该代码的研究背景是基于数据驱动的轴承剩余寿命预测，利用高斯过程回归（GPR）模型对滚动轴承的退化过程进行建模。轴承作为旋转机械的关键部件，其剩余寿命预测对于设备预测性维护、降低运维成本具有重要意义。代码采用公开的轴承全寿命振动数据，将轴承1-2作为训练集，轴承3作为测试集，通过提取的退化特征和对应的剩余寿命标签，训练GPR模型并评估其预测性能。
主要功能
实现轴承剩余寿命的端到端预测，包括：
- 加载PHM2012预处理后的特征数据
- 划分训练集（轴承1-2）与测试集（轴承3）
- 对输入特征进行标准化处理（基于训练集的均值和标准差）
- 训练高斯过程回归模型，并输出测试集的预测均值、标准差及95%置信区间
- 计算预测精度指标（RMSE、MAE、R²）
- 生成三幅可视化图表：预测值与真实值对比（含置信区间）、残差分布、真实值vs预测值散点图
- 保存模型、预测结果和评估指标
算法步骤
- 数据加载与划分 ：从
.mat文件中读取包含特征矩阵和标签的元胞数组，指定训练集索引（1:2）和测试集索引（3）。 - 训练数据组装 ：将两个训练轴承的数据垂直拼接，形成训练特征矩阵
X_train和标签向量Y_train。 - 测试数据提取 ：直接提取测试轴承的特征
X_test和标签Y_test。 - 数据标准化 ：计算训练集各特征的均值
mu和标准差sigma，对训练集和测试集执行Z-score标准化，并将可能出现的NaN（因标准差为零）置为0。 - GPR模型训练 ：调用
fitrgp函数，指定平方指数核函数（squaredexponential）和标准化关闭（因为已手动标准化），训练模型。 - 预测与不确定性估计 ：使用
predict函数得到测试集的预测均值Y_pred_GPR、标准差Y_std_GPR和95%置信区间Y_int_GPR。 - 性能评估 ：编写子函数
evaluateModel（代码中未显示，但可推断）计算均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）。 - 可视化：生成三个子图，分别展示预测对比、残差和真实-预测散点。
- 结果保存 ：将模型、预测值、置信区间、指标和标准化参数存入结构体
results并保存为.mat文件。
技术路线
数据预处理 → 特征标准化 → 高斯过程回归建模 → 不确定性量化 → 精度评估 → 结果可视化。整个过程体现了基于贝叶斯非参数模型的回归方法在剩余寿命预测中的应用。
公式原理
高斯过程回归假设目标值yyy与输入x\mathbf{x}x满足：
y=f(x)+ϵ,ϵ∼N(0,σn2) y = f(\mathbf{x}) + \epsilon, \quad \epsilon \sim \mathcal{N}(0, \sigma_n^2) y=f(x)+ϵ,ϵ∼N(0,σn2)
其中f(x)f(\mathbf{x})f(x)服从高斯过程，由均值函数m(x)m(\mathbf{x})m(x)和协方差函数k(x,x′)k(\mathbf{x}, \mathbf{x}')k(x,x′)决定。代码采用平方指数协方差函数（RBF核）：
k(xi,xj)=σf2exp(−12l2∥xi−xj∥2) k(\mathbf{x}_i, \mathbf{x}_j) = \sigma_f^2 \exp\left( -\frac{1}{2l^2} \|\mathbf{x}_i - \mathbf{x}_j\|^2 \right) k(xi,xj)=σf2exp(−2l21∥xi−xj∥2)
其中\\sigma_f\^2 为信号方差，为信号方差，为信号方差，l为长度尺度。给定训练集为长度尺度。给定训练集为长度尺度。给定训练集(X, y)，测试点，测试点，测试点\\mathbf{x}_\*的预测分布为：
μ∗=K∗⊤(K+σn2I)−1y \mu_* = K_*^\top (K + \sigma_n^2 I)^{-1} y μ∗=K∗⊤(K+σn2I)−1y
σ∗2=k(x∗,x∗)−K∗⊤(K+σn2I)−1K∗ \sigma_*^2 = k(\mathbf{x}*, \mathbf{x}*) - K_*^\top (K + \sigma_n^2 I)^{-1} K_* σ∗2=k(x∗,x∗)−K∗⊤(K+σn2I)−1K∗
式中KKK为训练数据核矩阵，K∗K_*K∗为训练与测试点间的核向量。代码通过predict函数直接计算均值和95%置信区间（μ∗±1.96σ∗\mu_* \pm 1.96\sigma_*μ∗±1.96σ∗）。
参数设定
- 核函数：
squaredexponential（平方指数核） - 标准化：
Standardize设为false（已在外部手动标准化） - 其余参数采用
fitrgp的默认设置，如噪声方差初始化、核超参数优化等。
运行环境
- 软件：MATLAB2020
应用场景
适用于工业设备健康管理中的关键部件剩余寿命预测，特别是滚动轴承的退化趋势建模。可推广至其他旋转机械（如齿轮、转子）的寿命预测，为制定维修策略、避免非计划停机提供决策支持。GPR模型提供的置信区间还能量化预测的不确定性，增强预测结果的可信度。
