wordpress下载站插件,html家具网站源代码,四川省建设网站,滨海新区网站建设1.效果视频#xff1a;机械寿命预测#xff08;NASA涡轮风扇发动机剩余使用寿命RUL预测#xff0c;Python代码#xff0c;CNN_LSTM模型#xff0c;有详细中文注释#xff09;_哔哩哔哩_bilibili
环境库版本#xff1a; 2.数据来源#xff1a;https://www.nasa.gov/int…1.效果视频机械寿命预测NASA涡轮风扇发动机剩余使用寿命RUL预测Python代码CNN_LSTM模型有详细中文注释_哔哩哔哩_bilibili
环境库版本 2.数据来源https://www.nasa.gov/intelligent-systems-division
数据文件夹 数据介绍
当前基于机器学习的剩余寿命预测方法的研究异常火爆其中C-MAPSS数据集在该领域的使用非常广泛为了方便各位同仁的学习和理解借此文章向大家简单介绍一下。 1首先说明C-MAPSS数据集为模拟数据。这是由于航空发动机的构造复杂其气路变化复杂多变并且航空发动机的运行数据通常作为各个航空公司的保密数据一般不易获取。因此由NASA使用Commercial Modular Aero-Propulsion System Simulation软件生成了该套数据集其目的是结合发动机的运行特点来测试不同的模型性能。 2NASA提出的涡扇引擎退化监测数据集(C-MPASS)的结构简图如下所示。主要构件包含风扇、低压压气机(LPC)、高压压气机(HPC)、燃烧室、高压涡轮(HPT)、低压涡轮(LPT)及其喷管。 其子数据集共四个每个子类都有不同数量的工况条件和故障状态。C-MAPSS数据如下图所示 当前的论文研究中主要以单工况、单故障状态的FD001数据集为主(笔者认为该数据集相对简单相比于多工况数据不需要额外的数据处理)。以FD001为例其进一步分为训练和测试子集其包含1种故障状态和1种工况。训练集Train_FD001.txt收录了100台保持全寿命循环状态的发动机参数信息测试集Test_FD001.txt收录了100台非全寿命循环状态的发动机参数信息即仅包含发动机故障前某个时间终止的多个传感器数据根据给定的运行参数对每台发动机的RUL进行实时的预测RUL_FD001.txt中收录了测试集中100台发动机的RUL真实值。每台发动机的参数信息包含3种工作状况监测参数(飞行高度马赫数油门杆角度)和21个性能监测参数其24个传感器监测参数如下图所示。
单工况数据集 1单工况。笔者认为所谓的单工况可以理解为飞机巡航时所记录的时间节点大致可以认为飞机巡航时其工况参数飞行高度、马赫数和油门杆角度是不变化的。 2随机选取FD001训练数据集中的发动机3个性能参数进行可视化分析如下图所示。图中横坐标代表发动机的运行循环数所谓运行循环数是指发动机从出厂到下发的过程中记录发动机性能参数变化的不同时间节点。直观来讲就是并非发动机从运行到下发的每一个时间点都记录只是记录的各个飞行时间段中的某些时间节点。纵坐标代表各个参数的变化量。其中不同的颜色代表不同的发动机。由图可见单工况的数据在运行周期内具有明显的单调变化特性这更有助于机器学习模型对于故障特征的判断。
多工况。基于前面的理解多工况可以理解为包含了发动机从滑跑、起飞、巡航和降落的不同阶段。由于工况的不断变化其参数的变化特点也更为复杂。 1随机选取FD002训练数据集中的发动机三个性能参数进行可视化分析如下图所示。由图可见。多工况的性能参数在运行周期中没有显现出明显的单调特性这不利于机器学习。相比于单工况机器学习模型不能有效的学习到关键的退化特征。更详细的介绍可参照论文赵洪利,张奔,张青.基于工况聚类和残差自注意力的发动机剩余使用寿命预测[J].航空科学技术,2023,34(04):31-40.DOI:10.19452/j.issn1007-5453.2023.04.004.
3.模型 4.CNN_LSTM模型的效果 预测值与真实值对比 对项目感兴趣的可以关注最后一行
from matplotlib import pyplot as plt
plt.rcParams[font.sans-serif][simhei] # 添加中文字体为黑体
plt.rcParams[axes.unicode_minus] False
# -*- coding: utf-8 -*-import numpy as np # 导入NumPy库用于进行数值计算
import pandas as pd # 导入Pandas库用于数据处理和CSV文件读写#代码和数据集的压缩包https://mbd.pub/o/bread/ZJ6Wlp9s
