别再只盯着CWRU了！PHM2012轴承全寿命数据实战：用CNN-LSTM预测剩余寿命的5个关键步骤

PHM2012轴承全寿命数据实战：突破传统诊断的5个CNN-LSTM建模关键

轴承健康监测领域的研究者常常陷入一个思维定式——反复使用CWRU数据集进行故障分类实验。这种惯性思维让我们忽略了工业场景中更本质的需求：预测剩余使用寿命（RUL）。PHM2012数据集的价值恰恰在于它记录了轴承从健康状态到完全失效的全生命周期数据，为真正的预测性维护提供了可能。

1. 为什么PHM2012比CWRU更适合寿命预测？

CWRU数据集在故障诊断领域堪称"基准测试集"，但它本质上是一个静态的分类数据集——包含不同故障类型的样本，却不反映故障演化的动态过程。PHM2012则完整记录了轴承从初始运行到最终失效的全过程振动信号，这种时序特性使其成为寿命预测的理想选择。

关键差异对比：

PHM2012数据采集自法国PRONOSTIA实验平台，包含3种工况下17组轴承的全寿命数据。每个轴承都配备了水平和垂直方向的加速度传感器，采样频率高达25.6kHz。这种设计让我们能够观察到微小的早期退化征兆，而不仅仅是明显的故障特征。

提示：水平方向的振动数据通常包含更丰富的退化信息，建议优先分析该通道信号

2. PHM2012数据预处理：从原始振动到特征序列

直接处理25.6kHz的原始振动信号既不高效也不必要。我们需要通过特征工程提取能够反映轴承健康状态的关键指标：

import numpy as np from scipy import stats from scipy.fft import fft def extract_features(signal): # 时域特征 features = { 'rms': np.sqrt(np.mean(signal**2)), 'kurtosis': stats.kurtosis(signal), 'skewness': stats.skew(signal), 'peak_to_peak': np.ptp(signal), 'crest_factor': np.max(np.abs(signal)) / np.sqrt(np.mean(signal**2)) } # 频域特征 fft_vals = np.abs(fft(signal)) features['mean_freq'] = np.mean(fft_vals) features['freq_std'] = np.std(fft_vals) return features

特征选择策略：

• 早期退化检测：峭度(Kurtosis)对早期冲击信号敏感
• 稳定期监测：均方根(RMS)反映整体振动能量水平
• 失效预警：峰值因子(Crest Factor)在临近失效时会突增
• 频域分析：主频带能量比可识别特定故障频率

将提取的特征按时间顺序排列，就形成了可用于模型训练的时序特征矩阵。建议对特征进行标准化处理，避免量纲差异影响模型训练：

from sklearn.preprocessing import StandardScaler scaler = StandardScaler() scaled_features = scaler.fit_transform(feature_matrix)

3. CNN-LSTM混合架构设计：捕捉时空特征

单纯的LSTM虽然擅长处理时序数据，但难以有效提取振动信号中的局部特征。而CNN-LSTM混合架构结合了两者的优势：

振动信号 → 1D CNN → 特征映射 → LSTM → 全连接层 → RUL预测

模型构建关键点：

import torch import torch.nn as nn class CNNLSTM(nn.Module): def __init__(self, input_dim, hidden_dim, num_layers, output_dim): super(CNNLSTM, self).__init__() self.cnn = nn.Sequential( nn.Conv1d(input_dim, 32, kernel_size=3, stride=1, padding=1), nn.ReLU(), nn.MaxPool1d(kernel_size=2, stride=2), nn.Conv1d(32, 64, kernel_size=3, stride=1, padding=1), nn.ReLU(), nn.MaxPool1d(kernel_size=2, stride=2) ) self.lstm = nn.LSTM(64, hidden_dim, num_layers, batch_first=True) self.fc = nn.Linear(hidden_dim, output_dim) def forward(self, x): x = self.cnn(x) x = x.permute(0, 2, 1) # 调整维度适应LSTM输入 out, _ = self.lstm(x) out = self.fc(out[:, -1, :]) return out

超参数优化建议：

• CNN层数：2-3层为宜，过多会导致时序信息丢失
• 卷积核大小：3-5个采样点，捕捉局部振动特征
• LSTM隐藏单元：64-256之间，根据数据量调整
• 序列长度：建议50-100个时间步，覆盖足够长的退化趋势

4. 序列构建策略：时间窗口与步长的艺术

PHM2012数据的时间分辨率是10秒一次采样，直接使用原始采样间隔构建序列会导致：

1. 序列过长，训练效率低下
2. 相邻样本高度相似，信息冗余

优化策略：

• 降采样：根据轴承退化速度，选择适当的采样间隔（如每10分钟取一个样本）
• 滑动窗口：窗口大小应覆盖明显的退化趋势，通常选择相当于轴承寿命5-10%的时间跨度
• 步长选择：步长过小导致序列重叠度高，建议步长为窗口大小的1/3-1/2

def create_sequences(data, window_size, step): sequences = [] for i in range(0, len(data) - window_size, step): seq = data[i:i+window_size] sequences.append(seq) return np.array(sequences) # 示例：创建长度为30，步长为10的序列 window_size = 30 # 约5小时数据（假设采样间隔10分钟） step = 10 # 约1.5小时滑动一次 sequences = create_sequences(scaled_features, window_size, step)

5. 评估指标设计：超越简单的MSE

寿命预测任务不能仅用均方误差(MSE)评估，需要考虑：

1. 早期预测准确性：失效前的预测比早期更重要
2. 趋势一致性：预测曲线应与真实退化趋势一致
3. 预警及时性：关键退化点的预测时间偏差

复合评估指标：

def rul_score(y_true, y_pred): # 早期预测误差权重较小 time_weights = np.linspace(0.1, 1.0, len(y_true)) # 趋势一致性惩罚项 trend_diff = np.diff(y_pred) - np.diff(y_true) trend_penalty = np.mean(trend_diff**2) # 综合得分 score = np.sqrt(np.mean(time_weights * (y_true - y_pred)**2)) + 0.3 * trend_penalty return score

可视化诊断工具：

• 退化轨迹对比图：叠加真实与预测的退化曲线
• 残差时序图：观察误差随时间的变化
• 相对误差分布：统计不同寿命阶段的预测精度

import matplotlib.pyplot as plt def plot_rul_comparison(true_rul, pred_rul): plt.figure(figsize=(12, 6)) plt.plot(true_rul, label='True RUL', linewidth=2) plt.plot(pred_rul, label='Predicted RUL', linestyle='--') plt.fill_between(range(len(true_rul)), true_rul - 0.1*true_rul, true_rul + 0.1*true_rul, alpha=0.1, color='g') plt.xlabel('Time Samples') plt.ylabel('Remaining Useful Life (min)') plt.legend() plt.grid(True)

在实际项目中，我们发现轴承寿命末期的预测误差通常比早期高30-50%，这反映了退化加速阶段的不确定性增加。通过引入注意力机制，可以提升关键转折点的预测精度——当振动信号的峭度值首次超过基线3倍标准差时，模型应给予更高权重。