基于CNN-LSTM的轴承剩余寿命预测，MATLAB代码

CNN-LSTM 预测轴承剩余寿命：MATLAB 端到端实现与可视化全解析

关键词：剩余寿命预测（RUL）、CNN-LSTM、1D 卷积、LSTM 门控、预测性维护、MATLAB R2024b

先说结论，免得你看到一半再翻回来：CNN-LSTM 端到端跑通了，测试集输出 RMSE 0.0887 、MAE 0.0711 、R² 0.9056。

先把事情从头上捋清楚：这套数据是什么、模型怎么搭、每一步在算什么、跑出来什么样。

一、研究背景：为什么要预测轴承的"剩余寿命"

轴承是旋转机械里最不起眼、也最要命的部件。电机、风机、机床、轨道交通的轮轴，哪一样离了轴承都转不起来。

它坏起来又不动声色：先是内圈滚道上一点极微小的剥落，振动信号里多了一个几乎看不见的冲击，然后缺口慢慢扩大，等真到了肉眼可见、耳朵可闻的程度，往往离突发故障就不远了。

所以工业界真正想要的能力不是"识别它现在有没有坏"（那是故障诊断），而是在它还正常的时候，就回答一句："它大概还能撑多久。" 这就是剩余寿命预测，Remaining Useful Life，简称 RUL。

传统做法靠物理模型和统计模型，门槛高、通用性差。深度学习起来之后，思路变了：不用去猜轴承内部到底发生了什么，直接把振动信号当数据，让网络自己学"退化规律"。

而这类数据的本质是时序 ------故障是随时间一点点累积的。所以处理时序的 LSTM 天然适合。但同时，一段振动信号里又藏着丰富的局部模式（冲击、谐波、边带），这又是卷积 CNN 的强项。把两者拼起来的 CNN-LSTM，就是想两头都占。

这次要做的，就是把 CNN 特征提取和 LSTM 时序建模拼成一个端到端的 CNN-LSTM，输入输出维度保持不变，只动模型结构。

二、主要功能：这套代码到底干了什么

一句话概括：读入轴承振动特征数据 → 训练一个 CNN-LSTM 回归模型 → 输出连续递减的 RUL 曲线 → 给出指标和一堆图。

具体拆开是这么几块：

数据加载与划分 ：从 feature_reconstructedData.mat 里取出 7 个轴承的特征，Bearing 1--2 作训练集，Bearing 3 作测试集。
标签构建：剩余寿命不用真实运行时长，而是按"从 1 到 0 线性递减"的方式归一化，1 代表全新，0 代表彻底失效。
数据预处理：z-score 标准化（用训练集均值方差，测试集复用同一套参数），NaN 归零。
模型：CNN 特征提取模块 + LSTM 时序建模模块 + 全连接回归头。
输出：RMSE / MAE / R² 三项指标，外加 7 张可视化图和一份 .mat 结果文件。

输入是 26 维、输出是 1 维标量------这是整套流程定死的一条硬约束：不许因为换模型就改数据流的形状。

三、数据与技术路线

先看数据长什么样。这是整套系统能跑通的地基。

特征是怎么来的

原始振动信号是采样得到的一维时间序列。直接喂给网络太"重"，所以先做特征工程，从每段信号里抽出 26 个特征：

类型	数量	具体特征
时域特征	14	均值、标准差、均方根 RMS、方差、峰值、峰峰值、偏度、峭度、波形因子、峰值因子、脉冲因子、裕度因子、能量、绝对均值
频域特征	12	频谱能量、主频率、主频幅值、频率中心、均方频率、均方根频率、频率方差、频率标准差、前 5 峰值平均幅值、频谱峭度、频谱偏度、频谱平坦度

注意这 14 个时域特征里，峭度和脉冲因子、裕度因子这一类，恰恰是轴承冲击型故障最敏感的量------这是特征工程里最有分量的几个。

标签怎么定

每个轴承从开始运行到失效，健康度一路下降。代码用一条直线来近似这条退化曲线：第一个样本标签是 1，最后一个样本标签是 0，中间线性插值。

这是一种常见的简化假设（IEEE PHM 数据挑战赛里也常这么处理）。它不完美，但胜在确定、可复现，适合做方法演示。

技术路线串起来

复制代码

原始振动信号
   │  特征提取（14时域 + 12频域 = 26维）
   ▼
特征矩阵（N × 26）
   │  z-score 标准化
   ▼
标准化特征
   │  重排为 序列（每样本 1 通道 × 26 时间步）
   ▼
1D-CNN 特征提取  →  最大池化  →  1D-CNN  →  最大池化
   │  （局部模式）
   ▼
LSTM 时序建模（取最后一步输出）
   │  （退化趋势）
   ▼
全连接 + 回归输出
   │
   ▼
RUL 预测值（0 ~ 1）

重点在那句"重排为序列"。这是 CNN-LSTM 能不能接住这 26 维数据的关键：把 26 个特征当作 26 个时间步、每个时间步 1 个通道，这样 1D 卷积就能沿着"特征轴"滑窗，LSTM 就能沿同一根轴做时序建模。

