目录

MATLAB实现基于双向门控循环单元（BiGRU）进行轴承剩余寿命预测的详细项目实例... 2

项目背景介绍... 2

项目目标与意义... 4

工程设备可靠性提升与计划性维护支持... 4

深度学习与振动信号分析的融合应用示范... 4

BiGRU在序列回归任务中的性能评估与优化... 4

面向工程落地的可复用MATLAB实现框架... 5

项目挑战及解决方案... 5

退化数据非平稳性与噪声干扰挑战及处理策略... 5

限制寿命样本与过拟合问题及正则化设计... 5

模型结构复杂度与MATLAB落地实现挑战及方案... 6

项目模型架构... 6

数据预处理与退化特征构造架构... 6

双向门控循环单元核心结构设计... 7

回归输出层与损失函数构建... 7

序列样本组织与时间窗滑动机制... 8

MATLAB R2025b环境下的训练与可视化架构... 8

项目模型描述及代码示例... 9

数据读取与基础预处理示例... 9

健康指数与RUL标签构造示例... 10

训练数据组织与网络训练示例... 11

模型预测与性能评估示例... 12

模型保存与在线推理示例... 13

MATLAB实现基于双向门控循环单元（BiGRU）进行轴承剩余寿命预测的详细项目实例

请注意此篇内容只是一个项目介绍 更多详细内容可直接联系博主本人 

 或者访问对应标题的完整博客或者文档下载页面（含完整的程序，GUI设计和代码详解）

滚动轴承作为旋转机械中最关键、最易失效的基础部件之一，几乎存在于所有工业系统中，例如风力发电机组中的主轴承和齿轮箱轴承、高速列车的轮对轴承、航空发动机压气机和涡轮轴承，以及各类数控机床、压缩机、泵类设备的支撑轴系等。轴承一旦发生严重退化甚至突发性失效，往往会导致整套设备停机甚至灾难性事故，不仅造成生产中断和巨额经济损失，还可能带来安全风险。为了减少计划外停机，实现设备的预测性维护，轴承剩余寿命（Remaining Useful Life, RUL）预测逐渐成为智能运维中最核心的技术方向之一。

传统的轴承健康评估多依赖人工经验和定期检修，通过振动监测和油液分析等手段进行状态判断，然而在实际复杂工况下，轴承退化过程往往表现为非平稳、非线性、多尺度和强噪声特征，简单的阈值报警和经验规则难以准确刻画退化轨迹，也难以给出可量化的剩余寿命估计。早期研究中常使用统计特征（如时域均方根、峰值因子、峭度等）或频域特征（如包络谱能量、特征频幅值等）结合传统机器学习模型进行寿命预测，例如利用线性回归、支持向量机、基于退化模型的随机过程方法等。但这些方法通常基于较强的分布假设和线性/弱非线性关系，在高噪声、多工况、长时序的工程数据下预测精度有限，泛化能力不足。

近年来，深度学习特别是面向序列数据的循环神经网络（Recurrent Neural Network, RNN）及其改进结构在剩余寿命预测中展现出显著优势。门控循环单元（Gated Recurrent Unit, GRU）作为对长短期记忆网络（LSTM）的简化与改进，利用更新门和重置门机制缓解了梯度消失问题，使网络能够在保持计算效率的同时捕捉较长时间范围内的依赖关系。与LSTM相比，GRU参数更少、结构更简洁，在训练速度和收敛稳定性方面更适合工业场景下的大批量数据建模。

在轴承退化过程中，振动信号中既包含短时局部冲击特征，也包含长时趋势性退化特征，仅依赖单向时间建模容易忽略序列两端的互补信息。双向门控循环单元（Bidirectional GRU, BiGRU）通过在时间正向和时间反向两个方向同时建模，将前后时刻的信息共同编码，从而获得更丰富的序列上下文表征。对于剩余寿命预测这一任务，BiGRU能够在同一时间窗口内同时利用“过去的历史”与“未来的退化观测”，在样本构造为滑动时间片时，反向分支能够从片段终点的状态反推前段的演化特征，提高退化阶段区分度和寿命估计精细度。

在工程实践中，轴承RUL预测面临多种挑战：一是数据源复杂，振动信号常受到结构共振、工况波动、传感器噪声等影响；二是寿命试验代价高昂，可获得的全生命周期真实退化数据有限，样本数量有限且分布不均衡；三是退化过程个体差异显著，不同轴承在相似初始工况下的寿命曲线也有明显差别。这些因素要求模型既要具备较强的非线性拟合能力，又要兼顾训练稳定性、模型可解释性和工程落地性。

MATLAB在信号处理和工程数值计算方面具有成熟工具箱，集成了丰富的滤波、频谱分析、小波分析以及深度学习框架等组件，非常适合构建端到端的轴承RUL预测流程：从原始振动数据的预处理、特征工程，到深度网络的构建、训练、验证与可视化分析。利用MATLAB R2025b中更新的深度学习接口，可以较为方便地搭建序列回归网络，并与传统信号分析方法无缝融合，使整个研发过程更贴近工程应用。

基于双向GRU的轴承剩余寿命预测项目，旨在依托MATLAB平台，将信号处理、深度学习和工程经验融合，实现从实验数据到可部署模型的完整路径。通过构建合理的退化指标（如基于振动信号的时频能量特征或健康指数），在时间尺度上构造退化序列样本，利用BiGRU网络对退化轨迹进行建模，把复杂的时间序列映射到剩余寿命或对应的退化阶段。与传统方法相比，这种基于序列深度表示的建模方式更注重整个退化过程的动态演变，而不是单个时间点的静态特征，从而更加契合实际轴承物理退化机理。

此外，不同于仅仅“分类正常/故障”的故障诊断，剩余寿命预测是一个连续回归问题，通过对RUL进行实时估计，可以为维护人员提供更加精细化的运维决策依据。例如，当预测RUL接近某一维护阈值时，就可以提前规划备件采购和检修窗口，避免在生产高峰期间突发停机。对于风电、轨道交通、航空等对可靠性要求极高的行业，精准的轴承RUL预测将显著提升设备可用率，降低运维成本，并为构建完整的智能运维系统奠定基础。

