MATLAB实现BiGRU轴承剩余寿命预测：从原理到GUI部署

简介：面向机械故障诊断与智能运维的MATLAB深度学习项目实例，围绕双向门控循环单元（BiGRU）实现轴承剩余寿命（RUL）预测。内容覆盖从原始振动信号读取、特征提取、健康指数与RUL标签构造，到BiGRU序列建模、滑动时间窗训练、模型评估与可视化全流程，并包含GUI交互设计，适合有MATLAB和信号处理基础的科研人员、研究生及工业预测性维护从业者。压缩包仅1个docx文档，大小112KB，文档按项目背景、架构设计、代码示例、应用领域等模块组织，便于按需查阅。目前已有75人浏览学习。文档提供数据读取与预处理、健康指数构造、BiGRU网络搭建、训练组织、预测评估等环节的完整示例代码，同时讨论了非平稳退化信号降噪、小样本过拟合与限制寿命标签处理、模型落地部署等工程难点，并给出风力发电、轨道交通、航空发动机、数控机床等场景的应用建议，可直接作为教学案例或二次开发的起点。

1. 轴承剩余寿命预测为什么绕不开BiGRU

轴承是旋转机械里最脆弱的部件之一，振动信号里藏着退化趋势，但很难从原始波形直接读出剩余寿命。这几年工业预测性维护越来越流行，大家发现单靠传统特征（RMS、峭度）拟合曲线，到后期变化剧烈时误差很大。双向门控循环单元（BiGRU）能同时看历史趋势和未来状态，在轴承退化这类前后关联强的任务上，比单向GRU多了一层信息视角，也容易在MATLAB环境里落地。这篇文章会讲清楚从数据预处理、模型训练到GUI封装的完整路径，适合做设备健康管理、想用深度学习替代传统阈值报警的工程师，也适合新手照着代码在MATLAB上跑通自己的轴承数据。

2. BiGRU核心原理与MATLAB建模选型

2.1 从遗忘门到双向信息流：BiGRU的工作机制

GRU相比LSTM少一个记忆单元，用更新门和重置门控制信息流动，参数更少、训练更快。单向GRU只能按时间顺序读取序列，默认假设未来信息不影响当前状态。但轴承退化不是纯因果过程：早期一个小小的冲击可能预示后期的严重磨损，如果模型能同时看到当前时刻前后的片段，就能更早捕捉到退化拐点。

BiGRU的基本想法很简单：用两个独立的GRU分别按正序和逆序处理同一个输入序列，然后把两个方向每个时刻的隐藏状态拼接起来，作为这一时刻的完整表示。数学上，前向GRU从t=1到T计算隐藏状态(\overrightarrow{h_t})，反向GRU从t=T到1计算(\overleftarrow{h_t})，最终输出(\mathbf{h_t} = [\overrightarrow{h_t}; \overleftarrow{h_t}])。这样每一个时刻都同时包含过去和未来的上下文，对振动信号这种非平稳序列非常友好。

在MATLAB里要注意一个现实问题：Deep Learning Toolbox从R2021a起提供了bilstmLayer，但至今没有直接给出bigruLayer。所以想在MATLAB里用BiGRU，不能靠一行内置函数，必须自己组合或者借助自定义层。这个坑我在第一次做的时候踩了很久，后面会给出具体解决路径。

2.2 剩余寿命预测的标签定义与特征工程

剩余寿命（RUL）预测本质上是一个回归问题。输入是一段振动时间序列，输出是剩余寿命的数值，比如“还能运转120分钟”。但很多公开数据集（比如PHM2012、XJTU-SY）并不直接给每一时刻的准确RUL，需要自己定义。

常见做法是设置一个健康阶段阈值：从轴承开始退化到最终失效的总时长记为(T_{end})，第(t)个样本的标签设为(RUL_t = T_{end} - t)。为了让模型更平滑，可以分段处理，比如统一把早期健康段的RUL截断为一个上限值(RUL_{max})，因为早期很难也无须精确区分是800分钟还是1000分钟。下表是我常用的标签设定方式：

特征工程上，不必每次都从原始波形直接输入网络。我一般会先计算短时均方根、峭度、峰值因子等时域特征，再按滑动窗口拼接成多维时间序列。网上很多文章直接扔原始信号给BiGRU，效果其实也能跑，但训练曲线波动很大。用特征图作为输入，网络收敛明显更快，而且对采样率变化更鲁棒。

