TFG-Mamba：通过门控Mamba实现时频域融合，以高效计算预测轴承的剩余使用寿命（RUL）

Remaining Useful Life预测模型设计及工业部署优化 | Temporal-Fusion Gating Mamba（TFG-Mamba）框架提出 | 整合时间卷积网络与SEFA特征注意力机制 | Mamba架构实现线性复杂度 | 工业物联网边缘设备部署优化 | 基于XJTU-SY和PHM 2012数据集验证

　　
在工业设备健康管理领域，剩余使用寿命（RUL）预测技术的准确性直接影响智能制造系统的运行效率。作者团队针对当前RUL预测模型在工业部署中面临的两大核心瓶颈——复杂信号特征提取的高计算成本与边缘设备资源限制——提出了创新性的轻量化架构TFG-Mamba。该模型通过融合多尺度时间特征捕捉、自适应频率特征增强和高效长序列建模三大技术突破，实现了预测精度与计算效率的协同优化。

研究首先揭示了工业场景中RUL预测的三大技术痛点：第一，高频率振动信号同时包含时间维度和频谱维度的动态信息，传统特征提取方法存在维度灾难；第二，工业边缘设备普遍存在算力资源受限问题，现有Transformer架构的二次时间复杂度难以承受；第三，多源信号融合与跨尺度特征对齐存在技术瓶颈，导致模型泛化能力不足。

针对上述问题，TFG-Mamba架构构建了三层次协同机制。基础层采用双路径特征提取器，通过并行处理的时间卷积网络（TCN）和 squeeze-and-excitation特征注意力网络（SEFA），同步捕获信号的时间序列特征和频域特征。TCN通过多尺度卷积核自动提取振动信号中的周期性波动和瞬时故障脉冲，而SEFA则通过通道注意力机制强化关键频段的能量分布，形成互补特征空间。

中间层设计的门控残差跳转模块（GRSM）突破了传统融合方式的局限性。该模块引入动态权重分配机制，根据设备运行阶段自适应调整时间特征与频域特征的融合比例。在设备健康初期，系统侧重捕获频域中的微小异常波动；当设备进入加速老化阶段，则强化时间维度上的趋势特征，这种动态平衡机制有效解决了不同退化阶段的特征对齐难题。

核心创新体现在将Mamba架构与上述特征融合模块结合。Mamba通过选择性状态空间建模，在保持线性时间复杂度（O(n)）的同时，利用滑动窗口机制捕捉长达1024个时间步的退化模式。与传统Transformer相比，其参数量减少近50%，但通过局部状态空间更新和全局上下文感知的协同工作，仍能保持对复杂退化路径的建模能力。实验数据显示，该架构在XJTU-SY和PHM 2012基准数据集上，将均方根误差（RMSE）降低28%-32%，同时参数量控制在81万级别，仅为Transformer基线的1/5。

研究特别强调该模型的工业适用性设计。在特征提取阶段，双路径并行处理将计算复杂度从平方级降低到线性级；在模型架构层面，Mamba的滑动窗口机制使单次推理仅需线性时间，配合GRSM的轻量化门控设计，整体模型达到每秒处理1200个时间步的边缘计算性能。实测表明，在搭载NVIDIA Jetson Nano的边缘服务器上，模型推理延迟低于50ms，内存占用控制在800MB以内，满足工业4.0环境下实时监测的需求。

对比实验部分证实了该架构的多维优势。在XJTU-SY数据集上，相较于基准Transformer模型，TFG-Mamba在所有退化阶段（1-10^5小时）的预测误差降低幅度超过30%，且在噪声干扰实验中表现出更强的鲁棒性。当设备运行环境发生20%参数波动时，传统模型误差上升35%，而TFG-Mamba通过动态门控机制调整特征融合权重，误差仅增加8%。这种环境自适应能力使其特别适合智能制造场景中的多设备异构环境。

研究还建立了完整的验证体系，包括跨数据集泛化测试和边缘设备稳定性评估。在PHM 2012数据集上，模型对高速（3600rpm）与低速（1200rpm）轴承的预测精度保持一致，验证了架构的宽域适用性。通过在工业边缘设备（如OPC UA网关）上的部署测试，TFG-Mamba在连续运行48小时后仍能保持98%的预测精度稳定性，其低参数量和线性复杂度有效规避了模型漂移问题。

在工程实现层面，研究团队开发了端到端的部署工具链。该工具链支持将模型自动转换为ONNX格式，并适配主流工业边缘设备（如NVIDIA Jetson系列、Intel Movidius等）的硬件加速特性。实测数据显示，在搭载ARM Cortex-A72处理器的工业服务器上，模型推理速度达到120FPS，内存占用低于1.2GB，完全满足实时预测需求。

该研究的重要启示在于，工业预测模型的优化需要兼顾三个维度：算法效率、特征完备性和环境适应性。TFG-Mamba通过动态特征融合机制，既解决了多源特征对齐问题，又保持了计算效率；而选择性状态空间设计则完美平衡了模型深度与实时性要求。这些创新为工业机器视觉、预测性维护等领域的边缘计算应用提供了可复用的技术范式。

后续研究计划包括扩展该架构到非结构化数据场景，以及开发面向多物理场耦合的退化建模方法。团队正在与三一重工、海尔工业互联网平台合作，将TFG-Mamba集成到智能产线预测性维护系统中，预计可使设备非计划停机率降低40%，维护成本减少25%。这种产学研结合的模式，为工业AI技术的落地提供了重要实践路径。