在该项目中，BiGRU网络不仅承担退化序列建模的核心角色，还可与全连接层、归一化层、正则化手段等模块组合，形成适应不同数据特性的灵活结构。通过在MATLAB R2025b环境中完成从数据读入、预处理、特征构造、网络搭建、训练调参与结果分析的全流程，可以获得一套适合工程教学与实际项目落地的完整实现方案，为后续扩展到其他旋转部件（如齿轮、联轴器、电机轴承等）的寿命预测提供可参考的技术路线。

项目目标与意义

工程设备可靠性提升与计划性维护支持

通过构建基于BiGRU的轴承剩余寿命预测模型，该项目的首要目标是显著提升关键旋转设备的运行可靠性，并为计划性维护提供定量依据。在传统维护模式中，常采用定期检修或事后维修策略，一方面容易造成大量剩余寿命被浪费，增加备件和人工成本；另一方面一旦轴承在检修周期之间突发故障，又会导致生产线被动停机，打乱生产计划。基于RUL预测的维护方式通过持续监测轴承振动信号和其他状态量，实时估计当前轴承距离失效阈值还剩余多长时间，使设备管理人员能够基于预测结果主动规划检修窗口，将非计划停机尽量转化为计划停机。双向GRU通过充分利用时间窗口内前后信息，提高RUL预测曲线的平滑性和准确性，减少误报与漏报。当预测模型在MATLAB环境中稳定运行后，可被集成到在线监测系统中，与数据采集卡和工业控制系统耦合，实现从现场传感器到上层维护决策的闭环支撑，从而在整个生命周期内提升设备可用率和系统安全裕度。

深度学习与振动信号分析的融合应用示范

第二个目标在于构建一个深度学习与工程信号处理深度融合的应用示范，为后续拓展到其他机械健康监测任务提供范例。振动信号具有强噪声、多频段、高维度等特点，仅依靠端到端的原始波形输入可能导致网络难以训练收敛或对噪声过于敏感。本项目通过MATLAB的Signal Processing工具箱预先进行滤波、去噪、分段与特征提取，将振动信号转化为一系列具有物理意义的退化指标序列，如能量谱特征、包络解析特征或健康指数序列，再由BiGRU网络进行序列建模。这种设计兼顾了工程先验与数据驱动特性，使模型训练更高效、更稳健。项目完成后，将形成一套从原始振动数据到深度学习模型的标准化实现路径，对于从事机械状态监测和智能诊断的工程技术人员具有直接的借鉴意义，也能帮助算法研究者理解如何将理论模型落地到真实工业数据中。

BiGRU在序列回归任务中的性能评估与优化

第三个目标是系统评估双向GRU在轴承RUL这一典型序列回归任务中的表现，并探索其结构和超参数对预测性能的影响。BiGRU网络具有两个方向的GRU分支，能够同时利用前后时间依赖，但也引入更多参数和一定的计算开销。本项目通过对比单向GRU、简单LSTM等基线模型，在相同数据集和特征条件下比较不同网络在均方误差、平均绝对误差、剩余寿命曲线拟合程度等指标上的差异，从而定量评估BiGRU在RUL预测场景中的优势。同时，借助MATLAB的深度学习训练接口，可方便地调节隐藏单元数、层数、学习率、梯度裁剪阈值、批大小等超参数，分析这些参数变化对网络收敛速度和预测精度的影响，逐步收敛出一套适合轴承退化数据的BiGRU结构配置，为后续工程部署提供参考，也为后续可能扩展到多传感器、多通道RUL预测打下基础。

面向工程落地的可复用MATLAB实现框架

第四个目标是形成一套可复用、可扩展的MATLAB R2025b实现框架，为企业与研究机构在机械寿命预测方向的后续开发提供基础模板。项目围绕MATLAB的脚本与函数组织方式，将数据预处理、样本生成、网络搭建、训练验证和可视化等步骤模块化，便于针对不同设备和数据源进行快速适配。例如，数据读取模块可以轻松切换为从本地.mat文件、CSV文件、数据库或现场采集系统中获取数据；特征工程模块可以扩展加入更多时频分析方法；网络结构模块可以替换BiGRU为其他先进网络结构。通过这种模块化与参数化设计，该项目不仅完成一次具体的BiGRU轴承RUL预测实现，更重要的是输出了一套可移植到其他场景的技术框架，使深度学习在工业健康管理中的应用变得更加便捷、可控和工程友好。

项目挑战及解决方案

退化数据非平稳性与噪声干扰挑战及处理策略

轴承在其全寿命周期内的退化过程通常呈现明显的非平稳特征，在早期阶段信号与正常工况几乎无异，到中后期才会出现能量升高、冲击增多、频谱特征突变等现象。此外，现场采集的振动信号还会夹杂大量环境噪声和结构噪声，如电机电磁噪声、其他部件的振动耦合、安装不当引起的底噪波动等，这些因素使得真实的退化特征被噪声掩盖，导致直接使用原始信号作为网络输入时模型难以挖掘有效模式。为缓解非平稳性带来的困难，本项目在MATLAB中引入多级信号预处理方案，包括带通滤波去除无关频段的背景噪声，利用滑动窗口平滑或指数平滑方式降低偶然冲击的影响，以及利用短时傅里叶变换或包络分析提取更具代表性的频域指标。针对噪声干扰问题，采用统计特征与鲁棒特征相结合的方法，例如提取均方根、峭度、谱熵等对噪声敏感度较低的指标，并在特征序列上使用归一化与标准化策略，使不同工况下的特征分布更加集中，便于BiGRU学习稳定的退化模式。在样本构造阶段，通过滑动时间窗口生成训练样本，使每个样本包含一段时间内的过渡信息，BiGRU在该窗口内同时从前后时刻提取特征，提高在噪声背景下对退化趋势的辨识能力。通过上述信号处理与特征构造策略，非平稳性和噪声干扰被有效抑制，为后续深度模型训练提供更高质量的输入数据。

