注意：所用数据为模拟数据，并不是实际数据

注意：所用数据为模拟数据，并不是实际数据

注意：所用数据为模拟数据，并不是实际数据

滚动轴承作为旋转机械的核心部件，剩余使用寿命预测对保障设备安全运行与实现预测性维护至关重要。传统方法依赖人工提取振动信号的时频域统计特征，虽具有一定可解释性但泛化能力有限，而深度学习方法虽能自动学习时序模式却常忽略底层物理机理。本算法构建了一套融合物理机理与深度学习的混合框架，通过生成符合轴承故障频率与退化规律的合成振动数据，提取包含时域、频域及包络分析的27维物理特征，分别采用随机森林与CNN-LSTM时序模型进行剩余寿命预测，既保持了模型的可解释性，又利用深度网络捕捉退化过程的长期依赖关系，在合成数据集上验证了物理特征对模型性能的基础性支撑作用。

算法步骤主要包括：

一、依据轴承几何参数与转频计算典型故障特征频率，并基于物理退化模型生成四组轴承从健康到失效的全寿命周期振动信号。

二、对每个采样时刻的振动信号依次提取时域统计量、频域谱特征以及基于希尔伯特变换的包络解调特征，形成包含27个物理指标的特征向量。

三、根据退化严重度曲线定义失效阈值，计算每个采样时刻的剩余寿命归一化标签，并划分训练与测试轴承。

四、将提取的特征分别输入随机森林回归器与CNN-LSTM时序网络进行训练，其中CNN-LSTM使用滑动窗口构建特征序列以捕捉时域演化规律。

五、采用均方根误差与平均绝对误差评估两种模型的预测性能，并通过特征重要性分析与预测曲线可视化对比模型差异。