一、研究背景
本项目提出了一种 TVFEMD 退化趋势去噪 + GRU-Informer 双分支混合模型 的轴承 RUL 预测方法。
并与6种近年来非常优秀的模型进行对比，对比代码都已经写好了。6种模型包括：
-
gru_informer
-
informer
-
gru
-
conv_lstm
-
transformer
-
patch_tst
-
mamba
二、整体框架
本项目的方法流程分为四个阶段：
原始振动信号
│
▼ 特征提取：提取 33 维时频域特征
│
▼ TVFEMD 去噪：对特征退化趋势曲线进行分解，按能量占比筛选 IMF，去除噪声
│
▼ 滑动窗口：构建时序样本 (window_size=10)
│
▼ 模型预测：GRU-Informer 双分支融合 → 输出 RUL
三、数据集
使用 IEEE PHM 2012 轴承全寿命退化数据集。
-
工况条件1下 7 个轴承（Bearing1_1 ~ Bearing1_7）
-
采样频率 25.6 kHz，每次采集 0.1 秒（2560 个数据点），每 10 秒采集一次
-
每个轴承从健康状态运行到失效，采样数从 800 余次到 2800 余次不等
四、特征提取与 TVFEMD 去噪
4.1 33 维特征提取
对每个振动采样（2560 个点）提取 33 维特征：
-
时域特征（18 个）：均值、方差、峰度、偏度、均方根、峰值因子、波形因子、脉冲因子、裕度因子、香农熵等
-
频域特征（15 个）：Hilbert 包络特征、频谱重心、频谱扩展、频谱熵、主频、四个频段能量占比等
这样每个轴承就得到了 33 条特征随时间变化的退化趋势曲线。
4.2 TVFEMD 退化趋势去噪
原始特征退化曲线中存在较多波动，并非所有变化都反映真实退化。我们采用 TVFEMD（时变滤波经验模态分解） 对每条趋势曲线进行去噪：
-
分解：将退化曲线分解为多个 IMF（本征模态函数）分量，从高频到低频排列
-
能量占比筛选：计算每个 IMF 的能量占全部 IMF 总能量的比例，保留能量占比 ≥ 3% 的分量
-
去噪重构：将保留的 IMF 分量求和，得到去噪后的退化趋势
相比于传统的基于相关系数的 IMF 筛选方法，能量占比筛选更具物理意义——高频噪声分量天然能量较低，能够被有效滤除。
这里以Bearing1_1为例展示一下Tvfemd对指标的的降噪效果。
剩下轴承就不再一一展示，代码一件运行即可对所有轴承进行特征提取与降噪。
4.3 滑动窗口
将去噪后的 33 维特征按 window_size=10、stride=1 的滑动窗口切分，得到形如 (n_windows, 10, 33) 的时序样本。每个样本包含连续 10 个采样时刻的 33 维特征，保留了完整的时序结构。
RUL 标签归一化到 [0, 1]，1.0 表示轴承生命初期，0.0 表示失效时刻。
五、模型架构
5.1 GRU-Informer 双分支混合模型
本项目的核心模型 GRU-Informer 采用双分支结构：
输入 [batch, 10, 33]
┌──────────────────────┬──────────────────────┐
│ Informer 分支 │ GRU 分支 │
│ │ │
│ 转置为变量级视角 │ 直接输入时序数据 │
│ [B, 33, 10] │ [B, 10, 33] │
│ ↓ │ ↓ │
│ 变量嵌入 + 位置编码 │ 双向 GRU (2层) │
│ ↓ │ ↓ │
│ ProbSparse 注意力 ×2 │ 取最后隐状态 │
│ (捕获特征间依赖) │ (捕获时序退化趋势) │
│ ↓ │ ↓ │
│ 投影 → 64 维 │ 投影 → 64 维 │
└──────────┬───────────┴──────────┬───────────┘
│ 拼接 128 维 │
│ ↓ │
│ 注意力权重 (softmax) │
│ 加权融合 → 64 维 │
│ ↓ │
│ MLP: 64→32→16→1 │
▼ │
RUL 预测值 [batch, 1]
核心设计思想：
-
Informer 分支：将输入转置为变量级视角，通过 ProbSparse 自注意力机制建模 33 个特征之间的相互依赖关系。ProbSparse 注意力仅对最活跃的 query 计算完整注意力，降低了计算复杂度。
-