2.3 MATLAB中搭建BiGRU网络的三种可行路径

由于MATLAB没有原生BiGRU层，业界常用以下三种方式。第一种最贴近BiGRU理论，第二种适合从Python生态迁移，第三种适合快速验证。

2.3.1 基于dlnetwork自定义双向GRU层

用dlnetwork和自定义层可以绕开trainNetwork的限制。思路是构造一个包含两个gruLayer的分支结构，其中一个分支把输入时间维翻转，最后用concatenationLayer拼接两个分支的隐藏状态。代码骨架如下：

% 自定义一个简单的双向GRU前向传播函数 function [Y] = bgru_forward(X, gru_fw, gru_bw) % X: [特征维度, 时间步, 样本数] 的dlarray % 前向GRU处理原始序列 [Y_fw, ~] = predict(gru_fw, X); % 沿时间步维度翻转序列 X_flip = flip(X, 2); [Y_bw, ~] = predict(gru_bw, X_flip); % 再翻转回来并对齐 Y_bw = flip(Y_bw, 2); % 拼接两个方向的输出 Y = cat(1, Y_fw, Y_bw); end

这里flip(X, 2)翻转的是时间步维度，要确保MATLAB的深度学习数据格式里第2维真的是时间步。如果你的数据是[特征, 时间, 样本]，那flip操作没问题。通过predict分别得到正逆向输出后，拼接在一起，就完成了双向聚合。要注意的是梯度流：自定义层里如果直接写flip，反向传播时MATLAB会自动解析翻转，不需要手写dlgradient。实际封装时我还会把gru_fw和gru_bw作为可学习参数放进dlnetwork，保证训练时两个分支一起更新。

2.3.2 通过ONNX导入预训练模型

如果团队更习惯用PyTorch或TensorFlow训练BiGRU，可以导出ONNX模型，再用MATLAB的importNetworkFromONNX直接导入。对轴承寿命预测这类任务，我通常会在Python侧把模型训练好并导出，MATLAB端只负责数据预处理和结果展示，这种分工在生产项目里很常见。

% 从ONNX文件导入网络 net = importNetworkFromONNX('bigru_rul.onnx'); % 查看网络层结构 analyzeNetwork(net);

这个方式的优点是不用跟自定义层的梯度纠缠，缺点是只能在推理阶段使用，如果要在MATLAB里继续微调网络参数，比较麻烦。如果只是做个GUI演示工具，这个方案最稳妥。

2.3.3 退而求其次使用BiLSTM近似替代

如果老板给的deadline很短，来不及折腾自定义层，可以先用bilstmLayer替换BiGRU。LSTM和GRU在轴承退化数据上的表现差距通常很小，BiLSTM甚至有时收敛更快。这样trainNetwork就能直接吃进去：

layers = [ sequenceInputLayer(6) bilstmLayer(64, 'OutputMode', 'last') fullyConnectedLayer(32) reluLayer fullyConnectedLayer(1) regressionLayer ];

这里sequenceInputLayer(6)对应输入特征维度为6，bilstmLayer(64)是双向LSTM输出64维隐藏状态。注意BiLSTM是循环层，会自带双向结构，不用自己翻转序列。如果后续需要换成BiGRU，再用前面的自定义方法替换。

3. MATLAB数据预处理与BiGRU训练完整流程

3.1 振动数据读取与滑动窗口切分

轴承数据通常是连续采样的振动信号，首先要从原始时序里切出等长的滑动窗口。窗口太长会引入大量冗余计算，太短则丢失退化上下文。我一般先用getWindowMatrix这样的自定义函数，把一维信号转化为[特征维度, 时间步, 样本数]的三维数组。

function windows = createSlidingWindows(data, winLen, step) if nargin < 3, step = winLen; end n = length(data); idx = 1:step:(n - winLen + 1); windows = zeros(winLen, length(idx)); for i = 1:length(idx) windows(:, i) = data(idx(i):idx(i)+winLen-1)'; end % 转换为深度学习需要的 [特征维度, 时间步, 样本数] windows = reshape(windows, 1, winLen, length(idx)); end

这里winLen是窗口长度，step是滑动步长。如果step等于winLen，窗口之间没有重叠，计算量小但样本少；我通常把step设为winLen的一半，做50%重叠切分，能显著增加样本数量，而且退化趋势过渡更平滑。reshape后第1维是特征维度，这里只有1维振动，后面扩展特征时再合并。

3.2 归一化、训练集测试集划分与数据打包

把窗口切完后，需要做归一化。不要对整个数据集一次性归一化，那样会造成信息泄漏。正确做法是只在训练集上计算均值和标准差，然后用这套统计量去归一化测试集。对RUL预测，标签也可以做缩放，否则回归层误差会很大。

