剩余寿命预测的标签设置

最新推荐文章于 2025-11-20 22:23:21 发布
原创 最新推荐文章于 2025-11-20 22:23:21 发布 · 6.9k 阅读 · 108 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
标签
#大数据 #人工智能

寿命预测的标签设置


一般寿命预测任务中(Remaining Useful Life,RUL)标签需要自己设计，因此本文总结了几种常用的标签设置方法。

1. Piece-wise linear分段线性函数RUL标签

比如对于CMAPSS涡扇发动机数据集来说，我们知道其中某一台涡扇发动机全寿命周期为192，也就是说该涡扇发动机运行192个周期后失效。因此设计它的RUL标签为[192,191,190,…,1],（从192一次减1）。
对于CMAPSS数据集来说一般还会使用一个阈值，认为发动机在初始时处于健康的工作状态，没有退化，运行一段时间后剩余寿命低于阈值时才开始进行退化。
在这里插入图片描述

2. 寿命百分比RUL标签

设备运行寿命百分比由0到1，或者由1-0
康守强，周月，王玉静，谢金宝，V.I.MIKULOVICH ，基于改进 SAE 和双向 LSTM 的滚动轴承 RUL 预测方法 ，自动化学报，2020

3. 提取健康指标构造RUL标签

该方法主要是对数据进行降维，方法众多但是太缺乏可解释性，没有公认的标准。
Chang-Hua Hu, Hong Pei, Xiao-Sheng Si, Dang-Bo Du, Zhe-Nan Pang, and Xi Wang ，A Prognostic Model Based on DBN and Diffusion Process for Degrading Bearing ，IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS，2019
在这里插入图片描述
对PHM2012轴承数据集的振动信号先进行RNM降维，再进行LLE降维成一维，来提取健康因子

