件。如果下载源只有一份且反复损坏检查一下是不是浏览器插件或下载工具在拦截.zip后缀换一个下载工具或换个网络环境重下。unzip -O GBK gearbox_data.zip -d ./gearbox_data-O GBK这个参数是处理 zip 内中文文件名乱码的关键。很多数据集是中文环境打包的直接用unzip解压会得到乱码文件名之后解析代码按文件名匹配标签时会全部失效。-O指定的是 zip 内部编码的字符集如果你的系统默认 UTF-8但包内是 GBK就必须显式指定。注意这是 Linux 命令行的写法Windows 下可以用 7-Zip 设置“文件名编码”为 GBK 后解压。5.2 工况泄露数据切分时最常见的“隐形错误”把同一个连续采集文件切成帧后直接随机划分训练集和测试集这是最危险的错误。原因在于相邻帧之间高度相关时间上只隔了 0.05 秒振动特征几乎没有变化。如果同一条连续记录的帧既出现在训练集又出现在测试集验证精度会虚高模型在跨工况或跨设备场景下会明显退化。按设备或按文件划分是正确的做法。import numpy as np # 假设 file_names 是所有原始文件的路径列表每个文件对应一次独立采集 file_ids np.array([i for i, _ in enumerate(file_names)]) train_files, test_files train_test_split( file_ids, test_size0.3, random_state42, stratifyfile_labels # 按故障标签分层保证每类在测试集都有样本 ) train_mask np.isin(file_id_per_frame, train_files) test_mask np.isin(file_id_per_frame, test_files) X_train, y_train frames[train_mask], labels[train_mask] X_test, y_test frames[test_mask], labels[test_mask]逻辑说明file_id_per_frame是每个帧所属的原始文件编号切分依据是文件而不是帧。这样训练集和测试集之间没有任何时间重叠。stratifyfile_labels保证每个故障类在训练集和测试集中的比例一致避免某个类别全被分到测试集导致训练不足。随机种子42是惯例但如果你要做多组对比实验固定这个值才能保证结果可复现。5.3 中文注释陷阱Python 源码里的编码问题写解析脚本时注释和字符串里尽量别用中文——不是技术洁癖而是 Windows 下 Python 的默认编码在不同版本间不一致源码文件用 UTF-8 保存但运行时如果PYTHONUTF8环境变量没设置中文字符串比较可能出问题。文件名里的中文比如正常.txt用path.stem拿到的字符串和代码里写死的正常在编码正确时相等但一旦解压时用了错误的编码两边就不会匹配。我踩过的坑是解压时没有指定编码文件名变成一串乱码姝‘鍒?txt我把这段乱码直接复制到代码里做匹配运行是能跑的但可读性极差而且换一台机器后再解压一次乱码可能变成另一串。正确做法是解压后立刻重命名文件为标准英文命名从源头消灭乱码问题。unzip -O GBK gearbox_data.zip -d ./tmp cd ./tmp for f in *.txt; do mv $f $(echo $f | iconv -f GBK -t UTF-8) done这段脚本用iconv把文件名从 GBK 转成 UTF-8然后用mv重命名。for f in *.txt只处理当前目录的文本文件如果你的数据是.dat或.csv把通配符改掉。重命名之后再写一个把文件名映射到标签的脚本此时不需要依赖 Python 的编码处理能力OS 层的文件名就是 UTF-8所有工具都能正确识别。6. 用短时傅里叶变换给数据做“体检”一小时确认数据能不能用拿到新解压的数据集先别急着训练先用短时傅里叶变换STFT做一次快速体检。为什么选 STFT 而不是直接看 FFT因为齿轮箱的工况是非平稳的转速波动、负载变化都会让频谱随时间漂移STFT 能看到“频率成分随时间的变化”一眼就能发现数据是否断流、通道是否损坏、冲击事件是否存在。from scipy.signal import stft f, t, Zxx stft( raw[:fs * 10, 0], # 取前 10 秒的驱动端信号 fsfs, nperseg1024, noverlap512, windowhann ) # 绘制二维频谱图检查 0-2 kHz 范围内的能量分布 plt.figure(figsize(12, 4)) plt.pcolormesh(t, f, np.abs(Zxx), shadinggouraud, cmapviridis) plt.ylim(0, 2000) plt.xlabel(时间 (s)) plt.ylabel(频率 (Hz)) plt.colorbar(label幅值) plt.show()参数说明nperseg1024对应 51.2 ms 的时间窗频率分辨率约 19.5 Hznoverlap512是 50% 重叠让时间轴更平滑。