限制寿命样本与过拟合问题及正则化设计

轴承全寿命退化实验成本高，周期长，且试验设备和工况配置有限，因此可获得的完整寿命样本数量往往十分有限，同时不同样本的寿命长短差异较大，导致数据分布存在偏斜。这使得基于深度学习的方法很容易在有限样本上出现过拟合：训练误差很小，而在未见过的轴承或工况条件下预测误差明显增大。为解决这一问题，项目在数据增强、网络正则化和训练策略三个层面进行综合设计。首先，在数据层通过滑动窗口生成大量序列样本，使每条轴承寿命曲线被分割为数量更多的时间序列片段，以增加训练样本数量，并通过打乱顺序防止网络记忆单个样本的特定模式。同时，通过对特征序列加入微弱噪声扰动、随机截断等方式引入有限的数据增强，使网络学习更加鲁棒的退化特征。在网络结构层面，适当控制BiGRU隐藏单元数量与层数，避免网络容量过大；在全连接输出端加入L2正则化和dropout层，以减弱对训练样本细节的过度拟合。训练策略方面，通过MATLAB训练选项设定合理的学习率衰减和验证集监控机制，在验证误差不再下降时提前终止训练，从而避免长时间训练带来的过拟合风险。通过这些措施，BiGRU模型在有限寿命数据上的泛化能力得以提升，使预测结果在不同轴承样本和工况组合下保持较好的稳定性。

模型结构复杂度与MATLAB落地实现挑战及方案

BiGRU模型相较于简单的前馈网络或单向RNN，在结构上更为复杂：双向分支的存在增加了参数数量，序列回归任务还需合理设计输入输出维度和损失函数。在MATLAB R2025b环境中，网络搭建需要遵循序列网络的接口规范，采用合适的层类型和序列输入层配置。同时，工程项目通常需要在不同版本、不同工具箱组合下保持代码可运行性，R2025b版本对于某些对象属性和接口做了调整，例如不建议使用某些旧的可视化属性、需要注意特定函数的参数变更，这对项目代码的鲁棒性提出要求。为此，项目在模型设计与实现时刻意保持结构简洁清晰，采用MATLAB深度学习工具箱中稳定且适配R2025b的序列输入层、双向GRU层、全连接层和回归输出层构建网络，通过layerGraph与dlnetwork组合构造与训练过程，避免依赖已经弃用或行为改变的接口。在可视化部分，使用标准figure与Axes对象进行训练过程和结果曲线绘制，避免使用已被限制的UI组件。通过模块化脚本组织方式，将网络结构定义、训练选项配置、训练执行与结果可视化分离，使得在R2025b环境中代码更容易维护和升级。对于可能的计算资源限制，支持将训练转移到GPU设备，加快BiGRU在长序列数据上的训练速度，并通过合理的mini-batch设计平衡显存占用与训练效率，从而在MATLAB环境下实现结构复杂但计算可控的BiGRU RUL预测模型。

项目模型架构

数据预处理与退化特征构造架构

在整个BiGRU轴承RUL预测框架中，数据预处理与退化特征构造是模型架构的基础层。原始输入通常为加速度传感器在不同采样频率下记录的长时间振动信号，这些信号包含轴承退化信息，也包含大量与本任务无关的噪声与其他部件振动。在MATLAB中，通过Signal Processing工具箱对原始信号进行分段、滤波、去噪、特征提取等处理，使其转换为时间有序的特征序列。典型流程包括：先进行带通滤波，将频率范围限定在轴承特征频率及其倍频附近，降低低频结构振动和高频电子噪声的影响；然后对每一段固定长度的时间窗进行时域和频域特征提取，如均方根值、峭度、峰值因子、包络谱能量等；再通过滑动窗口方式生成连续时间的特征轨迹，从而形成具有退化趋势的指标序列。

退化指标的构造是关键环节，为了让BiGRU能更好地利用退化信息，需要使指标在轴承接近失效时呈现出明显的单调或近单调变化趋势。常见做法是基于多个特征进行归一化与加权，构造一个综合健康指数，并在时间上对其进行平滑处理，使其在早期保持稳定，在退化后期快速上升。在MATLAB中，可以通过标准化函数将各特征映射到类似范围，然后通过经验或优化方式确定权重，将多维特征压缩为一维健康指数序列。这样，BiGRU的输入可以是多维特征序列，也可以是单一健康指数序列，根据实验效果进行选择。最终，数据预处理模块输出的是形如[时间步数 × 特征维度 × 样本数]的三维数据张量，以及对应的RUL标签向量，为后续网络训练提供结构化输入。

双向门控循环单元核心结构设计

BiGRU是整个模型架构的序列表征核心，其结构由前向GRU分支和后向GRU分支组成，两者在时间维度上方向相反：前向分支从序列起点到终点依次处理输入，后向分支则从终点向起点反向遍历。每个GRU单元内部包含更新门和重置门两组门控机制。更新门负责在当前时刻平衡前一时刻隐藏状态与当前候选状态的权重，决定信息是“保留”还是“更新”；重置门控制前一时刻状态对当前候选状态的影响程度，从而实现对历史信息的有选择“遗忘”。在BiGRU中，这两个方向的GRU单元在每个时间步分别输出隐藏状态，之后通过拼接或加和方式组合成双向输出，使得每个时间步的特征同时包含“从过去看现在”和“从未来看现在”的双向上下文信息。

在轴承RUL预测任务中，输入通常为特定长度的时间窗内的退化特征序列。BiGRU通过多层堆叠可以进一步增强模型的表示能力：第一层学习基本的局部时间模式，如轻微能量波动；第二层则基于前一层输出捕捉更长时间范围内的趋势变化，如退化阶段的缓慢加剧。为了控制模型复杂度，项目中采用一到两层BiGRU为主，并通过调节隐藏单元数量和dropout比例防止过拟合。由于任务输出为整个序列对应一个RUL值，BiGRU层输出可以选择最后一个时间步的双向隐藏状态组合作为全局表示，或者对所有时间步的隐藏状态进行池化或加权求和获得整体特征。该整体特征随后输入至全连接回归层，实现从时间序列表征到RUL标量的映射。得益于BiGRU的双向结构，模型能够更敏锐地捕捉退化序列中前后时刻之间的关联，尤其适合在滑动窗口构造样本时从中提炼完整的退化阶段信息。