% 假设 X_raw 是 [1, timeSteps, numSamples] trainNum = floor(0.8 * size(X_raw, 3)); X_train = X_raw(:, :, 1:trainNum); X_test = X_raw(:, :, trainNum+1:end); % 按特征维度计算均值和标准差 mu = mean(X_train, 2, 'omitnan'); sd = std(X_train, 0, 2); X_train = (X_train - mu) ./ (sd + eps); X_test = (X_test - mu) ./ (sd + eps); % 构造 RUL 标签，并同样缩放 RUL = linspace(1, 800, size(X_raw, 3)); % 示例线性退化 Y_train = RUL(1:trainNum)' / 800; Y_test = RUL(trainNum+1:end)' / 800;

注意mean和std要按第2维（时间步）和样本维度计算，实际上MATLAB的mean(A, 2)是沿列取平均，对三维数组可以写成mean(X_train, [1,2])，但在旧版本只能用循环或reshape。上面代码里我用mean(X_train, 2)是示意，实际请换成mean(X_train, 2)配合reshape完成。为了避免维度混乱，我更建议把三维数组转成细胞数组或tall数组处理。

3.3 训练BiGRU模型的代码实现与参数说明

这里给出一个完整的训练脚本，使用上一章的自定义双向GRU逻辑。为了不破坏代码完整性，我把两个gruLayer放在一个dlnetwork里，用自定义训练循环。

% 定义前向和后向 GRU 层 gruFw = gruLayer(32, 'Name', 'gru_fw'); gruBw = gruLayer(32, 'Name', 'gru_bw'); % 使用自定义函数构造 dlnetwork net = dlnetwork([featureInputLayer(6, 'Norm', 'none') sequenceInputLayer(6)]); % 注意这里只是一个示例结构 % 训练选项 options = trainingOptions('adam', ... 'MaxEpochs', 100, ... 'MiniBatchSize', 64, ... 'InitialLearnRate', 0.001, ... 'ValidationData', {X_dl_val, Y_dl_val}, ... 'ValidationFrequency', 20, ... 'Plots', 'training-progress', ... 'ExecutionEnvironment', 'auto');

实际上trainNetwork不支持自定义双向GRU，所以要改用adamupdate手动循环，或者干脆用trainnet函数。MATLAB从R2022a开始有trainnet，可以直接对dlnetwork训练，并指定损失函数。

lossFcn = @(Y, T) mse(Y, T); [net, info] = trainnet(X_dl_train, Y_dl_train, net, lossFcn, options);

这里X_dl_train必须是dlarray格式，时间维度放在指定维度上。如果你用特征图而不是原始信号，那么sequenceInputLayer要换成imageInputLayer或featureInputLayer。表格总结一下我常用的训练参数：

3.4 模型评估与剩余寿命曲线绘制

训练完成后，用predict对测试集推理，并将预测值还原到原始尺度（乘以800）。评估指标常用的有均方根误差（RMSE）和评分函数，工业界更关心后期退化段的预测误差。

Y_pred = predict(net, X_dl_test); Y_pred = Y_pred * 800; % 还原 Y_true = RUL_test * 800; % 绘制预测曲线 figure; plot(Y_true); hold on; plot(Y_pred, '--'); xlabel('样本序号'); ylabel('剩余寿命 (分钟)'); legend('真实值', 'BiGRU预测值'); grid on;

这个图就是后面GUI里要展示的核心结果。绘制时建议加上置信区间，或者用shadedErrorBar展示多次预测的波动范围。如果看到预测曲线在早期偏平直、后期跟随度高，说明模型基本学会了退化趋势。

4. 用MATLAB GUI封装轴承寿命预测工具

4.1 GUI整体布局与组件设计

在MATLAB里手写GUI比App Designer更灵活，也更容易跟自定义训练代码集成。我一般用uifigure加uigridlayout做响应式布局，组件包括文件选择、参数显示、预测按钮、曲线坐标轴和结果指标标签。

fig = uifigure('Position', [100 100 800 500]); grid = uigridlayout(fig, [3 2]); % 左边：数据导入和参数输入 btnLoad = uibutton(grid, 'Text', '导入振动数据', ... 'ButtonPushedFcn', @(btn, event) loadData(btn)); dropdown = uidropdown(grid, 'Items', {'RMS特征', '峭度特征', '原始波形'}, ... 'Value', 'RMS特征'); % 右边：画图 ax = uiaxes(grid); grid.RowHeight = {40, 40, '1x'}; grid.ColumnWidth = {'1x', '2x'};

这里uibutton的回调可以定义为单独函数，也可以写匿名函数。GUI运行时不需要在回调里重新加载网络模型，否则每次点击都会初始化一次，卡顿很明显。正确做法是把训练好的网络设置为GUI的公共属性，或者用guidata保存。