ylim(0, 2000)把视野放在主要故障特征所在的低频段齿轮箱的啮合频率和边频带通常在 1 kHz 以内。如果图上出现横向的亮色条带说明有持续的窄带振动如果出现竖向的短线说明是瞬态冲击。健康的时频谱图应该是均匀分布的底色故障信号会在这层底色上叠加异常成分。我习惯按“每个故障类型抽一个文件、画一张 STFT 图、肉眼扫一遍”的流程来做体检。正常类别的图如果出现明显的周期性冲击说明这个“正常”样本可能有问题断齿类别的图如果和健康类别看不出区别说明要么标签打错了要么这段数据的采集当时确实没捕捉到故障特征。这一步不需要任何模型半小时到一小时就能做完但它能帮你避开后面几天甚至一周的无效训练。如果你发现 STFT 图里某个通道的信号一直是平的也就是没有任何振动幅值这个通道大概率是传感器故障或采集通道断开。此时不要直接把该通道剔除先确认是“数据记录问题”还是“设备真实无振动”——齿轮箱只要有转动驱动端的振动不可能是平的。遇到这种情况按前面的帧切分逻辑不用改但在特征提取阶段把该通道剔除否则模型会学到“某通道恒为零”这种无意义模式。希望这篇笔记能帮你把 gearbox_data 这件事做顺少走几次弯路。本文还有配套的精品资源点击获取
简介这份齿轮箱故障数据集面向机械故障诊断与预测性维护方向的工程师、科研人员及数据科学学习者可用于振动信号分析、故障模式识别及机器学习建模实践。压缩包共15个文件大小约5.91MB包含MAT格式原始信号数据、振动/频谱/时域波形PNG图、数据处理与振动分析Python脚本、CSV工况参数表、配套PDF文献及TXT数据解读说明类型覆盖从原始数据到可视化结果与代码复现的完整链条。数据集涵盖无故障、齿面崩裂、三齿磨损等典型工况并标注转速、齿数及啮合频率校准信息如1420rpm主动轴15齿、从动轮110齿、实测啮合频率约365Hz便于开展特征工程、时间序列分析与故障分类模型训练。已有843人学习本资源适合用于课程设计、科研对比或工业设备健康管理方案验证。1. 齿轮箱故障数据.zip一次“能下载却跑不出结果”的落差做设备故障诊断的人几乎都经历过这个场景在某个公开数据集页面找到“齿轮箱故障数据.zip”下载、解压、看到一堆.txt或.dat文件以为离训练模型只差一步。结果第一个脚本就把你卡住了——文件读出来长度对不上采样率标签和文件名对不上好不容易跑通一个模型验证精度却低得让人怀疑数据本身有问题。这个 zip 不是稀缺资源真正的门槛在于数据盘面怎么解析、工况参数怎么归一化、故障标签怎么映射到模型输出。这篇笔记会把这个数据集从解压到训练的全流程拆开讲适合正在做故障诊断入门、毕业设计或者设备健康管理预研的工程师和研究生。定位是“照着做能跑通”不是泛泛介绍。2. 数据盘面摸底传感器通道、工况参数与标签映射2.1 常见盘面结构说明书、数据文件与属性表公开的齿轮箱故障数据集比如高校或国家实验室发布的版本解压之后常见盘面是一份description.txt或 PDF 说明、若干按工况或故障类型分组的原始数据文件、一个属性表或标注文件。不同发布方命名差异很大但核心信息是固定的采样率、传感器通道数、故障模式代号、工况参数输入转速、负载扭矩。先把这三样找齐再动代码。我一般会先做一次“只读摸底”——不开任何深度学习框架用 Python 写一个 30 行的脚本把目录结构、文件大小、扩展名列出来。这一步不是为了写正式代码而是为了确认两件事第一文件是纯文本还是二进制第二文件大小是否暗示了固定的数据长度。很多版本的数据文件是float64或float32的二进制裸数据没有文件头文件名本身就承载了全部元信息。import os from pathlib import Path data_root Path(./gearbox_data) for root, dirs, files in os.walk(data_root): for fname in sorted(files): full Path(root) / fname size full.stat().st_size print(f{size:12,} {full.relative_to(data_root)})这段代码的作用是把整个数据集的“体积地图”打出来。如果同一组文件的字节数完全相同说明每条样本是定长的二进制记录直接fromfile就能解析如果大小参差不齐大概率是文本格式每行代表一个采样时刻。