GRU 分支：双向 GRU 直接建模窗口内 10 个时间步的退化趋势。
-
注意力融合：两个分支的输出拼接后，通过一个学习的 softmax 注意力权重动态决定每个分支的贡献度，实现自适应融合。
5.2 对比模型
为验证 GRU-Informer 的有效性，项目还实现了 6 种对比模型：
| 模型 | 说明 | | --- | --- | | GRU-Informer | 双分支混合模型（本文方法） | | GRU | 双向 GRU 基线 | | ConvLSTM | 1D 卷积 + 双向 LSTM | | Transformer | 标准 Transformer 编码器 | | Informer | 独立 Informer（ProbSparse 注意力） | | PatchTST | 补丁化时间序列 Transformer（ICLR 2023） | | Mamba | 选择性状态空间模型（Gu & Dao, 2024） |
所有模型统一输入 [batch, 10, 33]，输出 [batch, 1]，在同一框架下公平对比。
六、实验设置
项目支持灵活的实验配置：
-
自定义训练/测试集：自由指定哪些轴承做训练、哪些做测试
-
留一法交叉验证：每次留出 1 个轴承做测试，其余 6 个训练，共 7 轮实验
评估指标
-
MSE（均方误差）、RMSE（均方根误差）、MAE（平均绝对误差）
-
R2（决定系数，越接近 1 越好）
-
MAPE（平均绝对百分比误差）
-
SCORE（轴承寿命预测评价指标）
七、实验结果
采用交叉验证的方式，依次交替进行测试验证模型的鲁棒性和泛化能力。例如：采用轴承1,2,4,5,6,7训练，那么就采用轴承3进行测试。以此类推。轴承1_3-1_7模型预测结果如下：
基于TVFEMD-并行GRU-Informer的的寿命预测结果如下：
Bearing1-3预测结果：
可以看到基于TVFEMD-并行GRU-Informer模型在Bearing1_3轴承的测试上，竟然达到了98%的R2拟合率，并且RMSE直接达到了0.03左右，要知道很多顶级SCI期刊的效果也就是RMSE也就是0.5左右。这证明了TVFEMD降噪这条路的可行性！
这里贴一张来自于一篇文献(Adaptive Res-LSTM Attention-based Remaining Useful Lifetime Prognosis of Rolling Bearings)的结果(这里仅做对比，并无拉踩的意思！)
Bearing1-4预测结果：
Bearing1-5预测结果：
Bearing1-6预测结果：
Bearing1-7预测结果：
多模型进行比较
将并行GRU-Informer网络与informer、gru、conv_lstm、transformer、patch_tst、mamba进行比较，结果如下：
Bearing1-3多模型预测对比结果：
Bearing1-4多模型预测对比结果：
Bearing1-5多模型预测对比结果：
对比试验非常充分，剩下两个轴承6和轴承7就不再一一展示了。
这里附上一张对轴承3-7所有测试结果的一个平均值：
总之，你可以看到，本期推出的这个项目已经做好了所有的对比实验！在 PHM 2012 数据集上，GRU-Informer 模型取得了非常高的预测精度，优于纯 GRU、Transformer、Informer、PatchTST、Mamba 等对比模型。
八、SHAP 可解释性分析
项目还集成了 SHAP（SHapley Additive exPlanations）分析模块，可以直观展示哪些特征对 RUL 预测贡献最大，为理解模型决策提供依据。
九、总结
本项目提出了一种结合信号处理与深度学习的轴承 RUL 预测方法：
-
TVFEMD 去噪：基于能量占比筛选 IMF 分量，有效去除特征退化曲线中的噪声波动，保留真实退化趋势
-
GRU-Informer 混合模型：Informer 分支捕获特征间依赖，GRU 分支捕获时序退化趋势，通过注意力加权自适应融合
-
完整实验框架：支持 7 种模型对比、留一法交叉验证、自定义训练/测试划分、SHAP 可解释性分析
在 PHM 2012 数据集上，GRU-Informer 模型取得了非常高的预测精度，优于纯 GRU、Transformer、Informer、PatchTST、Mamba 等对比模型。
十、代码获取
点击下发阅读原文也可直达链接。
