往期精彩内容：

Python-凯斯西储大学（CWRU）轴承数据解读与分类处理

Pytorch-LSTM轴承故障一维信号分类(一)-CSDN博客

Pytorch-CNN轴承故障一维信号分类(二)-CSDN博客

Pytorch-Transformer轴承故障一维信号分类(三)-CSDN博客

三十多个开源数据集 | 故障诊断再也不用担心数据集了！

Python轴承故障诊断 (一)短时傅里叶变换STFT-CSDN博客

Python轴承故障诊断 (二)连续小波变换CWT-CSDN博客

Python轴承故障诊断 (三)经验模态分解EMD-CSDN博客

Python轴承故障诊断 (四)基于EMD-CNN的故障分类-CSDN博客

Python轴承故障诊断 (五)基于EMD-LSTM的故障分类-CSDN博客

Python轴承故障诊断 (六)基于EMD-Transformer的故障分类-CSDN博客

Python轴承故障诊断 (七)基于EMD-CNN-LSTM的故障分类-CSDN博客

Python轴承故障诊断 (八)基于EMD-CNN-GRU并行模型的故障分类-CSDN博客

Python轴承故障诊断 (九)基于VMD+CNN-BiLSTM的故障分类-CSDN博客

Python轴承故障诊断 (十)基于VMD+CNN-Transfromer的故障分类-CSDN博客

基于FFT + CNN - BiGRU-Attention 时域、频域特征注意力融合的轴承故障识别模型-CSDN博客

基于FFT + CNN - Transformer 时域、频域特征融合的轴承故障识别模型-CSDN博客

Python轴承故障诊断 (11)基于VMD+CNN-BiGRU-Attenion的故障分类-CSDN博客

交叉注意力融合时域、频域特征的FFT + CNN -BiLSTM-CrossAttention轴承故障识别模型-CSDN博客

交叉注意力融合时域、频域特征的FFT + CNN-Transformer-CrossAttention轴承故障识别模型-CSDN博客

轴承故障诊断 (12)基于交叉注意力特征融合的VMD+CNN-BiLSTM-CrossAttention故障识别模型_基于残差混合域注意力cnn的轴承故障诊断及其时频域可解释性-CSDN博客

Python轴承故障诊断 (13)基于故障信号特征提取的超强机器学习识别模型-CSDN博客

Python轴承故障诊断 (14)高创新故障识别模型-CSDN博客

Python轴承故障诊断 (15)基于CNN-Transformer的一维故障信号识别模型-CSDN博客

简介：

本期我们基于 PHM2012 挑战赛滚动轴承全寿命数据，推出基于 Python 的轴承寿命预测模型合集：LSTM、CNN、GRU、TCN、Transformer、CNN-LSTM、CNN-Transformer、Transformer-BiLSTM等系列预测模型全家桶，并提供丰富的实验和解说：

● 数据集：PHM2012 挑战赛滚动轴承全寿命数据

● 环境框架：python 3.9  pytorch 2.1 及其以上版本均可运行

● 使用对象：入门学习，论文需求者

● 代码保证：代码注释详细、即拿即可跑通。

● 配套文件：详细的环境配置安装教程，模型、参数讲解文档

包括完整流程数据代码处理：

数据集制作、数据加载、模型定义、参数设置、模型训练、模型测试、预测可视化、模型评估

全网最低价，入门轴承寿命预测最佳教程，高性价比、高质量代码，大家可以了解一下：（所有全家桶模型会不断加入新的模型进行更新！后续会逐渐提高价格，越早购买性价比越高！！！）一次购买，享受永久免费更新福利！

前言

本实验采用 PHM2012 数据挑战发布的轴承完整寿命周期数据集（文末附数据集）。如图所示,在 PRONOSTIA 实验平台上通过水平和垂直位置的加速度传感器来收集两个方向的振动信号。设定设备的采样频率为 25. 6 kHz,每间隔 10 s 记录一次数据,每次采集数据时长为 0. 1 s。从实验安全的角度考虑,当振动数据的振幅超过 20 g(1 g = 9. 8 m / s 2 )时,停止实验。

该数据集包含了 3 种工况下的 17 组滚动轴承全 寿命退化数据。这些数据被划分为训练集和测试集, 分别用于模型的训练和最终预测效果的验证。三种工况下的数据的划分详情如下表所示：

1 数据预处理与可视化

1.1 Bearing1_1数据可视化

轴承数据集中含有水平加速度数据和垂直加速度数据，与垂直加速度数据相比，水平加速度数据能够提供更多的有效退化信息，因此使用水平方向的加速度数据进行实验。将轴承 1-1、 1-2 作为训练集，轴承 1-3 作为测试集。

1.2 数据预处理

选择峭度、熵值、分形值、波形指标、频谱指标、频域指标、 统计特征、振动特征等13种指标来捕捉轴承信号的多尺度特征，作为剩余寿命预测模型的训练与测试。

2 基于 Python 的轴承剩余寿命预测模型

2.1 LSTM 预测模型

2.2 Transformer-BiLSTM预测模型

2.3 模型对比

2.4 LSTM 预测模型评估

详细介绍见解说视频！

3 相关数据集预处理、文件说明、对比模型代码如下：