拿到这张表之后再和description.txt里的采样率做一次乘法验算文件字节数 ÷通道数 × 每样本字节数÷ 采样率 秒数。算出来的秒数如果是整数说明盘面干净如果出现小数说明文件尾部有额外字段或换行符混入后面解析时要留个心眼。2.2 工况参数为什么比故障模式更影响建模很多初学者把注意力全放在“正常、齿根裂纹、齿面磨损、断齿”这类标签上却忽略了同一故障在不同转速和负载下的振动特征差异巨大。公开数据集的常见工况有两组输入转速比如 880 rpm 和 1750 rpm和两组负载扭矩0 Nm 和 12 Nm组合出四到八个工况子集。同一个齿根裂纹样本在 880 rpm 下转频约 14.7 Hz啮合频率约 294 Hz单级齿轮副 20 齿左右在 1750 rpm 下转频约 29.2 Hz啮合频率约 583 Hz。如果你把两个工况的数据直接混在一起训练网络会去学转速差异而不是故障差异——这是验证精度虚高的最常见原因之一。这里的工程决策是要么按工况分组分别训练模型要么把转速值或转频作为额外输入特征喂给网络。分组训练的好处是简单可靠坏处是数据量被切成几块小样本问题更突出带工况输入的方案能统一建模但推理时你得知道设备当前转速这在工业现场不一定拿得到。我做预研时会先跑“单工况小模型”确认数据本身可学再做跨工况泛化实验。另一个坑是负载扭矩。扭矩变化会改变齿轮啮合刚度激励振动幅值和频谱分布都会变。很多数据集把扭矩作为文件名的一部分比如880_0_Chipped这样的命名规则含义是“转速 880、扭矩 0、故障类型 Chipped”。解析文件名时直接按分隔符_拆字段就行但一定要确认分隔符是下划线还是空格不同发布方的习惯不一样。3. 从 zip 到 numpy 数组解析代码与第一个可用 batch3.1 二进制裸数据读取dtype 与长度校验假设你手里的版本是二进制裸数据文件每通道按固定采样率连续采集采样率 20 kHz通道数 4驱动端、非驱动端加速度计加上转速计等。读取的核心是numpy.fromfile但 dtype 必须先从说明文档里确认。常见的是float64也有float32用错 dtype 读出来的数据会完全错乱而且不会报错——这是最阴险的地方。import numpy as np fs 20000 # 采样率单位 Hz来自说明文档 num_channels 4 # 传感器通道数来自说明文档 dtype np.float64 # 二进制格式来自说明文档 raw np.fromfile(./gearbox_data/880_0_Chipped.dat, dtypedtype) total_samples raw.size // num_channels raw raw[:total_samples * num_channels].reshape(total_samples, num_channels) print(f原始点数: {raw.shape[0]}, 时长: {raw.shape[0] / fs:.2f} 秒) print(f通道数校验: {raw.shape[1] num_channels})这段代码做了两件事先用整除把多余字节砍掉再按通道数重组二维数组。逻辑说明fromfile会把整个文件读成一维数组文件大小不一定恰好是通道数的整数倍因为有文件尾残留先整除再切片能避免reshape报错。参数说明fs和num_channels必须来自数据说明不要靠猜。如果打印出来的时长是个带多位小数的数比如 4.983 秒说明文件里有非数据内容混入这时候要检查文件尾部还是头部是否有描述信息。3.2 重采样与帧切分让样本进入可训练形态原始数据是连续长序列不能直接喂给模型。常见做法是按固定帧长切分比如每帧 1024 或 2048 点。帧长选择有一个权衡帧太短256 点频率分辨率只有 78 Hz20 kHz / 256齿面磨损这类低频调制特征会被抹掉帧太长8192 点样本数变少且假设了片段内工况恒定。我一般从 2048 点起步对应约 0.1 秒频率分辨率约 9.8 Hz能看清转频及其谐波样本数量也够训练。frame_len 2048 stride 1024 # 重叠率 50%做数据增强 frames [] for start in range(0, raw.shape[0] - frame_len 1, stride): frames.append(raw[start:start frame_len, :]) frames np.stack(frames) print(f帧形状: {frames.shape}, 样本数: {frames.shape[0]})参数说明stride frame_len // 2是常见设置让相邻帧有 50% 重叠既增加样本量又不让帧之间完全独立。