4.2 回调函数中调用训练好的BiGRU模型

回调里做三件事：读取数据、按训练时的预处理步骤做窗口切分和归一化、调用predict。下面是一个加载按钮回调的简化版本：

function loadData(btn) [file, path] = uigetfile('*.mat'); if isequal(file, 0), return; end data = load(fullfile(path, file)); % 假设data里存了振动信号vib win = 256; step = 128; X = createSlidingWindows(data.vib, win, step); % 使用训练集保存的mu和sd归一化 X = (X - mu) ./ sd; % 转成dlarray X_dl = dlarray(X, 'CBT'); % 预测 Y_pred = predict(net, X_dl); % 更新GUI的图 plotUIAxes(app, Y_pred * 800); end

注意dlarray的格式标识'CBT'表示通道、批量、时间，如果你切出来的数据是[特征, 时间, 样本]，则要确保和训练时一致。很多人在这一步出错，因为训练时用了sequenceInputLayer要求数据是细胞数组或dlarray，而GUI里拿到的原始波形往往是单条时间序列，需要先补成准三维结构。

4.3 在界面上绘制预测结果并导出报告

GUI最后一步是把预测曲线、真实RUL（如果有）和剩余寿命数值展示出来。再加一个“导出报告”按钮，把图片和关键指标写入Excel或PDF。这里用exportgraphics直接保存当前坐标轴。

function exportReport(btn) % 保存当前预测图 exportgraphics(app.UIAxes2, 'rul_prediction.png', 'Resolution', 300); % 保存指标到Excel T = table(app.Y_true, app.Y_pred, 'VariableNames', {'真实RUL', '预测RUL'}); writetable(T, 'rul_result.xlsx'); end

实用小技巧：把网络在GUI打开前就加载一次，并放在startupFcn里。这样用户点击“导入数据”时，等待时间只有预处理和推理的几秒，体验会好很多。如果你的模型较大，可以考虑把数据预处理和网络推理做成一个函数文件，GUI只负责调用，避免回调里堆一坨代码。

5. 轴承寿命预测项目的进阶调参与验证技巧

5.1 超参数敏感性分析与自动调参

BiGRU在轴承数据上容易受到学习率和隐藏单元数影响。我建议先用小规模数据跑一次学习率扫描：取0.0005、0.001、0.003、0.01四档，固定其他参数，看训练损失曲线的下降斜率。学习率过高时损失曲线会出现锯齿，过低则曲线长期不下降。隐藏单元数从32开始，如果验证集误差不降，再加到64；特征多时加到128。可以用bayesopt做自动调参，但轴承数据量往往不大，手工调3~4次就能达到不错效果。

5.2 用早停机制防止过拟合

在自定义训练循环里，手动实现早停比trainingOptions里内置的ValidationPatience更可控。

patience = 10; bestLoss = inf; patienceCount = 0; for epoch = 1:maxEpochs % 计算训练损失和验证损失 [net, trainLoss] = modelGradients(net, X_train, Y_train); valLoss = computeLoss(net, X_val, Y_val); if valLoss < bestLoss - 1e-4 bestLoss = valLoss; bestNet = net; patienceCount = 0; else patienceCount = patienceCount + 1; if patienceCount >= patience display('Early stopping...'); break; end end end

这段代码里，bestNet保存了验证损失最低的模型权重。注意判断条件里加了一个1e-4的容差，避免损失在小范围内波动时频繁重置计数。很多实际项目里，训练损失还在下降，验证损失已经反弹，这时的模型反而不好用，所以早停是必不可少的。

5.3 从离线预测切换到在线滚动预测的改造

GUI演示可以通过，但真正的工业监测是滚动预测：每来一个新采样点，就更新一次RUL估计。改造方法是用滑动窗口覆盖最近的一段时间，不用重新切全量窗口。

function rul_now = onlinePredict(net, buffer, mu, sd) % buffer: 最近winLen个点 X = reshape(buffer, 1, winLen, 1); X = (X - mu) / sd; X_dl = dlarray(X, 'CBT'); rul_now = predict(net, X_dl) * 800; end

在设备上每隔一秒调用一次这个函数即可。注意buffer要维护成一个先入先出的环形队列，避免每次拼接大量历史数据。另外预测结果可能有轻微抖动，我习惯加一个指数平滑：

smoothed = alpha * rul_now + (1 - alpha) * smoothed;

alpha取0.1~0.3，可以在稳定性与响应速度之间折中。最后别忘了在GUI里加上“实时监控”模式，这个功能会给项目加分不少。

本文还有配套的精品资源，点击获取