一、研究背景
该项目聚焦于旋转机械状态监测与预测性维护 ，利用深度学习模型对轴承的剩余使用寿命进行预测。在工业4.0背景下，通过振动信号特征分析实现设备健康管理，可减少停机时间、降低维护成本，提升设备可靠性。
二、主要功能
- 数据预处理：加载振动特征数据，进行训练集与测试集划分。
- 模型构建：搭建双向门控循环单元网络，实现序列数据的前后向信息融合。
- 模型训练与验证：使用Adam优化器，支持验证集早停，保存最佳模型。
- 寿命预测：对测试轴承进行RUL预测，并输出预测结果与真实标签对比。
- 结果可视化：生成预测曲线、置信区间、残差分析、误差分布及雷达图等多维度图表。
- 性能评估：计算RMSE、MAE、R²等评价指标，保存模型与结果。
三、算法步骤
- 加载PHM2012数据。
- 划分训练集（轴承1、2）和测试集（轴承3）。
- 数据标准化（Z-score），处理NaN值。
- 将数据转换为序列格式，构建BiGRU网络。
- 划分训练集与验证集，设置训练选项并训练模型。
- 对测试集进行预测，评估模型性能。
- 绘制多维度分析图表，保存结果与模型。
四、技术路线
振动信号 → 特征提取 → 特征重构 → 数据标准化 → BiGRU建模 → 预测输出 → 可视化分析- 使用双向GRU捕捉前后时间依赖关系。
- 引入FlipLayer实现序列反转，构建双向结构。
- 采用回归输出层进行连续值预测。
- 支持验证集监控与学习率动态调整。
五、公式原理（BiGRU）
zt=σ(Wz⋅[ht−1,xt])rt=σ(Wr⋅[ht−1,xt])h~t=tanh(W⋅[rt⊙ht−1,xt])ht=(1−zt)⊙ht−1+zt⊙h~t \begin{aligned} z_t &= \sigma(W_z \cdot [h_{t-1}, x_t]) \\ r_t &= \sigma(W_r \cdot [h_{t-1}, x_t]) \\ \tilde{h}t &= \tanh(W \cdot [r_t \odot h{t-1}, x_t]) \\ h_t &= (1 - z_t) \odot h_{t-1} + z_t \odot \tilde{h}_t \end{aligned} ztrth~tht=σ(Wz⋅[ht−1,xt])=σ(Wr⋅[ht−1,xt])=tanh(W⋅[rt⊙ht−1,xt])=(1−zt)⊙ht−1+zt⊙h~t
BiGRU通过前向+后向GRU分别处理序列，最后拼接输出，增强序列建模能力。
六、参数设定
| 参数 | 值 | 说明 |
|---|---|---|
| 隐藏单元数 | 100 | 每层GRU神经元数 |
| 最大训练轮数 | 150 | 训练迭代次数 |
| 批大小 | 64 | 每次迭代样本数 |
| 初始学习率 | 0.005 | Adam优化器初始学习率 |
| 学习率衰减周期 | 50 | 每50轮衰减一次 |
| 衰减因子 | 0.5 | 学习率衰减比例 |
| L2正则化系数 | 0.001 | 防止过拟合 |
| 验证集比例 | 20% | 从训练集中划分 |
七、运行环境
- 平台：MATLAB（建议R2020a及以上版本）
八、应用场景
- 工业设备预测性维护（风机、泵、电机等旋转机械）
- 航空航天发动机健康管理
- 轨道交通轴承状态监测
- 智能制造系统中的设备寿命预警
- 故障诊断与剩余寿命联合预测系统