基于堆叠去噪自编码器(SDAE)的轴承寿命预测，MATLAB代码

之前推出过一篇Transformer-LSTM网络的轴承寿命预测，本期再出一篇在轴承寿命预测的论文中经常会用到的一个经典的深度学习网络：堆叠去噪自编码器（SDAE）。

SDAE网络的效果虽然不如Transformer等先进的深度学习方法，但是其网络结构简单，训练时间较少。在轴承寿命预测的论文中频频出现。

关于轴承寿命预测，网络上的文章、代码层出不穷，但是质量却是令人堪忧，有很多文章甚至存在误导嫌疑。本期代码是在小淘怒肝好几个夜晚整理出来的，本期代码可以帮你迅速掌握一个轴承寿命预测的全过程。

为了不误导我的读者朋友，本期作品参考了数篇高被引经典轴承寿命预测的论文，实现内容如下：

在PHM2012数据上，采用SDAE网络实现轴承剩余寿命预测。代码获取方式在文末

PHM2012数据集需要注意的地方

网上关于PHM2012数据集的介绍有很多，我也将关于这个数据的官方文档介绍放在了代码压缩包里。关于PHM2012数据集的基础介绍可以看这个链接：https://zhuanlan.zhihu.com/p/583606882

这里只讲一下到底该怎么使用这个数据集！我看到网络上很多很多的文章都用错了！

先附一张关于PHM2012数据集图片：

这里以工况1为例进行说明。首先官方的PHM2012数据集说明文档提到，在训练集Bearing1_1和Bearing1_2这两个轴承都是属于从健康状态一直跑到了完全失效，如果采用0-1对健康指标量化，那完全失效的那一刻对应的就是1。那么重点来了！

而测试集Bearing1_3~Bearing1_7虽然也从健康状态跑到了完全失效，但是官方给出的数据集并不是从健康状态跑到完全失效的全部数据集，而是在即将失效的时候，给截断了！因此也就是说，测试集数据的末位并不是完全失效的状态，那么健康指标也不能直接对应到1。这里附上测试集跑到完全失效还需要的真实时间，也就是真实的剩余寿命：

接下来要做的工作就是：利用训练集训练好深度学习网络模型后，将测试集送入模型进行预测，那么重点又来了，并接下来要先对预测结果进行一个平滑滤波，然后采用最小二乘法等方法对滤波后的曲线进行一个拟合，从而得到该拟合的曲线在达到失效阈值的时间，最后看看这个时间和上述图片的真实寿命有多少差距，以此来判断你模型的好坏！

官方文档还给出了一个评分规则：

好的，弄懂这一部分后，咱们接下来看看本期模型预测结果吧！

SDAE原理简述

在讲解堆叠去噪自编码器之前，必须要认清楚什么是自编码器。自编码器是一种无监督式学习模型，其结构由编码器部分和解码器部分共同构成，如图所示。去噪编码器是在自编码器的基础上，通过引入噪声来污染输入特征。DAE能够更好地防止模型过拟合问题，以及增加编码的鲁棒性。

堆叠去噪自编码器是一个深度学习网络模型。其是由去噪自编码器（DAE）和堆叠自编码器（SAE）两个结合而成的新网络结构。SDAE模型训练所得的退化特征，具有更强的鲁棒性，从而显著增强其数据处理和特征复现的能力。SDAE模型发展如图所示。

SDAE 采用逐层训练的方式，即先训练一层去噪自编码器（DAE），然后将上一层DAE的编码与解码所得的隐藏层特征作为下一层DAE的输入。这个过程重复进行，直到所有的DAE都完成训练，如图所示。

关于SDAE更多详细的原理介绍，请参考文末论文。

SDAE轴承寿命预测结果

本期代码流程：

第一步：读取PHM2012数据集，并绘各个轴承的制时域波形。本期以Bearing1_1和Bearing1_2的水平信号作为训练集，以Bearing1_3水平信号作为测试集。Bearing1_1~Bearing1_3的时域波形都绘制出来了，这里仅展示Bearing1_1：

第二步，将第一步得到的数据进行快速傅里叶提取变换，这里仅展示Bearing1_1的第一条数据经过FFT变换后的结果：

第三步，将第二步处理好的数据送入SDAE网络进行训练。这里在训练网络的时候，是将Bearing1_1和Bearing1_2作为训练集，Bearing1_3作为测试集。本期搭建的SDAE模型结果如图：

第四步：对预测结果进行平滑滤波，这里将Bearing1_3的预测结果和平滑后曲线放在了一张图上：

第五步：对平滑的曲线进行多项式拟合，并绘制预测寿命

Bearing1_3在SDAE模型下的寿命预测结果如下：

这里简单说明一下怎么看懂这个图片。

1801就是Bearing1_3的官方截断寿命，也就是说到了1801s这个轴承还并没有完全失效！粉色的虚线是对预测值平滑滤波后的曲线，蓝色的虚线是对平滑后的曲线进行拟合的曲线，对蓝色的拟合曲线做一个预测，求取到达失效阈值的时刻就是模型预测的结果。黑色的直线是轴承的实际寿命，可以看到轴承的实际失效时间是在2374s，而SDAE模型预测的失效时间是在2229s，与实际的剩余寿命差了2374-2229=145s

以上预测结果不需要二次调整，直接一键出图！

而之前推出的文章：《Transformer-LSTM网络的轴承寿命预测》，也就是Transformer-LSTM模型预测的失效时间是在2262s，与实际的剩余寿命仅仅差了112s。

由此可以看出，本期推出的SDAE网络比上一期文章推出的Transformer-LSTM模型效果略差。因此本期推出的SDAE网络更适合作为论文的一个对比模型去使用。

参考文献：

[1]王玉静,李少鹏,康守强,等.结合CNN和LSTM的滚动轴承剩余使用寿命预测方法[J].振动.测试与诊断,2021,41(03):439-446+617.DOI:10.16450/j.cnki.issn.1004-6801.2021.03.003.

[2]李春秀.基于Transformer的轴承故障诊断与剩余寿命预测研究[D].石家庄铁道大学,2023.DOI:10.27334/d.cnki.gstdy.2023.000614.

[3] 唐逸丰,许凡,徐东亮.基于堆叠去噪自编码器的滚动轴承寿命预测[J].自动化与仪表,2024,39(10):124-130.

代码目录截图：