一、研究背景
该代码面向工业设备预测性维护领域，特别是旋转机械（如轴承）的剩余使用寿命预测。通过监测轴承振动信号提取特征，利用深度学习模型对轴承退化过程建模，实现早期故障预警与寿命评估。
二、主要功能
- 数据加载与划分：加载重构后的特征数据，划分训练集与测试集。
- 数据标准化：使用训练集的均值和标准差标准化数据。
- BiLSTM模型训练：构建并训练双向长短期记忆网络模型。
- 剩余寿命预测：对测试集进行RUL预测。
- 性能评估：计算RMSE、MAE、R²等评估指标。
- 可视化分析：生成预测结果对比图、残差分析图、误差分布图、雷达图等。
三、算法步骤
- 加载PHM2012数据；
- 划分训练集（Bearing 1-2）和测试集（Bearing 3）；
- 数据标准化（Z-score标准化）；
- 构建BiLSTM网络结构；
- 划分训练集与验证集；
- 使用Adam优化器训练模型；
- 在测试集上进行预测；
- 评估模型性能并可视化结果；
- 保存模型与结果。
四、技术路线
- 数据处理：特征提取 → 数据标准化 → 序列化处理；
- 模型构建：BiLSTM + Dropout + 全连接层；
- 训练策略：Adam优化器 + 学习率衰减 + L2正则化 + 早停机制；
- 评估体系：RMSE、MAE、R² + 可视化分析。
五、公式原理
BiLSTM通过前向与后向两个LSTM层捕获序列数据的双向依赖：
前向LSTM：
ht→=LSTM(xt,ht−1→) \overrightarrow{h_t} = LSTM(x_t, \overrightarrow{h_{t-1}})ht=LSTM(xt,ht−1)
后向LSTM：
ht←=LSTM(xt,ht+1←) \overleftarrow{h_t} = LSTM(x_t, \overleftarrow{h_{t+1}})ht=LSTM(xt,ht+1)
最终输出：
ht=[ht→;ht←] h_t = [\overrightarrow{h_t}; \overleftarrow{h_t}]ht=[ht;ht]
六、参数设定
| 参数 | 值 | 说明 |
|---|---|---|
| 隐藏单元数 | 100 | BiLSTM层神经元数 |
| 训练周期 | 150 | 最大训练轮数 |
| 批量大小 | 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 |
| 学习率衰减因子 | 0.5 | 衰减比例 |
| L2正则化系数 | 0.001 | 防止过拟合 |
| Dropout比例 | 0.2 | 随机丢弃神经元比例 |
七、运行环境
- 平台：MATLAB（建议R2020b或更新版本）
八、应用场景
- 旋转机械预测性维护（轴承、齿轮箱等）
- 工业物联网故障预警系统
- 设备健康管理平台
- 智能制造中的寿命预测与调度优化
- 可扩展至其他时序退化预测任务