如果你的分类任务里样本数已经过万可以不重叠直接切如果只有几千帧重叠是划算的数据增强。帧切完之后每个样本的形状是(2048, 4)四列对应四个通道。有些模型只吃单通道或融合后的特征这时候可以在帧切分之后做通道选择而不是之前。3.3 标签编码从文件名到 one-hot 的映射逻辑标签映射是整个流程里最容易出错的一环。数据集里的故障类型通常是字符串Healthy、Chipped、Tooth_Broken、Worn或者其中文拼音。你要做的不是直接给这些字符串编号而是先确认故障类型和文件名的对应关系有没有二义性。比如同一个故障类型出现在多个工况子目录里那么标签应该是“故障类型”还是“故障类型工况”如果是前者两个不同工况下同一故障的样本会被归为一类模型的判别难度更高但也更接近工业现场的实际情况。label_map { Healthy: 0, Chipped: 1, Tooth_Broken: 2, Worn: 3, } def parse_label(fname: str) - int: parts fname.stem.split(_) # 文件名示例: 880_0_Chipped fault_name parts[-1] if fault_name not in label_map: raise ValueError(f未知故障类型: {fault_name}) return label_map[fault_name]这段脚本不作任何智能推断只做显式映射——未知类型直接抛异常。逻辑说明split(_)的取最后一段是假设故障类型总是最后一个字段如果你的数据文件名是880_Chipped_0.dat这段代码就会错。所以更稳妥的做法是先打印所有文件名的stem字段人工确认结构再写解析函数。参数说明label_map的字典顺序会影响 one-hot 编码的列顺序训练和推理时要用同一份映射表建议把它存成 JSON 文件而不是每次运行重新定义。4. 故障特征怎么用时域统计量、边频带与“无名标签”处理4.1 时域统计量均值、峰值、峭度能告诉你什么齿轮故障在时域上的表现很直白齿面磨损会让振动幅值整体上升齿根裂纹会在每次啮合时产生冲击脉冲断齿的冲击更剧烈但可能更稀疏。常用的时域特征包括 RMS均方根值、峰值、峰值因子和峭度。峭度对冲击类故障最敏感健康齿轮的振动接近高斯分布峭度接近 3出现局部冲击时峭度会显著升高。def time_domain_features(x: np.ndarray) - np.ndarray: x x.astype(np.float64) rms np.sqrt(np.mean(x ** 2, axis-1)) peak np.max(np.abs(x), axis-1) crest peak / (rms 1e-12) kurt np.mean((x - np.mean(x, axis-1, keepdimsTrue)) ** 4, axis-1) kurt kurt / (np.std(x, axis-1) ** 4 1e-12) - 3.0 return np.stack([rms, peak, crest, kurt], axis-1)这段代码一次算出四个特征输出维度是(样本数, 4)可以直接拼进后续分类器。注意eps1e-12是防止 RMS 为零时除以零实际齿轮箱振动数据不会出现零 RMS但代码要守住边界。峭度的-3.0是让健康数据的峭度归零这是行业惯例便于对比。特征维度远低于原始波形训练速度会快两个数量级但代价是丢掉频谱细节。时域特征适合做故障的初步筛选和报警阈值设定不适合做细粒度故障类型识别。比如齿根裂纹和断齿都可能出现冲击脉冲峭度都偏高仅靠时域特征区分不了。4.2 频域视角FFT、边频带和啮合频率的关系齿轮箱振动频谱的基础是啮合频率及其谐波。单级齿轮箱的啮合频率是转频乘以齿数常见的是 20 齿上下所以 1750 rpm 下啮合频率约 583 Hz。故障齿轮的频谱会在啮合频率两侧出现边频带间隔等于转频——这是判断齿轮局部故障比如裂纹、断齿最经典的判据。齿面磨损这类分布型故障让啮合频率幅值整体抬升但边频带不一定明显。一段好的 FFT 分析不能只看幅值谱要看边频带的调制结构。from scipy.fft import rfft, rfftfreq def spectrum_features(x: np.ndarray, fs: int) - np.ndarray: n x.shape[-1] fft_vals np.abs(rfft(x - np.mean(x, axis-1, keepdimsTrue))) / n freqs rfftfreq(n, d1.0 / fs) return freqs, fft_vals freqs, mag spectrum_features(frames[0, :, 0], fs) mesh_freq 583.0 # 由转频与齿数计算 idx np.argmin(np.abs(freqs - mesh_freq)) print(f啮合频率附近幅值: {mag[max(0, idx-5):idx6]})这段代码先做去直流再计算单边幅值谱。