C-MAPSS数据集可视化与预处理:MATLAB完整代码解析,发动机寿命预测必学数据集!

基于NASA C-MAPSS数据的介绍 C-MAPSS数据集介绍,分析工况的变化对于性能参数的影响。 阅读详情
AI摘要

C-MAPSS数据集由NASA开发,用于航空发动机故障预测,数据完整且拟合难度高。本文采用MATLAB代码对其进行深度剖析,介绍了数据集概览,包括四个子集的工况与故障场景,还展示了手撕代码分析数据的过程,最后提供完整版代码及运行说明。

深入解析C-MAPSS数据集

C-MAPSS数据集由NASA为研究航空发动机故障预测而开发的。备受发动机寿命预测科研儿的青睐,在各种顶级期刊频繁出现。因其数据比较完整,整理较为方便,且数据的拟合难度较高,是检验深度学习算法性能的试金石。本期推文采用MATLAB代码实现对该数据的深度剖析。


一、数据集概览

C-MAPSS(Commercial Modular Aero-Propulsion System Simulation)是航空发动机退化仿真数据集,官方数据获取链接:https://data.nasa.gov/dataset/cmapss-jet-engine-simulated-data  

C-MAPSS数据集由四个独立子集(FD001-FD004)构成,每个子集针对不同的工况与故障场景设计,具体配置如下:

子集训练样本数测试样本数运行条件故障模式

FD001

100

100

单一工况

高压压气机(HPC)退化

FD002

260

259

六种混合工况

HPC退化

FD003

100

100

单一工况

HPC+风扇复合退化

FD004

248

249

六种混合工况

HPC+风扇复合退化

FD001/FD003聚焦单一工况,FD002/FD004模拟多工况切换的复杂场景。FD003/FD004额外引入风扇退化问题。

以FD001为例,训练轨迹指每台发动机在其运行周期内的时间序列数据。每个训练轨迹对应于一台发动机的运行数据。100 条训练轨迹就是 100 台发动机, 每台发动机的初始磨损和制造工艺是不同的,这些差异被视为正常情况,而不是故障条件。

数据集中包含21个传感器记录的数值和不同operational setting,这些setting对发动机性能有显著影响。

  • C-MAPSS 数据集的物理含义

  • 传感器分布如图:

    在训练集中,模拟发动机从健康状态到故障状态的完整退化过程;而在测试集中,提供部分发动机的衰退轨迹,数据在故障发生之前随机截断(即未到真正发生故障的时间点)。测试模型根据当前的传感器值推断剩余使用寿命。

二、手撕MATLAB代码深度分析数据

读取C-MAPSS数据:

% 数据加载核心代码
clear; clc; close all;
addpath(genpath(pwd)); % 添加当前目录到路径

% 定义读取数据的函数
function data = get_data(file_name)
    file_path = fullfile('C-MAPSS-Data\', file_name);
    if exist(file_path, 'file') == 2
        data = readtable(file_path, 'Delimiter', ' ', 'MultipleDelimsAsOne', true, ...
            'ReadVariableNames', false,'HeaderLines', 0);
    else
        error('文件未找到: %s', file_path);
    end
end
%% 加载所有数据集
% 训练数据
train_FD001 = get_data('train_FD001.txt');
train_FD002 = get_data('train_FD002.txt');
train_FD003 = get_data('train_FD003.txt');
train_FD004 = get_data('train_FD004.txt');

% RUL数据
RUL_FD001 = get_data('RUL_FD001.txt');
RUL_FD002 = get_data('RUL_FD002.txt');
RUL_FD003 = get_data('RUL_FD003.txt');
RUL_FD004 = get_data('RUL_FD004.txt');

% 测试数据
test_FD001 = get_data('test_FD001.txt');
test_FD002 = get_data('test_FD002.txt');
test_FD003 = get_data('test_FD003.txt');
test_FD004 = get_data('test_FD004.txt');

%% 设置列名
col_names = {'ID', 'cycle', 'op_set_1', 'op_set_2', 'op_set_3', ...
    'sensor_1', 'sensor_2', 'sensor_3', 'sensor_4', 'sensor_5', ...
    'sensor_6', 'sensor_7', 'sensor_8', 'sensor_9', 'sensor_10', ...
    'sensor_11', 'sensor_12', 'sensor_13', 'sensor_14', 'sensor_15', ...
    'sensor_16', 'sensor_17', 'sensor_18', 'sensor_19', 'sensor_20', ...
    'sensor_21'};
col_name_RUL = {'RUL'};