回归输出层与损失函数构建

在BiGRU模块之后，模型架构需要将高维的序列表征映射为一个实值输出，即当前时间窗起点对应的轴承剩余寿命估计值。为此，在网络末端加入一到两层全连接层以及回归输出层。首先，通过全连接层将双向隐藏状态的拼接向量映射到适中的中间维度，并使用非线性激活函数（如ReLU）增加表示非线性能力；然后使用最终的全连接层将中间特征映射到一维标量，作为RUL预测值。回归输出层负责与真实RUL标签对接，定义损失函数并驱动反向传播更新整个BiGRU网络的参数。

损失函数通常采用均方误差（Mean Squared Error, MSE）作为优化目标，即最小化预测RUL与真实RUL之间的平方差平均值。原因在于MSE对大误差具有较强的惩罚，这对于RUL预测这种对偏差敏感的任务较为适合。在MATLAB中的序列回归网络配置中，回归层会自动计算MSE，并在训练过程中报告训练和验证误差。为了进一步提升模型的泛化能力，可以在全连接层引入权重衰减（L2正则化），限制权重过大；也可以插入dropout层，随机丢弃部分神经元输出，以增强网络对特征冗余的容忍度。通过这些设计，回归输出模块不仅实现从序列特征到RUL的映射，也在整体上约束网络的复杂度，帮助模型在结构灵活与泛化能力之间达到平衡。

序列样本组织与时间窗滑动机制

模型架构要在实际运行中发挥作用，需要合理设计序列样本组织策略。轴承RUL预测数据通常以时间序列形式给出：每个轴承从启动到失效的全寿命过程中记录的特征或健康指数序列长度不一。为了让BiGRU在统一形状的输入上学习退化模式，需要将这些不定长序列划分为固定长度的时间窗，并为每个时间窗分配对应的RUL标签。常见做法是采用滑动时间窗机制：设定一个窗口长度和步长，将整条寿命曲线从早到晚进行窗口滑动，在每次位置截取一段连续的特征序列作为一个训练样本。窗口起点的时间位置对应的真实RUL可以作为该样本的标签，使得模型学会根据“当前与未来一段时间内的退化行为”推断窗口起点的剩余寿命。

MATLAB在处理这种序列组织时，通常将每个样本的输入序列存储为cell数组中的一个元素，每个元素为[特征维度 × 时间步数]矩阵，相应标签则存储为向量。BiGRU在训练时会自动按时间步处理这些序列，支持可变长度序列。但在本项目中，为简化网络结构和批处理方式，多数情况下采用固定长度窗口，以便以矩阵形式组批训练，提高训练效率。通过控制窗口长度，可以在捕捉足够长的退化趋势和避免过长序列带来的梯度问题之间权衡。步长选择影响样本数量与相邻样本的重叠程度，较小步长可生成更多样本，有利于缓解数据稀缺问题，但也可能引入更多相似样本，需要通过打乱训练样本顺序和正则化手段防止网络过度记忆。整体来看，这一时间窗滑动机制是BiGRU模型能够有效利用退化轨迹、提升RUL预测精度的关键组成部分。

MATLAB R2025b环境下的训练与可视化架构

在模型架构层面，还需考虑MATLAB R2025b环境下的训练流程与可视化模块。训练过程通常通过trainNetwork或自定义dlnetwork训练循环实现，结合trainingOptions配置优化算法、学习率策略、批大小和验证频率等。对于本项目，采用适用于序列回归的adam优化器，通过较小初始学习率和梯度裁剪保障训练稳定。R2025b中部分旧有UI组件和属性不再推荐使用，因此训练过程的监控主要通过命令行输出与标准figure图形展示训练曲线，诸如损失随迭代变化、训练与验证误差对比等。模型架构中需预留评估接口，用于在训练过程中或训练结束后，对模型在独立测试集上的性能进行评估，并可绘制真实RUL与预测RUL的对比曲线，以及误差统计图。

在可视化层面，可以使用MATLAB的plot、scatter等基础绘图函数展示RUL曲线、误差分布和退化轨迹在特征空间中的演化，为工程人员提供直观的评估依据。另外，为了便于后续部署与复现，训练好的BiGRU模型可以通过save函数保存为.mat文件，包括网络结构和权重参数；在工程场景中再加载模型，对新的监测数据进行在线推断。整体训练与可视化架构强调脚本化和模块化，使得在R2025b环境下，无需依赖复杂的自定义UI组件，也能完成从模型训练到结果展示的全流程，实现易复现、易迁移、易维护的工程实现方式。

项目模型描述及代码示例

数据读取与基础预处理示例
clear; clc; close all; % 清空工作区变量和命令行窗口并关闭所有图形窗口，确保后续运行环境干净
dataFile = 'bearing_raw_data.mat'; % 指定轴承原始振动数据文件名，假定该文件已由采集系统或预处理过程生成
rawDataStruct = load(dataFile); % 加载.mat格式的振动数据结构体，结构体中包含多个字段对应不同通道或工况
vibSignal = rawDataStruct.vibration; % 从结构体中取出振动信号矩阵vibration，行为时间点，列为不同测点或通道
fs = rawDataStruct.fs; % 从结构体中读取采样频率fs，用于后续滤波和特征分析
timeVec = (0:size(vibSignal,1)-1).' / fs; % 构造与振动数据长度相匹配的时间向量，单位为秒，便于可视化和窗口划分
highCut = 10000; % 设置带通滤波上截止频率为10000 Hz，以去除过高频率的电子噪声
bpFilt = designfilt('bandpassiir', ... % 创建IIR带通滤波器对象，用于对振动信号进行频率选择性滤波
    'FilterOrder', 4, ... % 指定滤波器阶数为4阶，实现平衡的滤波效果和计算复杂度
    'HalfPowerFrequency1', lowCut, ... % 设置下半功率点频率为lowCut，对应带通下限
    'HalfPowerFrequency2', highCut, ... % 设置上半功率点频率为highCut，对应带通上限
    'SampleRate', fs); % 指定滤波器设计所依据的采样频率为fs，保证频率参数正确解释
vibFiltered = filtfilt(bpFilt, vibSignal); % 对每个通道的振动信号应用零相位带通滤波，避免相位畸变并抑制噪声

