研究背景

轴承是旋转机械的关键部件，其剩余寿命预测对于实现预测性维护、降低停机风险具有重要意义。支持向量回归（SVR）作为一种基于统计学习理论的回归方法，能够处理小样本、非线性问题，被广泛应用于轴承寿命预测任务中。

主要功能

该代码实现了基于SVR的轴承剩余寿命预测模型，具体功能包括：

• 加载PHM2012预提取的特征数据，包含轴承1‑2作为训练集，轴承3作为测试集；
• 对训练集和测试集进行标准化处理（Z‑score归一化）；
• 训练高斯核SVR模型；
• 在测试集上进行寿命预测；
• 计算预测性能指标：均方根误差（RMSE）、平均绝对误差（MAE）、决定系数（R²）；
• 生成多幅可视化图表（预测曲线、残差分布、散点图、性能指标文本等），并保存结果。

算法步骤

1. 数据加载与划分：读取特征矩阵和归一化剩余寿命标签；将轴承1、2数据合并为训练集，轴承3作为测试集。
2. 数据标准化：计算训练集各特征的均值（mu）和标准差（sigma），对训练集和测试集分别进行标准化，并处理标准差为零产生的NaN。
3. SVR模型训练：使用fitrsvm函数，指定高斯核函数、自动核尺度，在标准化后的训练数据上训练模型。
4. 预测与评估：用训练好的模型预测测试集，计算RMSE、MAE、R²。
5. 结果可视化：绘制真实值与预测值对比曲线、残差曲线、残差直方图、散点图、累积误差图，并生成包含性能指标的汇总图表。
6. 保存结果：将模型、预测值、性能指标保存至SVR_Prediction_Results.mat，并保存图表。

技术路线

采用支持向量回归（SVR）作为核心算法，通过高斯径向基核函数将输入特征映射到高维空间，在高维空间中构造线性决策函数，以最小化结构风险。数据预处理阶段使用Z‑score标准化消除特征量纲影响，使模型训练更稳定。

参数设定

• 核函数：'gaussian'（高斯径向基核）
• 核尺度：'auto'（自动估计，基于启发式方法）
• 标准化：false（已在外部手动完成）
• 其他SVR参数：均采用fitrsvm的默认值，如误差惩罚参数 C=1
• C=1，不敏感损失参数 ε
• ε 自动估计等。

运行环境

• 软件：MATLAB2020（需包含Statistics and Machine Learning Toolbox，以支持fitrsvm函数）
• 依赖文件：feature_reconstructedData.mat（包含特征矩阵及剩余寿命标签）
• 输出：模型文件、预测结果及图表

应用场景

适用于工业旋转机械（如轴承、齿轮箱）的健康管理与剩余寿命预测，尤其适合历史数据有限、特征维度适中的场景。模型训练后可用于在线监测系统，为设备维修决策提供科学依据。