iTransformer-GRU并行网络在轴承寿命预测中的应用

1. 项目概述：轴承寿命预测框架的设计与实现

在工业设备健康管理领域，轴承作为旋转机械的核心部件，其剩余使用寿命（RUL）预测一直是研究热点。传统基于物理模型的预测方法往往需要精确的失效机理知识，而实际工业场景中复杂多变的工作条件使得这类方法难以普适应用。我们提出的iTransformer-GRU并行网络框架，通过融合深度学习与时序分析技术，构建了一个可扩展、可解释的轴承寿命预测解决方案。

这个框架的核心价值在于：

• 模型创新性：结合iTransformer的全局特征捕捉能力与GRU的时序建模优势，通过并行架构实现信息互补
• 工程实用性：提供完整的特征工程管道（93维时频域特征）和标准化数据预处理流程
• 框架扩展性：模块化设计支持快速集成新模型进行对比实验
• 结果可解释性：集成SHAP分析工具，揭示关键特征对预测结果的影响程度

实际工程应用中，我们发现在轴承寿命预测任务中，单一模型往往难以兼顾早期稳定状态和晚期退化阶段的特征表达。这正是我们设计并行架构的初衷——通过互补的建模方式提升预测鲁棒性。

2. 核心架构设计解析

2.1 iTransformer-GRU并行网络原理

iTransformer通过"维度倒置"（Dimension Inversion）重构了传统Transformer的处理逻辑：

1. 变量维度作为序列长度：将93个特征维度视为序列，使自注意力机制直接建模特征间关系
2. 时间维度作为特征维度：通过线性变换捕捉时间动态，避免传统Transformer在长序列上的计算负担

python复制class iTransformerLayer(nn.Module):
    def __init__(self, d_model=16, nhead=4):
        super().__init__()
        self.self_attn = nn.MultiheadAttention(d_model, nhead)
        self.linear1 = nn.Linear(d_model, d_model*4)
        self.linear2 = nn.Linear(d_model*4, d_model)
        sel