% 为所有数据集分配列名
datasets = {train_FD001, train_FD002, train_FD003, train_FD004, ...
    test_FD001, test_FD002, test_FD003, test_FD004, ...
    RUL_FD001, RUL_FD002, RUL_FD003, RUL_FD004};

col_sets = {repmat({col_names}, 1, 8), repmat({col_name_RUL}, 1, 4)};

fori = 1:12
    ifi <= 8
        datasets{i}.Properties.VariableNames = col_names;
    else
        datasets{i}.Properties.VariableNames = col_name_RUL;
    end
end
% 将更新后的数据集赋值回原始变量
train_FD001 = datasets{1};
train_FD002 = datasets{2};
train_FD003 = datasets{3};
train_FD004 = datasets{4};

test_FD001 = datasets{5};
test_FD002 = datasets{6};
test_FD003 = datasets{7};
test_FD004 = datasets{8};

RUL_FD001 = datasets{9};
RUL_FD002 = datasets{10};
RUL_FD003 = datasets{11};
RUL_FD004 = datasets{12};

数据质量检查:

% 检查空值
fprintf('空值检查:\n');
fori = 1:8
    null_count = sum(any(ismissing(datasets{i}), 1));
    fprintf('数据集 %d: %d 个空值\n', i, null_count);
end

% 检查重复值
fprintf('\n重复值检查:\n');
fori = 1:8
    [~, idx] = unique(datasets{i}, 'rows');
    dup_count = size(datasets{i}, 1) - length(idx);
    fprintf('数据集 %d: %d 个重复值\n', i, dup_count);
end

MATLAB输出如下:

操作设置分布图:

%% 创建统一绘图样式
myColors = [0 0.4470 0.7410; 0.8500 0.3250 0.0980; 0.9290 0.6940 0.1250; ...
    0.4940 0.1840 0.5560; 0.4660 0.6740 0.1880; 0.3010 0.7450 0.9330; ...
    0.6350 0.0780 0.1840];
set(groot, 'defaultFigureColor', 'white', ...
    'defaultAxesFontSize', 12, ...
    'defaultAxesLabelFontSizeMultiplier', 1.1, ...
    'defaultAxesTitleFontSizeMultiplier', 1.2, ...
    'defaultLineLineWidth', 1.5);

%% 操作设置分析 (FD001)
% 提取操作设置列
op_set_cols = contains(col_names, 'op_set');
op_set_names = col_names(op_set_cols);

% 直方图分布
figure('Position', [100, 100, 1200, 500]);
for i = 1:3
    subplot(1, 3, i);
    data = train_FD001.(op_set_names{i});
    histogram(data, 'Normalization', 'probability', ...
        'FaceColor', myColors(i, :));
    title(sprintf('%s 分布', op_set_names{i}), 'FontWeight', 'bold', 'Interpreter', 'none');
    xlabel(op_set_names{i},'Interpreter', 'none');
    ylabel('相对频率');
    grid on;
    box off;
    if i==3
        xlim([80, 120]); % 手动设置 x 轴范围
    end
end
sgtitle('操作设置分布 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

操作设置随周期变化图:

% 操作设置随周期变化
figure('Position', [100, 100, 1200, 500]);
for i = 1:3
    subplot(1, 3, i);
    scatter(train_FD001.(op_set_names{i}), train_FD001.cycle, 8, ...
        train_FD001.ID, 'filled', 'MarkerEdgeAlpha', 0.3, 'MarkerFaceAlpha', 0.3);
    title(sprintf('%s 随周期变化', op_set_names{i}), 'FontWeight', 'bold', 'Interpreter', 'none');
    xlabel(op_set_names{i}, 'Interpreter', 'none');
    ylabel('周期');
    colormap(turbo);
    colorbar('off');
    grid on;
end
sgtitle('操作设置随周期变化 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

传感器分析 (FD001)

以FD001为例:

% 提取传感器列
sensor_cols = contains(col_names, 'sensor');
sensor_names = col_names(sensor_cols);

