从PRONOSTIA平台到你的模型：手把手教你用FEMTO-ST轴承数据做寿命预测

从PRONOSTIA平台到智能预测：FEMTO-ST轴承数据实战指南

轴承作为旋转机械的核心部件，其健康状态直接影响设备运行安全。PRONOSTIA平台提供的FEMTO-ST轴承数据集（IEEE PHM 2012）已成为预测性维护领域的基准测试数据。本文将带您从原始振动信号出发，构建完整的剩余使用寿命（RUL）预测流程，涵盖特征提取、标签构建、模型选择到跨工况评估等关键环节。

1. 数据理解与预处理

1.1 数据集特性解析

FEMTO-ST数据集包含三种典型工况下的轴承全寿命周期数据：

• 工况A：1800rpm转速 + 4000N负载
• 工况B：1650rpm转速 + 4200N负载
• 工况C：1500rpm转速 + 5000N负载

每个样本包含两个关键监测维度：

# 典型数据结构示例 { "vibration_horizontal": [x1, x2, ..., x2560], # 水平振动信号(25.6kHz采样) "vibration_vertical": [y1, y2, ..., y2560], # 垂直振动信号 "temperature": 72.5 # 温度读数(0.1Hz采样) }

1.2 数据加载优化方案

原始MATLAB代码存在路径硬编码问题，建议改用Python实现自动化处理：

import pandas as pd import os def load_bearing_data(data_dir, bearing_id): vib_files = sorted([f for f in os.listdir(data_dir) if f.startswith(f'acc_{bearing_id}')]) temp_files = sorted([f for f in os.listdir(data_dir) if f.startswith(f'temp_{bearing_id}')]) # 并行读取振动和温度数据 vibrations = [pd.read_csv(os.path.join(data_dir, f)) for f in vib_files] temperatures = [pd.read_csv(os.path.join(data_dir, f)) for f in temp_files] return { 'vibration': vibrations, 'temperature': temperatures }

提示：实际应用中建议使用dask或modin库加速大数据集读取

2. 特征工程策略

2.1 时域特征提取

针对每段2560点的振动信号，可计算以下核心特征：

from scipy.stats import kurtosis, skew def extract_time_features(signal): features = { 'peak': np.max(signal), 'rms': np.sqrt(np.mean(signal**2)), 'kurtosis': kurtosis(signal), 'skewness': skew(signal), 'crest_factor': np.max(signal) / np.sqrt(np.mean(signal**2)) } return features

2.2 频域特征构建

通过FFT转换获取频谱特征后，重点关注以下频带：

import numpy as np from scipy.fft import fft def compute_spectral_features(signal, sample_rate=25600): n = len(signal) yf = fft(signal) xf = np.linspace(0, sample_rate//2, n//2) # 计算特征频带能量 bands = { 'low_freq': (0, 1000), 'mid_freq': (1000, 5000), 'high_freq': (5000, 12800) } features = {} for name, (low, high) in bands.items(): idx = np.where((xf >= low) & (xf <= high))[0] features[f'{name}_energy'] = np.sum(np.abs(yf[idx])) return features

3. 标签构建与数据增强

3.1 RUL标签定义方法

针对全寿命数据集，推荐采用线性退化假设：

剩余寿命 = (失效时刻 - 当前时刻) / 采样间隔

实际应用中可结合以下修正策略：

• 指数衰减模型：后期退化加速阶段
• 分段线性模型：区分正常运行期和退化期

3.2 跨工况数据增强

为提高模型泛化能力，可采用以下混合策略：

1. 信号混合：将不同工况的振动信号按比例叠加
2. 特征扰动：对提取的特征添加高斯噪声
3. 时域变形：应用时间扭曲（Time Warping）增强

def time_warp(signal, warp_factor=0.1): n = len(signal) warp_points = np.random.randint(0, n, int(n*warp_factor)) warped = signal.copy() for i in warp_points: warped[i] = signal[i] * np.random.uniform(0.9, 1.1) return warped

4. 模型架构与训练

4.1 传统机器学习方案

针对不同场景的模型对比：

4.2 深度学习方案

推荐采用混合神经网络架构：

from tensorflow.keras.models import Model from tensorflow.keras.layers import Input, LSTM, Dense, Conv1D, Concatenate def build_hybrid_model(time_steps=10, feature_dim=20): # 时序特征分支 input_ts = Input(shape=(time_steps, feature_dim)) lstm_out = LSTM(64)(input_ts) # 统计特征分支 input_stat = Input(shape=(15,)) # 15个手工特征 dense_out = Dense(32, activation='relu')(input_stat) # 特征融合 merged = Concatenate()([lstm_out, dense_out]) output = Dense(1, activation='linear')(merged) return Model(inputs=[input_ts, input_stat], outputs=output)

注意：实际训练时应采用早停策略（Early Stopping）防止过拟合

5. 跨工况评估与部署

5.1 模型迁移测试方案

设计三阶段验证流程：

1. 同工况测试：训练与测试数据来自相同工况
2. 跨工况测试：使用其他工况数据测试模型
3. 混合训练测试：部分工况数据加入训练集

5.2 实际部署优化

针对实时预测场景的优化技巧：

• 滑动窗口处理：实时更新最近10个时间步的特征
• 预测结果平滑：采用指数加权移动平均（EWMA）
• 不确定性估计：通过MC Dropout计算预测区间

class RealTimePredictor: def __init__(self, model, window_size=10): self.model = model self.window = deque(maxlen=window_size) def update(self, new_features): self.window.append(new_features) if len(self.window) == self.window.maxlen: # 转换为模型输入格式 ts_data = np.array(self.window)[np.newaxis, ...] stat_data = extract_stat_features(self.window) return self.model.predict([ts_data, stat_data]) return None

在工业现场部署时，建议将特征提取逻辑封装为Docker微服务，通过gRPC接口提供低延迟预测服务。模型更新可采用在线学习策略，持续吸收新工况数据提升适应能力。