基于深度学习的滚动轴承故障诊断第 3 篇：CWRU 数据集解析与四类故障波形可视化

本文是《滚动轴承故障诊断》系列的第 3 篇（数据集）。
系列完整目录见文末【专栏导航】。本篇配套的下载指引、文件清单与放置目录，见博主同名微信公众号。

本项目的数据来自凯斯西储大学（Case Western Reserve University，CWRU）轴承数据中心——轴承故障诊断领域最经典的公开数据集，几乎所有这个方向的入门研究都用它。

选它有三个理由：

1. 免费公开：官网直接下载，做研究、写论文引用无版权风险；
2. 数据标准：业界公认的"标准试卷"，实验可复现、可横向比较，答辩时老师一听就懂；
3. 场景完整：包含正常和三大类故障（内圈、滚动体、外圈），正好满足四分类任务。

一句话：别人用 CWRU 做的结果能发表、能毕业，你也一样。

二、.mat 文件里到底有什么

数据是 Matlab 格式（.mat）。打开一个文件，里面主要有这几组变量：

每个文件里是一整条很长的振动时间序列——轴承转起来的每一毫秒都被记录下来了。DE 和 FE 是同一个轴承上两个不同位置测的，视角互补，这就是后文"双通道"设计的由来。

三、四类状态怎么构成

本系列把轴承分成 4 类来诊断：

同一类状态，用多个不同转速/负载下的文件来取样本——这样模型见过的工况更丰富，泛化能力更好。这也是后文"每类要多放几个文件"的原因。

四、可视化：为什么"听波形"就能分类

把四类数据各取一段画出来，差异是肉眼可见的：

• 正常：平缓的随机振动，幅值小；
• 内圈故障：出现明显的周期性冲击（每次滚珠碾过缺陷位，就是一次"砰"）；
• 滚动体故障：波形呈"调幅"样式——冲击按一定规律出现又衰减；
• 外圈故障：类似内圈但节奏和位置不同，且常伴随谐波。

这正是整个项目成立的物理基础：不同故障在波形上有可分辨的模式，机器学习才有得学。如果四类波形长得一模一样，再牛的模型也白搭。所以"先可视化、再建模"不是走过场，而是先验证"可分"这个前提。

五、数据准备的三件事（指向资源包）

拿到数据、能分类、能画出波形之后，正式训练前还有三件事，具体操作（下载地址、文件清单、放置目录结构）都在公众号里：

1. 下载：按清单下载正常 + 12k 驱动端共 40 个 .mat 文件；
2. 归类：按"正常/内圈/滚动体/外圈"四个目录放好；
3. 核对：数一数是不是 4+12+12+12=40 个，一个不少。

这三步做完，就具备了进入第 4 篇（数据预处理）的全部原料。

六、本篇小结

• CWRU 是轴承诊断的"标准试卷"，免费、可引用、易复现；
• .mat 里 DE/FE 两路信号是"双通道"的来源，RPM 记录工况；
• 四类波形差异明显 = 可分类的物理前提，动手前先可视化验证。

【专栏导航】

下一篇预告：《数据预处理源码走读：把一整条振动信号切成一堆 1000 点的样本》，看 data_load 这个核心函数是怎么一步步把 .mat 变成 npy 的。

版权说明：CWRU 数据集版权归凯斯西储大学所有，仅限学习研究使用。