cmapss_RUL_复现 (2)
06-01
cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_RUL_复现 (2)cmapss_
projectRUL:根据2012 PHM数据预测轴承的剩余使用寿命
05-27
轴承剩余寿命预测项目(projectRUL) 使用PHM2012大赛的轴承数据库，研究如何使用深度学习算法对滚珠轴承进行剩余寿命预测的试错项目 to prediction the remain useful life of bearing based on 2012 PHM data 2021-01-17 最后更新总结(Final Update) 碎碎念：这个项目一开始只是一个默默无名的研究生用来记录自己在深度学习算法上的学习过程，所以本质上就是一个没啥卵用的项目。结果项目停止更新的两年多总有人会给我发邮件问这个项目，(也有可能相关方向的代码是真的少，所以找到这里。。。)，而且我也不做相关方向了，所以做一个总结。 项目里面的深度模型基本都能运行，但是效果都不行！！（仅供新人学习参考） 项目里面我自我感觉最好的代码是dataset.py，这是将PHM2012、德国帕德博恩大学的数据库以及cw
【涡扇发动机RUL专题】:分段退化标签，测试集可视化、评价指标
weixin_45279187的博客
04-12 7468
涡扇发动机RUL预测常用的数据处理技术分段线性退化标签处理评价指标单台发动机可视化单独可视化的效果插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 常用的数据处理技术 一直以为涡扇发动机的RUL不会有太多人关注，没想到最近有不少粉丝问我，涡扇发动的RUL预测没怎么做单台发动机的可视化。之前由于很早之前也卡在
时间卷积网络+软阈值+注意力机制实现机械设备剩余寿命预测
weixin_43196262的博客
07-16 1万+
稍后更新。。。
基于NASA C-MAPSS数据的介绍
houxuxu001的博客
05-07 1万+
C-MAPSS数据集介绍，分析工况的变化对于性能参数的影响。
基于LSTM的剩余寿命预测（PyTorch实现）
yexuejianghan的博客
02-25 8446
LSTM 深度学习 PyTorch 剩余寿命预测
基于Elman神经网络的刀具剩余使用寿命预测（初学者+matlab代码实现）
weixin_49890890的博客
05-12 3630
Elman神经网络是 J. L. Elman于1990年首先针对问题而提出来的，是一种典型的局部回归网络( global feed forward local recurrent)。Elman网络可以看作是一个具有局部记忆单元和局部反馈连接的它的主要结构是前馈连接, 包括输入层、 隐含层、 输出层, 其连接权可以进行学习修正;反馈连接由一组“结构 ” 单元构成,用来记忆前一时刻的输出值, 其连接权值是固定的。在这种网络中, 除了普通的隐含层外, 还有一个特别的隐含层,称为关联层 (或联系单元层 );
RUL论文复现:深度卷积神经网络在预测剩余寿命估计中的应用
weixin_45279187的博客
11-27 2万+
Remaining useful life estimation in prognostics using deep convolution neural networks RUL预测文献文献中的DCNN模型代码供参考的模型代码训练过程代码损失函数可视化FD001测试集整体RUL预测可视化评价指标 neural networks ) RUL预测文献 最近有道友问了一下关于《Remaining useful life estimation in prognostics using deep convolut
Tensorflow2.0：实现 C-MAPSS 数据集的剩余寿命预测
cocofisher的博客
08-06 9863
文章目录项目介绍数据集介绍代码实现1、导入需要的库2、导入训练集、测试集与测试集剩余寿命3、计算训练集中每个发动机的剩余寿命3.1 计算训练集中每个发动机的最大寿命3.2 根据最大寿命和运行时间计算剩余寿命4、训练集归一化5、测试集归一化6、计算测试集标签（剩余寿命）6.1 计算训练集中每个发动机的最大寿命6.2 根据训练集中每个发动机的最大寿命和运行时间计算剩余寿命7、提取网络输入7.1 定义滑窗函数取特征7.2 选择要输入神经网络的特征7.3 滑窗提取训练集的输入7.4 滑窗提取测试集的输入8、提取标签
什么是机械设备的剩余寿命预测
最新发布
金石软件
11-20 1390
机械设备剩余寿命预测(RUL)技术摘要 机械设备剩余寿命预测(RUL)是通过传感器数据、历史维护记录等，定量预测设备到性能退化或故障前的剩余可用时间。该技术对能源行业尤为重要，可避免非计划停机、降低维护成本并保障安全生产。核心数据包括实时运行状态、历史维护记录、设备设计参数等。主流预测方法分为物理模型、数据驱动和混合模型三类，能源行业多采用混合模型以兼顾准确性与可行性。典型应用场景包括油田设备、输油管道等。当前面临数据质量低、小样本等挑战，未来趋势包括边缘计算AI、数字孪生融合等技术。RUL技术可实现从被动
迁移学习在RUL（剩余寿命预测）中的方法
qq_50062694的博客
09-30 3014
本文内容基于chatgpt，可大概了解迁移学习和剩余寿命预测知识
Matlab实现基于LSTM的航空发动机剩余寿命预测
默默科研仔的博客
05-03 1362
Matlab实现基于LSTM的航空发动机剩余寿命预测
CMAPSS 涡扇发动机数据集
11-12
CMAPSS 涡扇发动机数据集，亲测可用，用于寿命预测入门
基于卷积神经网络的航空发动机剩余寿命预测Matlab实现
2401_88845856的博客
11-14 2177
本文利用NASA提供的涡扇发动机退化数据集，进行数据预处理，构建训练样本和测试样本，然后搭建卷积神经网络（Convolutional Neural Network,CNN），学习训练数据，最后利用测试数据，分析神经网络模型预测剩余使用寿命（Remaining useful life，RUL）的效果。
Perl 6 数组分段 rotor
weixin_33928467的博客
01-14 144
切成每段n个元素的列表 # Perl 6 code my $a-array = (3,4,5, 7,8,9, 12,13,14, 15); $a-array.rotor(3,True) # 每三个元素一组， True表示多出来的也单独一个组 # gets ((3 4 5) (7) (8 9 12) (13)) #二位数组 引用 1. Array in Perl 6 1. class Array: ...
基于深度学习的航空发动机剩余寿命预测
联远智维官方账号
11-07 6214
近年来，随着微电子技术的进步与发展，传感器愈加智能化、微型化且价格低廉，相关产品在国防军工、机械装备、医疗电子以及环境治理等领域具有广泛的应用。传感器工作过程中能够产生大量的监测数据，工程师如何从数据中提取有用信息来辅助管理人员制定决策信息显得尤为关键。
CMAPSSDataNASA前期数据预处理
Komorebici的博客
03-19 2000
对于数据的介绍有很多文章，此处就不做赘述了，大家也可以自己去搜搜好的帖子，路过可以瞧瞧以下几篇帖子👇CMAPSS的个人理解和CMAPSS、PHM08、09、12下载地址_cmapss数据集介绍-CSDN博客使用LSTM实现C-MAPSS数据集里面的剩余寿命预测（Pytorch）-CSDN博客。
网址和URL之间的区别：什么是RUI、RUL、URN
冷鞘-的博客
06-03 3223
调用Web地址是普通的一个问题。一般这种情况，大家都会说，将“URL”放到浏览器中。这里提到的URL ，其实不是一个URL ，是网址的意思。URI 是统一资源标识符，而 URL 是统一资源定位符。因此，笼统地说，每个 URL 都是 URI，但不一定每个 URI 都是 URL。 RUI、RUL、URN URI ：Uniform Resource Identifier，统一资源标识符； URL：Uniform Resource Locator，统一资源定位符； URN：Uniform Resource Nam
使用CNN实现C-MAPSS数据集里面的剩余寿命预测（Pytorch）
热门推荐
comli_cn的博客
06-12 3万+
1.背景 在工程领域，了解不同的工程系统和组件非常重要，不仅要了解它们当前的性能，还要了解它们的性能如何随着时间的推移而降低。这扩展到了预测领域，它试图根据系统或组件的过去和现在的状态来预测其未来。这个领域中的一个常见问题是估计剩余使用寿命，或者系统或组件功能将持续多长时间。这个问题的著名数据集是PHM和C-MAPSS数据集。这些数据集包含不同涡扇发动机随时间产生的模拟传感器数据，并已用于研究剩余使用寿命的估计。 2.C-MAPSS数据集 数据集：FD001 训练轨迹：100 测试轨迹：100 条件：一个（
A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测
qq_43570025的博客
01-11 6082
A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测 目录A Deep Learning-Based Remaining Useful Life Prediction Approach for Bearings 基于深度学习的轴承剩余寿命预测前言研究问题摘要本文方法介绍本文方法步骤本文贡献CNN 前言 A Deep Learning-Based Remaining Useful
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值