/ n归一化让幅值不随帧长漂移不同长度帧算出来的幅值才有可比性。rfft只算正频率部分采样率 20 kHz、帧长 2048 时输出 1025 个频点。打印啮合频率附近的 11 个频点能直观看到幅值是否出现对称的边频带。如果你在mesh_freq ± 14.7 Hz处看到明显的成对谱峰裂纹或断齿的概率很大如果只是在啮合频率处整体抬升更可能是磨损。4.3 “无名标签”怎么处理先分离再定性部分公开数据集里会出现一个很尴尬的文件组——标签是未知的或者论文里没有明确描述。常见版本中有一个“无名故障”类别文件命名可能是Unknown或Unidentified实际是什么故障发布方没有给出权威结论。处理这类数据的行业惯例是先把它们单独拎出来不要硬塞进四个已知类别里。如果你把Unknown当成第五类训练模型会学到一组“不属于其他四类”的特征这个类别的内聚性差推理时遇到新的未知故障大概率被分进来反而让模型变得不可信。我一般这样处理训练阶段只用四个已知标签把Unknown样本留作异常检测的测试集。训练一个四分类模型后用未知故障样本做前向推理观察模型的 softmax 输出是否有低置信度的样本聚集现象。如果Unknown样本在四个类别上均匀低置信度说明它真的是未知模式如果集中被分到某个类别说明它的特征和该故障类有重叠值得回头细看频谱。# 推理阶段观察未知样本的置信度分布 probs model.predict(unknown_frames) # 形状 (N, 4) max_probs np.max(probs, axis1) uncertain_mask max_probs 0.6 print(f未知样本数: {len(max_probs)}) print(f低置信度占比: {uncertain_mask.mean():.2%})阈值0.6是经验值不是硬标准。如果你的训练精度在 95% 以上正常样本的置信度通常会超过 0.9那 0.6 已经是很保守的分界线。如果正常测试样本的置信度也普遍低于 0.6说明模型本身没训练好这个阈值要重新校准。5. 整理成训练集的常见问题伪加密、中文编码与工况泄露5.1 zip 解压失败伪加密、EOCD 缺失与损坏包解压 zip 是第一步但这一步就能卡住很多人。最常见的情况是文件下载到一半断了zip 包没有结束标记EOCD解压工具报could not find EOCD另一种是伪加密——文件头标记了加密位但没有实际加密内容Windows 自带解压会直接要求输密码而命令行工具有时能直接解开。伪加密的检测手段很简单用 Python 的zipfile模块打开时传pwdb试一次如果传空密码能读出文件列表说明是伪加密。真正的解决方式是重新下载完整包不要用“修复”工具硬修修复出来的数据可能缺文件。如果下载源只有一份且反复损坏检查一下是不是浏览器插件或下载工具在拦截.zip后缀换一个下载工具或换个网络环境重下。unzip -O GBK gearbox_data.zip -d ./gearbox_data-O GBK这个参数是处理 zip 内中文文件名乱码的关键。很多数据集是中文环境打包的直接用unzip解压会得到乱码文件名之后解析代码按文件名匹配标签时会全部失效。-O指定的是 zip 内部编码的字符集如果你的系统默认 UTF-8但包内是 GBK就必须显式指定。注意这是 Linux 命令行的写法Windows 下可以用 7-Zip 设置“文件名编码”为 GBK 后解压。5.2 工况泄露数据切分时最常见的“隐形错误”把同一个连续采集文件切成帧后直接随机划分训练集和测试集这是最危险的错误。原因在于相邻帧之间高度相关时间上只隔了 0.05 秒振动特征几乎没有变化。如果同一条连续记录的帧既出现在训练集又出现在测试集验证精度会虚高模型在跨工况或跨设备场景下会明显退化。按设备或按文件划分是正确的做法。import numpy as np # 假设 file_names 是所有原始文件的路径列表每个文件对应一次独立采集 file_ids np.array([i for i, _ in enumerate(file_names)]) train_files, test_files train_test_split( file_ids, test_size0.3, random_state42, stratifyfile_labels # 按故障标签分层保证每类在测试集都有样本 ) train_mask np.isin(file_id_per_frame, train_files) test_mask np.isin(file_id_per_frame, test_files) X_train, y_train frames[train_mask], labels[train_mask] X_test, y_test frames[test_mask], labels[test_mask]逻辑说明file_id_per_frame是每个帧所属的原始文件编号切分依据是文件而不是帧。