PHM轴承数据集背景
IEEE PHM 2012轴承数据集是由法国FEMTO-ST研究所提供的经典轴承故障预测与健康管理数据集。该数据集在恒定转速(1800rpm)和负载(4000N)条件下，记录了多个轴承从正常运行到完全失效的全寿命周期振动数据，采样频率为25.6kHz，每10秒采集一次数据。代码主要功能
该代码实现了一个完整的轴承剩余寿命(RUL)预测系统：
• 数据预处理：读取多组轴承振动数据并进行重组
• 特征提取：通过FFT将时域信号转换为频域特征
• 深度学习建模：构建并行Transformer-LSTM混合网络
• 寿命预测：预测轴承健康指标并进行剩余寿命估计
• 结果可视化：展示预测结果和特征分布
3. 算法步骤
步骤1：数据读取
分别读取Bearing1_1、1_2(训练集)和Bearing1_3、1_4(测试集)
提取水平振动信号(第5列)
每2560个点划分为一个样本
保存处理后的数据
步骤2：FFT特征提取对每个样本进行快速傅里叶变换
计算频域幅值谱
提取频域特征
步骤3：并行Transformer-LSTM建模数据归一化和序列化处理
构建混合网络架构
模型训练与预测
结果后处理与可视化
技术路线
振动信号 → 数据分段 → FFT频域变换 → 并行Transformer-LSTM网络 → 健康指标预测 → 多项式拟合 → 剩余寿命估计运行环境
• 软件平台: MATLAB2024b
• 必要工具箱:
• Deep Learning Toolbox
• Signal Processing Toolbox
• Statistics and Machine Learning Toolbox
部分源码 rtcContent{padding:30px;}.lineNode{font-size:10pt;font-family:Menlo,Monaco,Consolas,"Courier New",monospace;font-style:normal;font-weight:normal;}tempNet=[flattenLayer("Name","flatten")reluLayer("Name","relu")fullyConnectedLayer(30,"Name","fc")indexing1dLayer("last","Name","indexing_1")];net=addLayers(net,tempNet);tempNet=positionEmbeddingLayer(numChannels,maxPosition,"Name","positionembed");net=addLayers(net,tempNet);tempNet=[additionLayer(2,"Name","addition")selfAttentionLayer(numHeads,numKeyChannels,"Name","selfattention")selfAttentionLayer(numHeads,numKeyChannels,"Name","selfattention_1")indexing1dLayer("last","Name","indexing")];net=addLayers(net,tempNet);tempNet=[concatenationLayer(1,2,"Name","concat")reluLayer("Name","relu_1")fullyConnectedLayer(1,"Name","fc_1")];net=addLayers(net,tempNet);