基于机器学习的轴承剩余寿命预测

从轴承振动信号提取时域+频域特征，预测剩余使用寿命（RUL）：32 维特征工程 + 五模型回归对比 + GridSearchCV 调参 + 熵权-TOPSIS 选模 + SHAP 可解释性，一条完整的工业预测性维护流水线——代码、文档、面试问答全配齐。

• 任务类型时序与信号
• 专业方向机械/工业 · 电气/自动化 · 人工智能

数据与任务

如果你想找一个工业味十足、又能把机器学习全流程讲扎实的项目，这个「轴承剩余寿命预测」很合适。

它面向预测性维护这个真实工业场景——从轴承的振动信号里判断"它还能转多久"。配套也给你备齐了，帮你真正搞懂它、在面试和答辩里讲明白：带中文注释、能读懂的代码，一份从背景讲到每步实现的技术文档，一份把面试问题连答案都写好的问答文档，还有一整套能直接做 PPT 的配图。

先说清楚，它到底在做什么

工厂里的旋转机械一旦轴承突然失效，轻则停产、重则事故。预测性维护的核心诉求，就是提前知道"这个轴承还剩多少寿命"，好在它坏之前安排检修。难点在于：你拿到的是原始的振动加速度信号——每 0.1 秒 2560 个采样点的高频波形，它本身不是模型能直接用的数字，得先把"健康"和"快坏了"之间的差异，提炼成有物理意义的特征。

这个项目用的是 FEMTO Bearing（PRONOSTIA，IEEE PHM 2012 挑战赛）数据集，17 个轴承的全寿命加速退化实验。整条流水线是这样的：先从水平、垂直两个方向的振动信号里提取时域特征（RMS、峭度、波峰因子等）和频域特征（FFT 后的频率重心、分频段能量、频谱熵），再用滑动窗口聚合成 32 维特征；然后对比五种回归模型并用 GridSearchCV 调参，用熵权-TOPSIS 客观选出最优模型，最后用 SHAP 找出哪些特征最影响寿命判断。

搞懂它，你能在面试里讲清楚什么

把下面几件事吃透，面试官顺着问下来你都能接得住。

振动信号怎么变成特征，时域和频域各管什么。 这是整个项目的地基。你要能讲清楚时域特征里峭度、波峰因子为什么对早期冲击性故障敏感；以及为什么还要做 FFT 上频域——轴承退化后缺陷频率会在高频段出现新的能量峰、频谱变得更分散（熵增大），这些时域看不出来的变化，频域能抓住。

为什么对比五种模型 + 客观选模。 项目对比了岭回归、SVR、随机森林、XGBoost、LightGBM，并用熵权-TOPSIS 综合 R²、RMSE、MAE 等多个指标客观排名。你能借此讲清楚：在这类工程特征上，梯度提升树为什么往往比线性模型强一大截，以及当多个指标各有高低时，怎么用一套客观方法选模而不是拍脑袋。

SHAP 怎么把模型讲成"看得懂的特征贡献"。 SHAP 能排出哪些特征最推动寿命判断，让黑盒变透明。你能借此讲清楚回归模型的可解释性——为什么模型认为某个轴承快坏了，背后是哪些振动特征在起作用。

下面这组分析图也都给你做好了，可以直接放进答辩或面试 PPT：

更关键的是，每张图怎么跑出来的、该怎么解读，技术文档里都讲清楚了——你能说明白每张图到底说明了什么。

面试官会问的，都帮你备好了

随便感受几个这个项目真实会被追问的问题：

• 为什么要从频域提取特征？时域特征不够吗？
• 滑动窗口聚合解决了什么问题？窗口大小怎么定？
• 树模型和线性模型在这个任务上差距为什么这么大？

看到会愣一下？正常。配套的面试问答文档把这个项目——从整体思路到每个流程细节、各种可能被追问的点——连参考答案都给你写好了。另外还有现成的简历描述，照着改就能写进简历；那套配图也能直接套进 PPT 模板，快速出一份面试 / 答辩 PPT。

配套资料：搞懂一个项目需要的，这里全都有

先看那份技术文档——从背景、振动信号特征、五模型对比一直讲到 TOPSIS 与 SHAP，图文并茂：

代码也给你了——关键部分都带着中文注释，帮你读懂"它到底是怎么实现的"：

技术文档、面试问答、源码注释、整套配图——搞懂一个项目、并在面试里讲清楚它，需要的全都备齐了。

适合谁

不管你是赶毕设、想给简历添个有分量的项目，还是在准备面试，这个题目都接得住。专业上，机械工程、机械电子、自动化、计算机、人工智能、工业工程方向都很合适。剩余寿命预测是工业智能（PHM / 预测性维护）里最有代表性的任务之一，把这条从振动信号到寿命预测的完整流水线真正搞懂、能讲出来，就是一个能写进简历、撑得起面试的项目。