算法首先通过振动信号处理提取RMS和最大值等健康指标特征，然后对每个轴承的退化数据进行深度特征分析，包括计算均值、标准差、梯度、曲率等统计特征，基于这些特征自动识别轴承的退化模式（快速、中等或缓慢退化），根据识别结果智能选择最适合的模型类型和参数初始化策略，核心采用改进的威布尔混合模型，在传统威布尔分布基础上增加线性项以增强模型灵活性，训练过程中采用自适应学习率调整机制，根据损失变化动态优化学习率，结合早停机制防止过拟合，保存训练过程中的最佳模型状态，最后通过模型外推预测健康指标超过预设故障阈值的时间点，实现剩余寿命的精准预测，整个流程实现了从原始振动信号到剩余寿命预测的端到端智能化处理。

算法流程

开始
↓
数据加载与预处理
├── 读取轴承振动信号
├── 分段处理(2560点/段)
├── 计算RMS和最大值特征
└── 平滑处理RMS数据
↓
特征提取与分析
├── 计算故障起始时间(FPT)
├── 分析退化阶段统计特征
├── 计算梯度、曲率等指标
└── 识别退化模式类型
↓
智能模型选择
├── 快速退化模式 → 改进威布尔模型(激进参数)
├── 中等退化模式 → 标准威布尔模型
└── 缓慢退化模式 → 保守参数初始化
↓
模型训练与优化
├── 自适应学习率调整
├── 加权损失函数计算
├── 参数迭代更新
├── 最佳模型保存
└── 早停机制判断
↓
剩余寿命预测
├── 模型外推预测
├── 阈值比较判断
├── 故障时间计算
└── 异常情况处理
↓
结果可视化与输出
├── 预测曲线绘制
├── 误差分析计算
└── 性能评估报告
↓
结束

详细算法步骤

第一步进行数据预处理，加载轴承振动信号数据并进行分段处理，计算每段信号的均方根值和最大值作为健康指标，对数据进行平滑处理以消除噪声影响。

第二步进行特征工程，确定轴承的故障起始时间点，分析退化阶段的数据统计特征，计算数据的梯度变化和曲率特征，根据特征模式识别轴承的退化类型。

第三步实施智能模型选择，针对快速退化模式选择改进的威布尔模型并采用激进的参数初始化策略，对于中等退化模式使用标准威布尔模型，针对缓慢退化模式采用保守的参数设置。

第四步执行模型训练优化，采用自适应学习率机制根据训练效果动态调整学习速率，使用加权损失函数强调后期数据的重要性，进行参数迭代更新和优化，在训练过程中保存表现最佳的模型状态，根据收敛情况实施早停机制。

第五步进行寿命预测计算，使用训练好的模型进行趋势外推预测，比较预测值与预设故障阈值，计算达到故障阈值的时间点，针对异常预测情况实施备用预测策略。

第六步完成结果分析展示，绘制预测曲线与实际数据的对比图，计算预测误差和性能指标，生成详细的评估报告和可视化结果。