% 传感器直方图
figure('Position', [100, 100, 1400, 800]);
tiledlayout(3, 7, 'TileSpacing', 'compact');
for i = 1:21
    nexttile;
    data = train_FD001.(sensor_names{i});
    histogram(data, 'Normalization', 'probability', ...
        'FaceColor', myColors(mod(i,7)+1, :));
    title(sprintf('%s 分布', sensor_names{i}), 'FontSize', 10, 'Interpreter', 'none');
    grid on;
    box off;
end
sgtitle('传感器分布 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

传感器随周期变化

% 传感器随周期变化
figure('Position', [100, 100, 1800, 800]);
tiledlayout(3, 7, 'TileSpacing', 'compact');
for i = 1:21
    nexttile;
    scatter(train_FD001.(sensor_names{i}), train_FD001.cycle, 8, ...
        train_FD001.ID, 'filled', 'MarkerEdgeAlpha', 0.3, 'MarkerFaceAlpha', 0.3);
    title(sprintf('%s 随周期变化', sensor_names{i}), 'FontSize', 10, 'Interpreter', 'none');
    colormap(turbo);
    colorbar('off');
    grid on;
end
sgtitle('传感器读数随周期变化 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

操作设置与RUL(剩余寿命)的关系

%% 计算RUL (FD001)
% 计算每个引擎的最大周期
[G, ID_groups] = findgroups(train_FD001.ID);
max_cycle = splitapply(@max, train_FD001.cycle, G);
max_cycle_per_engine = table(ID_groups, max_cycle, 'VariableNames', {'ID', 'max_cycle'});

% 合并数据并计算RUL
train_FD001_merged = join(train_FD001, max_cycle_per_engine);
train_FD001_merged.RUL = train_FD001_merged.max_cycle - train_FD001_merged.cycle;

%% RUL分析 (FD001)
% 操作设置与RUL的关系
figure('Position', [100, 100, 1200, 500]);
for i = 1:3
    subplot(1, 3, i);
    scatter(train_FD001_merged.(op_set_names{i}), train_FD001_merged.RUL, 8, ...
        train_FD001_merged.ID, 'filled', 'MarkerEdgeAlpha', 0.3, 'MarkerFaceAlpha', 0.3);
    title(sprintf('%s 与RUL关系', op_set_names{i}), 'FontWeight', 'bold', 'Interpreter', 'none');
    xlabel(op_set_names{i}, 'Interpreter', 'none');
    ylabel('RUL');
    colormap(turbo);
    colorbar('off');
    grid on;
end
sgtitle('操作设置与RUL关系 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

传感器与RUL的关系

% 传感器与RUL的关系
figure('Position', [100, 100, 1800, 800]);
colormap(jet);                    % 使用更清晰的配色(如 parula, jet, hsv)
tiledlayout(3, 7, 'TileSpacing', 'compact');
for i = 1:21
    nexttile;
    scatter(train_FD001_merged.(sensor_names{i}), train_FD001_merged.RUL, 8, ...
        train_FD001_merged.ID, 'filled', 'MarkerEdgeAlpha', 0.3, 'MarkerFaceAlpha', 0.3);
    title(sensor_names{i}, 'FontSize', 10, 'Interpreter', 'none');
    grid on;
end
sgtitle('传感器读数与RUL关系 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

随机选择5个引擎进行趋势分析

  • 操作设置随RUL变化趋势

engine_ids = randperm(100, 5); % 随机选择5个引擎

% 操作设置趋势分析
figure('Position', [100, 100, 1400, 600]);
tiledlayout(3, 5, 'TileSpacing', 'compact');
for i = 1:3
    for j = 1:5
        nexttile;
        engine_data = train_FD001_merged(train_FD001_merged.ID == engine_ids(j), :);
        plot(engine_data.RUL, engine_data.(op_set_names{i}), ...
            'Color', myColors(i, :), 'LineWidth', 1.8);
        title(sprintf('引擎 %d: %s', engine_ids(j), op_set_names{i}), 'Interpreter', 'none');
        xlabel('RUL', 'Interpreter', 'none');
        grid on;
    end
end
sgtitle('操作设置随RUL变化趋势 (随机引擎)', 'FontSize', 16, 'FontWeight', 'bold');
  • 传感器随RUL变化趋势

sensor_subset = sensor_names(1:6);
figure('Position', [100, 100, 1400, 800]);
tiledlayout(6, 5, 'TileSpacing', 'compact');
for i = 1:6
    for j = 1:5
        nexttile;
        engine_data = train_FD001_merged(train_FD001_merged.ID == engine_ids(j), :);
        plot(engine_data.RUL, engine_data.(sensor_subset{i}), ...
            'Color', myColors(mod(i,7)+1, :), 'LineWidth', 1.8);
        title(sprintf('引擎 %d: %s', engine_ids(j), sensor_subset{i}), 'Interpreter', 'none');
        xlabel('RUL');
        grid on;
    end
end
sgtitle('传感器读数随RUL变化趋势 (随机引擎)', 'FontSize', 16, 'FontWeight', 'bold');

