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

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

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

Python轴承故障诊断 (16)高创新故障识别模型（二）-CSDN博客

轴承故障全家桶更新 | 基于时频图像的分类算法-CSDN博客

Python轴承故障诊断 (17)基于TCN-CNN并行的一维故障信号识别模型-CSDN博客

独家原创 | SCI 1区 高创新轴承故障诊断模型！-CSDN博客

基于 GADF+Swin-CNN-GAM 的高创新轴承故障诊断模型-CSDN博客

Python轴承故障诊断 (18)基于CNN-TCN-Attention的创新诊断模型-CSDN博客

注意力魔改 | 超强轴承故障诊断模型！-CSDN博客

轴承故障全家桶更新 | 基于VGG16的时频图像分类算法-CSDN博客

轴承故障全家桶更新 | CNN、LSTM、Transformer、TCN、串行、并行模型、时频图像、EMD分解等集合​都在这里-CSDN博客

Python轴承故障诊断 (19)基于Transformer-BiLSTM的创新诊断模型-CSDN博客

Python轴承故障诊断 (20)高创新故障识别模型（三）-CSDN博客

视觉顶会论文 | 基于Swin Transformer的轴承故障诊断-CSDN博客

Python轴承故障诊断 | 多尺度特征交叉注意力融合模型-CSDN博客

SHAP 模型可视化 + 参数搜索策略在轴承故障诊断中的应用-CSDN博客

速发论文 | 基于 2D-SWinTransformer+1D-CNN-SENet并行故障诊断模型-CSDN博客

Python轴承故障诊断 (21)基于VMD-CNN-BiTCN的创新诊断模型-CSDN博客

1DCNN-2DResNet并行故障诊断模型-CSDN博客

基于改进1D-VGG模型的轴承故障诊断和t-SNE可视化-CSDN博客

基于K-NN + GCN的轴承故障诊断模型-CSDN博客

故障诊断 | 创新模型更新：基于SSA-CNN-Transformer诊断模型-CSDN博客

独家首发 | 基于 2D-SwinTransformer + BiGRU-GlobalAttention的并行故障诊断模型-CSDN博客

位置编码祛魅 | 详解Transformer中位置编码Positional Encoding-CSDN博客

创新点 | 基于快速傅里叶卷积（FFC） 的故障诊断模型-CSDN博客

代码开源! | 变工况下的域对抗图卷积网络故障诊断-CSDN博客

超强 ！顶会创新融合！基于 2D-SWinTransformer 的并行分类网络-CSDN博客

多模态-故障诊断 | 大核卷积开启视觉新纪元!-CSDN博客

超强！一区直接写！基于SSA+Informer-SENet故障诊断模型-CSDN博客

Transformer结构优势 ,How Much Attention Do You Need?-CSDN博客

故障诊断 | 一个小创新：特征提取+KAN分类-CSDN博客

故障诊断 | 信号降噪算法合集-CSDN博客

图卷积故障诊断，新增GAT、SGCN、GIN分类模型-CSDN博客

不能错过！故障诊断+时频图像分类大更新！-CSDN博客

智能故障诊断和寿命预测期刊推荐-CSDN博客

故障诊断一区直接写，图卷积+BiGRU-Attention 并行诊断模型-CSDN博客

故障诊断高创新！基于1D-GRU+2D-MTF-ResNet-CBAM的多模态融合分类模型_基于1dcnn-informer+matt融合的故障诊断模型-CSDN博客

创新首发！ | 基于1DCNN-Informer+MATT融合的故障诊断模型_论文复现基于 1dcnn bilstm 的航空发动机故障分类研究-CSDN博客

轴承故障特征—SHAP 模型 3D 可视化_shap值溯源模型-CSDN博客

时频图像/多模态+顶会论文创新，故障诊断发文不是梦！-CSDN博客

江南大学轴承故障诊断教程+1DVGG-6种注意力机制合集！-CSDN博客

轴承寿命预测全家桶更新！新增西交XJTU-SY数据集+预测模型合集_hxd3b 型电力机车轴承寿命预测实例中,一张该模型预测结果-CSDN博客

最强更新！西储大学（CWRU）轴承数据集保姆级教程！-CSDN博客

故障诊断 SCI 1 区直接写！基于GADF+SwinTransformer-CBAM+GRU的多模态融合分类模型-CSDN博客

故障诊断模型评估——混淆矩阵，如何使样本量一致（上）-CSDN博客

前言

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

● 价格：限时优惠--99.9（性价比极高）

● 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

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 代码、数据整理如下：

点击下方卡片获取代码！