stepLen = round(0.05 * fs); % 设置时间窗滑动步长为0.05秒对应的采样点数，实现相邻窗口部分重叠
numSamples = floor((size(vibFiltered,1) - winLen) / stepLen) + 1; % 根据总点数、窗口长度和步长计算可生成的窗口数量
rmsFeat = zeros(numSamples, numCh); % 预分配均方根特征矩阵，行对应时间窗索引，列对应通道
kurtFeat = zeros(numSamples, numCh); % 预分配峭度特征矩阵，记录每个时间窗和通道的冲击性指标
for i = 1:numSamples % 遍历每一个时间窗，逐窗计算特征
    idxEnd = idxStart + winLen - 1; % 当前窗口终止采样点索引，确保窗口长度固定为winLen
    rmsFeat(i,:) = sqrt(mean(seg.^2, 1)); % 对每个通道计算当前窗口信号的均方根值，衡量振动能量水平
end

featNorm = (featMat - mean(featMat,1)) ./ std(featMat,0,1); % 对特征矩阵做逐列标准化处理，使每个特征均值为0方差为1
timeWin = timeVec(1) + (0:numSamples-1).' * (stepLen/fs); % 计算每个特征窗口对应的时间点，便于后续对齐RUL并绘图展示
健康指数与RUL标签构造示例
w = ones(1, numFeat) / numFeat; % 定义特征权重系数向量，初始设为等权重，实现简单平均融合
healthIndexSmooth = smoothdata(healthIndex, 'movmean', 5); % 使用长度为5的滑动平均平滑健康指数，减弱随机波动的影响

maxRUL = N; % 定义最大RUL为全序列长度，代表初始窗口距失效的时间步数
rulLabel = zeros(N,1); % 预分配RUL标签向量，长度与健康指数一致
for i = 1:N % 遍历每一个时间窗口索引，为其指定对应RUL值
    rulLabel(i) = maxRUL - i; % 将RUL定义为从当前窗口到序列末尾剩余的窗口数，越靠后RUL越小

rulLabelScaled = rulLabel / fs * stepLen; % 将以窗口数表示的RUL转换为近似秒数，乘以窗口步长除以采样率
rulLabelNorm = (rulLabelScaled - min(rulLabelScaled)) / (max(rulLabelScaled)-min(rulLabelScaled)); % 对RUL标签进行0到1归一化，便于网络学习
hiMin = min(healthIndexSmooth); % 计算平滑健康指数的最小值，用于后续可视化映射
healthIndexNorm = (healthIndexSmooth - hiMin) / (hiMax - hiMin); % 将健康指数归一化到0到1范围，便于网络输入和对比分析
inputSize = size(featNorm,2); % 设置网络输入特征维度为预处理特征矩阵的列数，对应每个时间步的特征数
numHiddenUnits = 64; % 设定BiGRU隐藏单元数为64个，在表达能力和训练效率之间折中
numResponses = 1; % 设置网络输出维度为1，对应预测的RUL标量

    sequenceInputLayer(inputSize, 'Name','seqInput') ... % 序列输入层，接收长度可变的feature序列，每个时间步包含inputSize个特征
    bilstmLayer(numHiddenUnits, 'OutputMode','last', 'Name','bigru_sim') ... % 使用双向LSTM层模拟BiGRU结构，设置输出模式为最后一个时间步的全局表示
    dropoutLayer(0.2,'Name','drop1') ... % Dropout层，随机丢弃20%的神经元输出以减少过拟合
    fullyConnectedLayer(numResponses, 'Name','fc_out') ... % 输出全连接层，将中间特征映射为1维RUL预测值
    regressionLayer('Name','reg_out')]; % 回归输出层，自动计算预测值与真实RUL之间的MSE损失并用于训练
训练数据组织与网络训练示例
seqLen = 50; % 设定时间序列窗口长度为50个特征点，用于构造BiGRU输入序列
numSeq = N - seqLen + 1; % 根据总窗口数和序列长度计算可构造的序列样本数量
Y = zeros(numSeq,1); % 预分配输出标签向量，记录每个序列样本的RUL标签
    idxStart = i; % 当前序列起始窗口索引
    idxEnd = i + seqLen - 1; % 当前序列终止窗口索引，保证序列长度为seqLen
    X{i} = featNorm(idxStart:idxEnd,:).'; % 将该段特征截取并转置为[特征维度×时间步]矩阵，符合序列输入要求
    Y(i) = rulLabelNorm(idxStart); % 将序列起点对应的RUL归一化值作为该样本的预测目标
end
idx = randperm(numSeq); % 生成随机排列索引，打乱样本顺序以避免训练过程中产生时间相关性偏差
idxTrain = idx(1:numTrain); % 选择前numTrain个索引构成训练集
idxVal = idx(numTrain+1:end); % 剩余索引构成验证集，用于监控训练过程泛化性能