三、完整版代码直接复制

%% 初始化环境
clear; clc; close all;
addpath(genpath(pwd)); % 添加当前目录到路径

% 定义读取数据的函数
function data = get_data(file_name)
    file_path = fullfile('C-MAPSS-Data\', file_name);
    if exist(file_path, 'file') == 2
        data = readtable(file_path, 'Delimiter', ' ', 'MultipleDelimsAsOne', true, ...
            'ReadVariableNames', false,'HeaderLines', 0);
    else
        error('文件未找到: %s', file_path);
    end
end
%% 加载所有数据集
% 训练数据
train_FD001 = get_data('train_FD001.txt');
train_FD002 = get_data('train_FD002.txt');
train_FD003 = get_data('train_FD003.txt');
train_FD004 = get_data('train_FD004.txt');

% RUL数据
RUL_FD001 = get_data('RUL_FD001.txt');
RUL_FD002 = get_data('RUL_FD002.txt');
RUL_FD003 = get_data('RUL_FD003.txt');
RUL_FD004 = get_data('RUL_FD004.txt');

% 测试数据
test_FD001 = get_data('test_FD001.txt');
test_FD002 = get_data('test_FD002.txt');
test_FD003 = get_data('test_FD003.txt');
test_FD004 = get_data('test_FD004.txt');

%% 设置列名
col_names = {'ID', 'cycle', 'op_set_1', 'op_set_2', 'op_set_3', ...
    'sensor_1', 'sensor_2', 'sensor_3', 'sensor_4', 'sensor_5', ...
    'sensor_6', 'sensor_7', 'sensor_8', 'sensor_9', 'sensor_10', ...
    'sensor_11', 'sensor_12', 'sensor_13', 'sensor_14', 'sensor_15', ...
    'sensor_16', 'sensor_17', 'sensor_18', 'sensor_19', 'sensor_20', ...
    'sensor_21'};
col_name_RUL = {'RUL'};

% 为所有数据集分配列名
datasets = {train_FD001, train_FD002, train_FD003, train_FD004, ...
    test_FD001, test_FD002, test_FD003, test_FD004, ...
    RUL_FD001, RUL_FD002, RUL_FD003, RUL_FD004};

col_sets = {repmat({col_names}, 1, 8), repmat({col_name_RUL}, 1, 4)};

for i = 1:12
    if i <= 8
        datasets{i}.Properties.VariableNames = col_names;
    else
        datasets{i}.Properties.VariableNames = col_name_RUL;
    end
end
% 将更新后的数据集赋值回原始变量
train_FD001 = datasets{1};
train_FD002 = datasets{2};
train_FD003 = datasets{3};
train_FD004 = datasets{4};

test_FD001 = datasets{5};
test_FD002 = datasets{6};
test_FD003 = datasets{7};
test_FD004 = datasets{8};

RUL_FD001 = datasets{9};
RUL_FD002 = datasets{10};
RUL_FD003 = datasets{11};
RUL_FD004 = datasets{12};


%% 数据质量检查
% 检查空值
fprintf('空值检查:\n');
for i = 1:8
    null_count = sum(any(ismissing(datasets{i}), 1));
    fprintf('数据集 %d: %d 个空值\n', i, null_count);
end

% 检查重复值
fprintf('\n重复值检查:\n');
for i = 1:8
    [~, idx] = unique(datasets{i}, 'rows');
    dup_count = size(datasets{i}, 1) - length(idx);
    fprintf('数据集 %d: %d 个重复值\n', i, dup_count);
end

%% 创建统一绘图样式
myColors = [0 0.4470 0.7410; 0.8500 0.3250 0.0980; 0.9290 0.6940 0.1250; ...
    0.4940 0.1840 0.5560; 0.4660 0.6740 0.1880; 0.3010 0.7450 0.9330; ...
    0.6350 0.0780 0.1840];
set(groot, 'defaultFigureColor', 'white', ...
    'defaultAxesFontSize', 12, ...
    'defaultAxesLabelFontSizeMultiplier', 1.1, ...
    'defaultAxesTitleFontSizeMultiplier', 1.2, ...
    'defaultLineLineWidth', 1.5);

