研究背景该代码基于IEEE PHM 2012数据挑战赛的轴承全寿命加速退化实验数据旨在利用数据驱动方法预测滚动轴承的剩余使用寿命RUL。实验中轴承在恒定负载下持续运行至失效期间通过水平/竖直加速度传感器以25.6 kHz采样频率每隔10秒采集0.1秒的振动信号。传统方法难以对多工况、多特征的退化趋势建模而BP神经网络作为经典的非线性回归模型能够从手工设计的时频域特征中学习退化规律为预测性维护提供决策支持。主要功能数据预处理与特征提取批量读取7组轴承全寿命振动信号通过滑窗方式生成时间序列样本并提取每组窗内信号的时域和频域统计特征构造训练/测试特征集。RUL预测建模基于BP神经网络构建从特征到RUL的回归模型使用Bearing1-1和Bearing1-2的训练数据学习退化映射对Bearing1-3的测试数据输出连续RUL预测值。性能评估与可视化计算均方根误差RMSE、平均绝对误差MAE、决定系数R²绘制预测值与真实值对比、误差分布、特征重要性排序、训练性能曲线等多维分析图表。算法步骤数据加载遍历指定路径下的CSV文件读取水平振动信号通道5每组文件包含2560个采样点。滑窗构造以窗口大小window_size3即30秒内共0.3秒数据和步长stride1沿时序滑动生成样本X对应标签Y为寿命百分比标签从1线性递减至0。特征提取对每个样本应用feature_extraction函数选择time-freq模式提取包括均方根、峰峰值、峭度、频谱能量等时频域特征形成高维特征向量。数据划分与标准化指定轴承1‑2为训练集轴承1‑3为测试集基于训练集计算均值与标准差对特征进行Z-score归一化。BP网络训练创建单隐藏层前馈网络隐藏层神经元数15激活函数默认tansig/purelin训练算法为Levenberg‑Marquardt (trainlm)。训练时70%样本用于参数更新15%验证15%测试引入早停机制防止过拟合。预测与评估用训练好的网络预测测试集RUL计算RMSE、MAE、R²并基于置换法评估特征重要性打乱某一特征后MSE的增加量。结果可视化与保存绘制6个子图保存预测结果及模型文件。技术路线振动信号采集 → 滑窗分割与时序标签赋值 → 手工时频域特征工程 → Z-score归一化 → BP神经网络回归建模 → 预测性能评估与解释 → 预测性维护辅助决策。该路线属于“特征工程浅层神经网络”的两阶段范式依赖领域知识设计特征模型结构轻量且可解释性较强。公式原理Z-score标准化x′x−μσx \frac{x - \mu}{\sigma}x′σx−μ​μ\muμ为训练集特征均值σ\sigmaσ为标准差使特征缩放至均值为0、标准差为1的分布。BP网络前向传播隐藏层输出hf(W1xb1)h f(W_1 x b_1)hf(W1​xb1​)输出层y^W2hb2\hat{y} W_2 h b_2y^​W2​hb2​fff为双曲正切tansig函数。损失函数均方误差MSE1N∑i1N(yi−y^i)2MSE \frac{1}{N}\sum_{i1}^N (y_i - \hat{y}_i)^2MSEN1​∑i1N​(yi​−y^​i​)2训练通过LM算法结合梯度下降与高斯‑牛顿法最小化MSE。性能指标RMSE 1N∑(yi−y^i)2\sqrt{\frac{1}{N}\sum (y_i - \hat{y}_i)^2}N1​∑(yi​−y^​i​)2​MAE 1N∑∣yi−y^i∣\frac{1}{N}\sum |y_i - \hat{y}_i|N1​∑∣yi​−y^​i​∣R² 1−∑(yi−y^i)2∑(yi−yˉ)21 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2}1−∑(yi​−yˉ​)2∑(yi​−y^​i​)2​。置换重要性对第(j)个特征随机打乱计算预测MSE增量ΔMSEjMSEperm−MSEbase\Delta MSE_j MSE_{\text{perm}} - MSE_{\text{base}}ΔMSEj​MSEperm​−MSEbase​增量越大表示该特征越重要。参数设定参数名称设定值说明滑窗大小window_size3单次输入包含3个连续采集段共0.3秒/30秒跨度滑窗步长stride1每次滑动1个采集段隐藏层神经元数15平衡拟合能力与过拟合风险训练函数trainFcntrainlmLevenberg‑Marquardt算法收敛快数据划分比率70%训练 / 15%验证 / 15%测试用于训练过程中的内部验证最大迭代轮数1000防止无限循环性能目标goal1e-6MSE目标值验证失败最大次数max_fail50早停触发条件随机种子rng(42)固定保证结果可重复训练集轴承1-1, 1-2–测试集轴承1-3–特征提取模式time-freq提取时频域特征振动通道水平加速度第5列–运行环境软件MATLABR2020b及以上版本。数据需下载PHM 2012数据集并放置在代码同级目录。应用场景工业预测性维护实时监测旋转机械轴承、齿轮箱的振动信号评估当前健康状态并预测剩余可用寿命指导备件更换与维保计划。故障诊断与健康管理PHM在航空航天、轨道交通、风电等关键装备中通过数据驱动方法实现从定期维护到视情维护的转变。算法基准测试本代码可作为PHM领域浅层回归模型的基线用于与其他深度学习、集成学习方法对比RUL预测精度。完整源码私信回复轴承剩余寿命预测 | 基于BP神经网络的轴承剩余寿命预测MATLAB实现