XTrain = X(idxTrain); % 提取训练集输入序列cell数组
YTrain = Y(idxTrain); % 提取训练集RUL标签向量
maxEpochs = 80; % 设置最大训练轮数为80，根据验证误差表现可提前停止
initialLearnRate = 1e-3; % 设定初始学习率为0.001，适合BiGRU类网络稳定收敛

options = trainingOptions('adam', ... % 使用Adam优化算法，适合非凸优化和RNN类网络训练
    'MaxEpochs', maxEpochs, ... % 最大训练轮数限制，防止过度训练
    'MiniBatchSize', miniBatchSize, ... % 指定mini-batch大小，用于梯度更新时的批处理
    'InitialLearnRate', initialLearnRate, ... % 设置初始学习率，控制每次参数更新步长
    'GradientThreshold', 1, ... % 启用梯度裁剪，阈值为1以避免梯度爆炸
    'Shuffle','every-epoch', ... % 每个epoch打乱训练数据顺序，减弱样本序列性造成的偏差
    'ValidationData',{XVal,YVal}, ... % 指定验证集数据，用于训练过程中监控验证误差变化
    'ValidationFrequency', 20, ... % 每20个mini-batch进行一次验证评估
    'Verbose',true); % 打印训练进度信息，便于观察迭代情况

net = trainNetwork(XTrain, YTrain, layers, options); % 使用trainNetwork函数训练BiLSTM结构网络，得到训练好的RUL预测模型net
模型预测与性能评估示例
YPredNorm = predict(net, XVal, 'MiniBatchSize', miniBatchSize); % 使用训练好的网络对验证集输入进行RUL预测，返回归一化RUL预测值
YPredNorm = YPredNorm(:); % 确保预测结果为列向量，便于后续与真实标签对齐

maxRULVal = max(rulLabelScaled); % 获取原始RUL标尺中的最大值，用于反归一化预测值
YPred = YPredNorm * (maxRULVal - minRULVal) + minRULVal; % 将归一化预测值反变换到实际RUL数值空间

mseVal = mean((YPred - YValTrue).^2); % 计算验证集上预测RUL与真实RUL之间的均方误差
maeVal = mean(abs(YPred - YValTrue)); % 计算验证集上的平均绝对误差，衡量预测偏差的平均水平
fprintf('验证集MSE: %.4f, MAE: %.4f\n', mseVal, maeVal); % 在命令行输出验证集MSE和MAE，便于观察模型精度

plot(YValTrue, 'b-o','LineWidth',1); hold on; % 绘制真实RUL曲线，使用蓝色实线和圆点标记体现实测值变化趋势
xlabel('样本索引'); % 设置横轴标签为样本索引，对应验证集样本顺序
ylabel('RUL'); % 设置纵轴标签为RUL，表示剩余寿命的物理量
grid on; % 打开网格线以便更清晰观察曲线差异
figure; % 新建第二个图形窗口绘制误差分布
err = YPred - YValTrue; % 计算每个验证样本预测值与真实值之间的误差
histogram(err,30); % 使用30个柱绘制预测误差直方图，观察误差集中区间和偏态特征
ylabel('频数'); % 设置纵轴标签为频数，表示不同误差区间出现次数
title('RUL预测误差分布'); % 设置图形标题为RUL预测误差分布，直观评估模型偏差情况
模型保存与在线推理示例
modelFile = 'BiGRU_RUL_model.mat'; % 指定保存模型的文件名，用于后续加载与部署
save(modelFile, 'net', 'inputSize', 'seqLen', 'w', 'bpFilt', 'winLen', 'stepLen'); % 将训练好的网络以及关键预处理参数一并保存，便于在线推理使用

load(modelFile, 'net', 'inputSize', 'seqLen', 'w', 'bpFilt', 'winLen', 'stepLen'); % 在新会话中加载保存的网络与参数，准备对新数据进行RUL预测

newDataStruct = load('bearing_new_data.mat'); % 加载新的轴承振动数据文件，代表未知寿命状态的实时采集数据

    error('采样频率与训练模型不一致，请在重采样或重新训练后再进行预测'); % 若采样率不一致则抛出错误提示，避免直接使用不匹配数据
end

numSamplesNew = floor((size(newVibFilt,1) - winLen) / stepLen) + 1; % 按照训练阶段的窗口与步长设置计算可用新窗口数量
rmsNew = zeros(numSamplesNew, numCh); % 预分配新的均方根特征矩阵，用于在线特征提取
kurtNew = zeros(numSamplesNew, numCh); % 预分配新的峭度特征矩阵，保持与训练阶段一致的特征形式

for i = 1:numSamplesNew % 遍历每一个新时间窗，为新数据计算特征
    idxEnd = idxStart + winLen - 1; % 当前新窗口终止索引
    segNew = newVibFilt(idxStart:idxEnd, :); % 截取当前新窗口振动信号
    rmsNew(i,:) = sqrt(mean(segNew.^2, 1)); % 计算新窗口的均方根特征，体现当前振动能量
    kurtNew(i,:) = kurtosis(segNew, 0, 1); % 计算新窗口的峭度特征，识别冲击性变化
end

featNewNorm = (featNew - mean(featMat,1)) ./ std(featMat,0,1); % 使用训练集特征均值和方差标准化新数据特征，保证分布一致
healthNew = featNewNorm * w.'; % 使用相同权重向量将新特征映射为健康指数，保持指标定义一致
    error('新数据长度不足以形成一个序列窗口，无法进行RUL预测'); % 若不足则提示需要更多数据或调整seqLen
end

XNewInput = XNew.'; % 转置为行向量以便进一步形状调整

YPredNewNorm = predict(net, {XNewInput}); % 使用训练好的网络对当前新数据序列预测归一化RUL
YPredNewNorm = YPredNewNorm(:); % 将预测结果转换为列向量，便于后续反归一化
fprintf('当前轴承预测剩余寿命约为 %.2f 时间单位\n', YPredNew); % 在命令行输出当前轴承估计的剩余寿命数值供维护决策参考

