由美国凯斯西储大学提供。试验中使用2马力Reliance Electric电动机进行实验，并且在靠近和远离电动机轴承的位置处测量加速度数据。每个实验都仔细记录了电机的实际测试条件以及轴承故障状态。 使用电火花加工（EDM）为电机轴承提供故障。在内滚道，滚动元件（即滚珠）和外滚道处分别引入直径0.007英寸至0.040英寸直径的故障。将故障轴承重新安装到测试电机中，并记录0至3马力（电机速度为1797至1720 RPM）的电机负载的振动数据。
- 数据下载连接(https://csegroups.case.edu/bearingdatacenter/pages/welcome-case-western-reserve-university-bearing-data-center-website) CWRU数据集是使用最为广泛的，文献较多。不一一举例。其中University of New South Wales 的Wade A. Smith在2015年进行了比较全面的总结和对比。比较客观的综述和分析了使用数据进行诊断和分析研究的情况。官方网站提供的是.mat格式的数据，MATLAB直接使用比较方便。
- Github上有人分享了在python中自动下载和使用的方法。https://github.com/Litchiware/cwru
- R语言中使用的方法：https://github.com/coldfir3/bearing_fault_analysis
选了一些发表在优秀刊物上比较有代表性的论文。当前尚且按照入手的角度不同从基准综述研究，信号处理与特征增强以及分类与模式识别三个方向分类。但是很多论文实际上是相互交叉的。
- Smith W A, Randall R B. Rolling element bearing diagnostics using the Case Western Reserve University data: A benchmark study[J]. Mechanical Systems and Signal Processing, 2015,64-65:100-131.论文链接
- Boudiaf A, Moussaoui A, Dahane A, et al. A comparative study of various methods of bearing faults diagnosis using the case Western Reserve University data[J]. Journal of Failure Analysis and Prevention, 2016, 16(2): 271-284. 论文链接
-
Su W, Wang F, Zhu H, et al. Rolling element bearing faults diagnosis based on optimal Morlet wavelet filter and autocorrelation enhancement[J]. Mechanical systems and signal processing, 2010, 24(5): 1458-1472.论文链接
基于最优小波滤波和自相关增强的滚动轴承故障诊断方法 -
Saidi L, Ali J B, Fnaiech F. Bi-spectrum based-EMD applied to the non-stationary vibration signals for bearing faults diagnosis[J]. ISA transactions, 2014, 53(5): 1650-1660.论文链接
基于双谱的emd应用于非平稳振动信号的轴承故障诊断 -
Zhu K, Song X, Xue D. A roller bearing fault diagnosis method based on hierarchical entropy and support vector machine with particle swarm optimization algorithm[J]. Measurement, 2014, 47: 669-675.论文链接
提出了一种基于层次熵和支持向量机的滚动轴承故障诊断方法 -
Li Y, Wang X, Si S, et al. Entropy based fault classification using the Case Western Reserve University data: A benchmark study[J]. IEEE Transactions on Reliability, 2019.论文链接
基于熵的故障分类利用西储大学案例数据:一项基准研究 -
Kedadouche M, Liu Z, Vu V H. A new approach based on OMA-empirical wavelet transforms for bearing fault diagnosis[J]. Measurement, 2016, 90: 292-308.论文链接
提出了一种基于经验小波变换的轴承故障诊断方法
-
Raj A S, Murali N. Early classification of bearing faults using morphological operators and fuzzy inference[J]. IEEE Transactions on Industrial Electronics, 2012, 60(2): 567-574.论文链接
利用形态算子和模糊推理对轴承故障进行早期分类 -
Afrasiabi S, Afrasiabi M, Parang B, et al. Real-Time Bearing Fault Diagnosis of Induction Motors with Accelerated Deep Learning Approach[C]//2019 10th International Power Electronics, Drive Systems and Technologies Conference (PEDSTC). IEEE, 2019: 155-159.论文链接
采用加速深度学习方法对异步电机轴承故障进行实时诊断 -
Zhang R, Tao H, Wu L, et al. Transfer learning with neural networks for bearing fault diagnosis in changing working conditions[J]. IEEE Access, 2017, 5: 14347-14357.论文链接
基于神经网络的轴承故障转移学习方法，用于轴承在不同工况下的故障诊断
人为制造的故障，特征明显，诊断相对容易。使用广泛，认可度高。可以作为算法检验的基础数据集。