四、算法步骤

把整套流程压成 6 步，照着能复现：

加载数据 ：load('feature_reconstructedData.mat')，取出 7 个轴承的 cell 数据。
划分与组装：Bearing 1--2 拼接成训练集（约 3670 样本），Bearing 3 单独作测试集（约 2373 样本）；同时取出对应标签列。
标准化 ：用训练集的均值和标准差做 z-score，测试集复用；isnan 的位置置 0（防某个特征方差为 0 除出 NaN）。
构建网络：按上面的结构搭 CNN-LSTM，把每个 26 维样本重排成 1×26 的序列。
训练：Adam 优化器，150 个 epoch，留 20% 作验证集，取验证损失最小的那版网络。
预测与评估 ：对测试集 predict，算 RMSE / MAE / R²，画图、存结果。

其中第 4 步是整套流程的核心：把 26 维特征重排成序列，CNN 和 LSTM 才接得住。

五、公式原理

不讲玄的，把每一层在算什么写清楚。

1D 卷积（特征提取模块）

沿时间/特征轴滑窗，每个滤波器学一种局部模式：

复制代码

y[t] = Σ_{i=0}^{K-1} x[t+i] · w[i] + b

K 是卷积核大小（这里取 3），w、b 是可学习参数。CNN 的意义在于：先用局部视野捕捉"冲击、谐波"这类短程特征，再越堆越高、视野越来越大。

ReLU 激活

复制代码

f(x) = max(0, x)

引入非线性，同时缓解梯度消失。

最大池化

对窗口内取最大值，作用是降采样 + 让特征对微小平移更鲁棒，同时把序列长度压下来，喂给后面的 LSTM 时更轻。

LSTM 门控（时序建模模块）

LSTM 靠三个门控制信息取舍，这是它记住"长期退化趋势"的机制：

复制代码

遗忘门    f_t = σ(W_f · [h_{t-1}, x_t] + b_f)
输入门    i_t = σ(W_i · [h_{t-1}, x_t] + b_i)
候选状态  g_t = tanh(W_g · [h_{t-1}, x_t] + b_g)
细胞状态  c_t = f_t ⊙ c_{t-1} + i_t ⊙ g_t
输出门    o_t = σ(W_o · [h_{t-1}, x_t] + b_o)
隐藏状态  h_t = o_t ⊙ tanh(c_t)

σ 是 sigmoid，⊙ 是逐元素相乘。这里取 OutputMode='last'，只用序列最后一步的隐藏状态去做回归------也就是让网络"看完整个序列后给出一个判断"。

损失函数

回归用均方误差：

复制代码

MSE = (1/n) · Σ (y_i - ŷ_i)²

评估指标

复制代码

RMSE = sqrt( (1/n) Σ (y_i - ŷ_i)² )     # 与标签同量纲，越小越好
MAE  = (1/n) Σ |y_i - ŷ_i|              # 对异常值不敏感
R²   = 1 - Σ (y_i - ŷ_i)² / Σ (y_i - ȳ)²  # 越接近 1 越好

六、模型与参数设定

网络结构一张表说清楚：

层	配置
sequenceInput	1 通道，MinLength = 26
1D 卷积 1	核长 3，32 个滤波器，padding=same
ReLU	---
最大池化 1	池化窗口 2，步长 2
1D 卷积 2	核长 3，64 个滤波器，padding=same
ReLU	---
最大池化 2	池化窗口 2，步长 2
LSTM	100 个隐藏单元，OutputMode=last
Dropout	0.2
全连接 1	50 神经元 + ReLU
Dropout	0.2
全连接 2	25 神经元 + ReLU
全连接 3	1 神经元（输出 RUL）
regressionLayer	MSE 损失

训练超参：

参数	取值
优化器	Adam
初始学习率	0.005
学习率衰减	piecewise，每 50 epoch 减半
最大轮数	150
MiniBatchSize	64
验证集比例	20%
梯度阈值	1
L2 正则	0.001
输出网络	验证损失最优的一版
Shuffle	每 epoch 打乱

一句话总结这组参数：学习率给得不算小但有衰减兜底，L2 阈值和梯度裁剪都在压过拟合，最后取验证最优推出去。

七、运行环境

软件：MATLAB R2024b（版本号 24.2.0）
工具箱 ：Deep Learning Toolbox（用到 trainNetwork / predict / convolution1dLayer 等）
计算：单 CPU 训练，全程约 218 秒
数据：feature_reconstructedData.mat，含 7 个轴承的特征与标签

一个踩坑点，值得单独说：在 R2024b 里，convolution1dLayer 和 maxPooling1dLayer 已经原生支持序列输入 ，所以这次实现不需要 sequenceFoldingLayer / sequenceUnfoldingLayer 那套"先折叠再展开"的老做法。如果你照着旧教程套 fold 层，在 R2024b 训练阶段会直接报错。