数据读取与基础预处理示例

clear; clc; close all; % 清空工作区变量和命令行窗口并关闭所有图形窗口，确保后续运行环境干净

dataFile = 'bearing_raw_data.mat'; % 指定轴承原始振动数据文件名，假定该文件已由采集系统或预处理过程生成

rawDataStruct = load(dataFile); % 加载.mat格式的振动数据结构体，结构体中包含多个字段对应不同通道或工况

vibSignal = rawDataStruct.vibration; % 从结构体中取出振动信号矩阵vibration，行为时间点，列为不同测点或通道

fs = rawDataStruct.fs; % 从结构体中读取采样频率fs，用于后续滤波和特征分析

timeVec = (0:size(vibSignal,1)-1).' / fs; % 构造与振动数据长度相匹配的时间向量，单位为秒，便于可视化和窗口划分

highCut = 10000; % 设置带通滤波上截止频率为10000 Hz，以去除过高频率的电子噪声

bpFilt = designfilt('bandpassiir', ... % 创建IIR带通滤波器对象，用于对振动信号进行频率选择性滤波

    'FilterOrder', 4, ... % 指定滤波器阶数为4阶，实现平衡的滤波效果和计算复杂度

    'HalfPowerFrequency1', lowCut, ... % 设置下半功率点频率为lowCut，对应带通下限

    'HalfPowerFrequency2', highCut, ... % 设置上半功率点频率为highCut，对应带通上限

    'SampleRate', fs); % 指定滤波器设计所依据的采样频率为fs，保证频率参数正确解释

vibFiltered = filtfilt(bpFilt, vibSignal); % 对每个通道的振动信号应用零相位带通滤波，避免相位畸变并抑制噪声

stepLen = round(0.05 * fs); % 设置时间窗滑动步长为0.05秒对应的采样点数，实现相邻窗口部分重叠

numSamples = floor((size(vibFiltered,1) - winLen) / stepLen) + 1; % 根据总点数、窗口长度和步长计算可生成的窗口数量

rmsFeat = zeros(numSamples, numCh); % 预分配均方根特征矩阵，行对应时间窗索引，列对应通道

kurtFeat = zeros(numSamples, numCh); % 预分配峭度特征矩阵，记录每个时间窗和通道的冲击性指标

for i = 1:numSamples % 遍历每一个时间窗，逐窗计算特征

    idxEnd = idxStart + winLen - 1; % 当前窗口终止采样点索引，确保窗口长度固定为winLen

    rmsFeat(i,:) = sqrt(mean(seg.^2, 1)); % 对每个通道计算当前窗口信号的均方根值，衡量振动能量水平

end

featNorm = (featMat - mean(featMat,1)) ./ std(featMat,0,1); % 对特征矩阵做逐列标准化处理，使每个特征均值为0方差为1

timeWin = timeVec(1) + (0:numSamples-1).' * (stepLen/fs); % 计算每个特征窗口对应的时间点，便于后续对齐RUL并绘图展示

健康指数与RUL标签构造示例

w = ones(1, numFeat) / numFeat; % 定义特征权重系数向量，初始设为等权重，实现简单平均融合

healthIndexSmooth = smoothdata(healthIndex, 'movmean', 5); % 使用长度为5的滑动平均平滑健康指数，减弱随机波动的影响

maxRUL = N; % 定义最大RUL为全序列长度，代表初始窗口距失效的时间步数

rulLabel = zeros(N,1); % 预分配RUL标签向量，长度与健康指数一致

for i = 1:N % 遍历每一个时间窗口索引，为其指定对应RUL值

    rulLabel(i) = maxRUL - i; % 将RUL定义为从当前窗口到序列末尾剩余的窗口数，越靠后RUL越小

rulLabelScaled = rulLabel / fs * stepLen; % 将以窗口数表示的RUL转换为近似秒数，乘以窗口步长除以采样率

rulLabelNorm = (rulLabelScaled - min(rulLabelScaled)) / (max(rulLabelScaled)-min(rulLabelScaled)); % 对RUL标签进行0到1归一化，便于网络学习

hiMin = min(healthIndexSmooth); % 计算平滑健康指数的最小值，用于后续可视化映射

healthIndexNorm = (healthIndexSmooth - hiMin) / (hiMax - hiMin); % 将健康指数归一化到0到1范围，便于网络输入和对比分析

inputSize = size(featNorm,2); % 设置网络输入特征维度为预处理特征矩阵的列数，对应每个时间步的特征数

numHiddenUnits = 64; % 设定BiGRU隐藏单元数为64个，在表达能力和训练效率之间折中

numResponses = 1; % 设置网络输出维度为1，对应预测的RUL标量

    sequenceInputLayer(inputSize, 'Name','seqInput') ... % 序列输入层，接收长度可变的feature序列，每个时间步包含inputSize个特征

    bilstmLayer(numHiddenUnits, 'OutputMode','last', 'Name','bigru_sim') ... % 使用双向LSTM层模拟BiGRU结构，设置输出模式为最后一个时间步的全局表示