这样训练集和测试集之间没有任何时间重叠。stratifyfile_labels保证每个故障类在训练集和测试集中的比例一致避免某个类别全被分到测试集导致训练不足。随机种子42是惯例但如果你要做多组对比实验固定这个值才能保证结果可复现。5.3 中文注释陷阱Python 源码里的编码问题写解析脚本时注释和字符串里尽量别用中文——不是技术洁癖而是 Windows 下 Python 的默认编码在不同版本间不一致源码文件用 UTF-8 保存但运行时如果PYTHONUTF8环境变量没设置中文字符串比较可能出问题。文件名里的中文比如正常.txt用path.stem拿到的字符串和代码里写死的正常在编码正确时相等但一旦解压时用了错误的编码两边就不会匹配。我踩过的坑是解压时没有指定编码文件名变成一串乱码姝‘鍒?txt我把这段乱码直接复制到代码里做匹配运行是能跑的但可读性极差而且换一台机器后再解压一次乱码可能变成另一串。正确做法是解压后立刻重命名文件为标准英文命名从源头消灭乱码问题。unzip -O GBK gearbox_data.zip -d ./tmp cd ./tmp for f in *.txt; do mv $f $(echo $f | iconv -f GBK -t UTF-8) done这段脚本用iconv把文件名从 GBK 转成 UTF-8然后用mv重命名。for f in *.txt只处理当前目录的文本文件如果你的数据是.dat或.csv把通配符改掉。重命名之后再写一个把文件名映射到标签的脚本此时不需要依赖 Python 的编码处理能力OS 层的文件名就是 UTF-8所有工具都能正确识别。6. 用短时傅里叶变换给数据做“体检”一小时确认数据能不能用拿到新解压的数据集先别急着训练先用短时傅里叶变换STFT做一次快速体检。为什么选 STFT 而不是直接看 FFT因为齿轮箱的工况是非平稳的转速波动、负载变化都会让频谱随时间漂移STFT 能看到“频率成分随时间的变化”一眼就能发现数据是否断流、通道是否损坏、冲击事件是否存在。from scipy.signal import stft f, t, Zxx stft( raw[:fs * 10, 0], # 取前 10 秒的驱动端信号 fsfs, nperseg1024, noverlap512, windowhann ) # 绘制二维频谱图检查 0-2 kHz 范围内的能量分布 plt.figure(figsize(12, 4)) plt.pcolormesh(t, f, np.abs(Zxx), shadinggouraud, cmapviridis) plt.ylim(0, 2000) plt.xlabel(时间 (s)) plt.ylabel(频率 (Hz)) plt.colorbar(label幅值) plt.show()参数说明nperseg1024对应 51.2 ms 的时间窗频率分辨率约 19.5 Hznoverlap512是 50% 重叠让时间轴更平滑。ylim(0, 2000)把视野放在主要故障特征所在的低频段齿轮箱的啮合频率和边频带通常在 1 kHz 以内。如果图上出现横向的亮色条带说明有持续的窄带振动如果出现竖向的短线说明是瞬态冲击。健康的时频谱图应该是均匀分布的底色故障信号会在这层底色上叠加异常成分。我习惯按“每个故障类型抽一个文件、画一张 STFT 图、肉眼扫一遍”的流程来做体检。正常类别的图如果出现明显的周期性冲击说明这个“正常”样本可能有问题断齿类别的图如果和健康类别看不出区别说明要么标签打错了要么这段数据的采集当时确实没捕捉到故障特征。这一步不需要任何模型半小时到一小时就能做完但它能帮你避开后面几天甚至一周的无效训练。如果你发现 STFT 图里某个通道的信号一直是平的也就是没有任何振动幅值这个通道大概率是传感器故障或采集通道断开。此时不要直接把该通道剔除先确认是“数据记录问题”还是“设备真实无振动”——齿轮箱只要有转动驱动端的振动不可能是平的。遇到这种情况按前面的帧切分逻辑不用改但在特征提取阶段把该通道剔除否则模型会学到“某通道恒为零”这种无意义模式。希望这篇笔记能帮你把 gearbox_data 这件事做顺少走几次弯路。本文还有配套的精品资源点击获取