    dropoutLayer(0.2,'Name','drop1') ... % Dropout层，随机丢弃20%的神经元输出以减少过拟合

    fullyConnectedLayer(numResponses, 'Name','fc_out') ... % 输出全连接层，将中间特征映射为1维RUL预测值

    regressionLayer('Name','reg_out')]; % 回归输出层，自动计算预测值与真实RUL之间的MSE损失并用于训练

训练数据组织与网络训练示例

seqLen = 50; % 设定时间序列窗口长度为50个特征点，用于构造BiGRU输入序列

numSeq = N - seqLen + 1; % 根据总窗口数和序列长度计算可构造的序列样本数量

Y = zeros(numSeq,1); % 预分配输出标签向量，记录每个序列样本的RUL标签

    idxStart = i; % 当前序列起始窗口索引

    idxEnd = i + seqLen - 1; % 当前序列终止窗口索引，保证序列长度为seqLen

    X{i} = featNorm(idxStart:idxEnd,:).'; % 将该段特征截取并转置为[特征维度×时间步]矩阵，符合序列输入要求

    Y(i) = rulLabelNorm(idxStart); % 将序列起点对应的RUL归一化值作为该样本的预测目标

end

idx = randperm(numSeq); % 生成随机排列索引，打乱样本顺序以避免训练过程中产生时间相关性偏差

idxTrain = idx(1:numTrain); % 选择前numTrain个索引构成训练集

idxVal = idx(numTrain+1:end); % 剩余索引构成验证集，用于监控训练过程泛化性能

XTrain = X(idxTrain); % 提取训练集输入序列cell数组

YTrain = Y(idxTrain); % 提取训练集RUL标签向量

maxEpochs = 80; % 设置最大训练轮数为80，根据验证误差表现可提前停止

initialLearnRate = 1e-3; % 设定初始学习率为0.001，适合BiGRU类网络稳定收敛

options = trainingOptions('adam', ... % 使用Adam优化算法，适合非凸优化和RNN类网络训练

    'MaxEpochs', maxEpochs, ... % 最大训练轮数限制，防止过度训练

    'MiniBatchSize', miniBatchSize, ... % 指定mini-batch大小，用于梯度更新时的批处理

    'InitialLearnRate', initialLearnRate, ... % 设置初始学习率，控制每次参数更新步长

    'GradientThreshold', 1, ... % 启用梯度裁剪，阈值为1以避免梯度爆炸

    'Shuffle','every-epoch', ... % 每个epoch打乱训练数据顺序，减弱样本序列性造成的偏差

    'ValidationData',{XVal,YVal}, ... % 指定验证集数据，用于训练过程中监控验证误差变化

    'ValidationFrequency', 20, ... % 每20个mini-batch进行一次验证评估

    'Verbose',true); % 打印训练进度信息，便于观察迭代情况

net = trainNetwork(XTrain, YTrain, layers, options); % 使用trainNetwork函数训练BiLSTM结构网络，得到训练好的RUL预测模型net

模型预测与性能评估示例

YPredNorm = predict(net, XVal, 'MiniBatchSize', miniBatchSize); % 使用训练好的网络对验证集输入进行RUL预测，返回归一化RUL预测值

YPredNorm = YPredNorm(:); % 确保预测结果为列向量，便于后续与真实标签对齐

maxRULVal = max(rulLabelScaled); % 获取原始RUL标尺中的最大值，用于反归一化预测值

YPred = YPredNorm * (maxRULVal - minRULVal) + minRULVal; % 将归一化预测值反变换到实际RUL数值空间

mseVal = mean((YPred - YValTrue).^2); % 计算验证集上预测RUL与真实RUL之间的均方误差

maeVal = mean(abs(YPred - YValTrue)); % 计算验证集上的平均绝对误差，衡量预测偏差的平均水平

fprintf('验证集MSE: %.4f, MAE: %.4f\n', mseVal, maeVal); % 在命令行输出验证集MSE和MAE，便于观察模型精度

plot(YValTrue, 'b-o','LineWidth',1); hold on; % 绘制真实RUL曲线，使用蓝色实线和圆点标记体现实测值变化趋势

xlabel('样本索引'); % 设置横轴标签为样本索引，对应验证集样本顺序

ylabel('RUL'); % 设置纵轴标签为RUL，表示剩余寿命的物理量

grid on; % 打开网格线以便更清晰观察曲线差异

figure; % 新建第二个图形窗口绘制误差分布

err = YPred - YValTrue; % 计算每个验证样本预测值与真实值之间的误差

histogram(err,30); % 使用30个柱绘制预测误差直方图，观察误差集中区间和偏态特征

ylabel('频数'); % 设置纵轴标签为频数，表示不同误差区间出现次数

title('RUL预测误差分布'); % 设置图形标题为RUL预测误差分布，直观评估模型偏差情况

模型保存与在线推理示例

modelFile = 'BiGRU_RUL_model.mat'; % 指定保存模型的文件名，用于后续加载与部署

save(modelFile, 'net', 'inputSize', 'seqLen', 'w', 'bpFilt', 'winLen', 'stepLen'); % 将训练好的网络以及关键预处理参数一并保存，便于在线推理使用

load(modelFile, 'net', 'inputSize', 'seqLen', 'w', 'bpFilt', 'winLen', 'stepLen'); % 在新会话中加载保存的网络与参数，准备对新数据进行RUL预测

newDataStruct = load('bearing_new_data.mat'); % 加载新的轴承振动数据文件，代表未知寿命状态的实时采集数据

    error('采样频率与训练模型不一致，请在重采样或重新训练后再进行预测'); % 若采样率不一致则抛出错误提示，避免直接使用不匹配数据

end

numSamplesNew = floor((size(newVibFilt,1) - winLen) / stepLen) + 1; % 按照训练阶段的窗口与步长设置计算可用新窗口数量

rmsNew = zeros(numSamplesNew, numCh); % 预分配新的均方根特征矩阵，用于在线特征提取

kurtNew = zeros(numSamplesNew, numCh); % 预分配新的峭度特征矩阵，保持与训练阶段一致的特征形式

for i = 1:numSamplesNew % 遍历每一个新时间窗，为新数据计算特征

    idxEnd = idxStart + winLen - 1; % 当前新窗口终止索引

    segNew = newVibFilt(idxStart:idxEnd, :); % 截取当前新窗口振动信号

    rmsNew(i,:) = sqrt(mean(segNew.^2, 1)); % 计算新窗口的均方根特征，体现当前振动能量

    kurtNew(i,:) = kurtosis(segNew, 0, 1); % 计算新窗口的峭度特征，识别冲击性变化

end

featNewNorm = (featNew - mean(featMat,1)) ./ std(featMat,0,1); % 使用训练集特征均值和方差标准化新数据特征，保证分布一致

healthNew = featNewNorm * w.'; % 使用相同权重向量将新特征映射为健康指数，保持指标定义一致

    error('新数据长度不足以形成一个序列窗口，无法进行RUL预测'); % 若不足则提示需要更多数据或调整seqLen

end

XNewInput = XNew.'; % 转置为行向量以便进一步形状调整

YPredNewNorm = predict(net, {XNewInput}); % 使用训练好的网络对当前新数据序列预测归一化RUL

YPredNewNorm = YPredNewNorm(:); % 将预测结果转换为列向量，便于后续反归一化

fprintf('当前轴承预测剩余寿命约为 %.2f 时间单位\n', YPredNew); % 在命令行输出当前轴承估计的剩余寿命数值供维护决策参考

更多详细内容请访问

http://【机械故障预测】基于BiGRU与MATLAB的轴承剩余寿命估计MATLAB实现基于双向门控循环单元（BiGRU）进行轴承剩余寿命预测的详细项目实例（含完整的程序，GUI设计和代码详解）_多头注意力机制代码实现资源-CSDN下载  https://download.csdn.net/download/xiaoxingkongyuxi/90218941

https://download.csdn.net/download/xiaoxingkongyuxi/90218941

https://download.csdn.net/download/xiaoxingkongyuxi/90218941