%% 操作设置分析 (FD001)
% 提取操作设置列
op_set_cols = contains(col_names, 'op_set');
op_set_names = col_names(op_set_cols);

% 直方图分布
figure('Position', [100, 100, 1200, 500]);
for i = 1:3
    subplot(1, 3, i);
    data = train_FD001.(op_set_names{i});
    histogram(data, 'Normalization', 'probability', ...
        'FaceColor', myColors(i, :));
    title(sprintf('%s 分布', op_set_names{i}), 'FontWeight', 'bold', 'Interpreter', 'none');
    xlabel(op_set_names{i},'Interpreter', 'none');
    ylabel('相对频率');
    grid on;
    box off;
    if i==3
        xlim([80, 120]); % 手动设置 x 轴范围
    end
end
sgtitle('操作设置分布 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

% 操作设置随周期变化
figure('Position', [100, 100, 1200, 500]);
for i = 1:3
    subplot(1, 3, i);
    scatter(train_FD001.(op_set_names{i}), train_FD001.cycle, 8, ...
        train_FD001.ID, 'filled', 'MarkerEdgeAlpha', 0.3, 'MarkerFaceAlpha', 0.3);
    title(sprintf('%s 随周期变化', op_set_names{i}), 'FontWeight', 'bold', 'Interpreter', 'none');
    xlabel(op_set_names{i}, 'Interpreter', 'none');
    ylabel('周期');
    colormap(turbo);
    colorbar('off');
    grid on;
end
sgtitle('操作设置随周期变化 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

%% 传感器分析 (FD001)
% 提取传感器列
sensor_cols = contains(col_names, 'sensor');
sensor_names = col_names(sensor_cols);

% 传感器直方图
figure('Position', [100, 100, 1400, 800]);
tiledlayout(3, 7, 'TileSpacing', 'compact');
for i = 1:21
    nexttile;
    data = train_FD001.(sensor_names{i});
    histogram(data, 'Normalization', 'probability', ...
        'FaceColor', myColors(mod(i,7)+1, :));
    title(sprintf('%s 分布', sensor_names{i}), 'FontSize', 10, 'Interpreter', 'none');
    grid on;
    box off;
end
sgtitle('传感器分布 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

% 传感器随周期变化
figure('Position', [100, 100, 1800, 800]);
tiledlayout(3, 7, 'TileSpacing', 'compact');
for i = 1:21
    nexttile;
    scatter(train_FD001.(sensor_names{i}), train_FD001.cycle, 8, ...
        train_FD001.ID, 'filled', 'MarkerEdgeAlpha', 0.3, 'MarkerFaceAlpha', 0.3);
    title(sprintf('%s 随周期变化', sensor_names{i}), 'FontSize', 10, 'Interpreter', 'none');
    colormap(turbo);
    colorbar('off');
    grid on;
end
sgtitle('传感器读数随周期变化 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

%% 计算RUL (FD001)
% 计算每个引擎的最大周期
[G, ID_groups] = findgroups(train_FD001.ID);
max_cycle = splitapply(@max, train_FD001.cycle, G);
max_cycle_per_engine = table(ID_groups, max_cycle, 'VariableNames', {'ID', 'max_cycle'});

% 合并数据并计算RUL
train_FD001_merged = join(train_FD001, max_cycle_per_engine);
train_FD001_merged.RUL = train_FD001_merged.max_cycle - train_FD001_merged.cycle;

%% RUL分析 (FD001)
% 操作设置与RUL的关系
figure('Position', [100, 100, 1200, 500]);
for i = 1:3
    subplot(1, 3, i);
    scatter(train_FD001_merged.(op_set_names{i}), train_FD001_merged.RUL, 8, ...
        train_FD001_merged.ID, 'filled', 'MarkerEdgeAlpha', 0.3, 'MarkerFaceAlpha', 0.3);
    title(sprintf('%s 与RUL关系', op_set_names{i}), 'FontWeight', 'bold', 'Interpreter', 'none');
    xlabel(op_set_names{i}, 'Interpreter', 'none');
    ylabel('RUL');
    colormap(turbo);
    colorbar('off');
    grid on;
end
sgtitle('操作设置与RUL关系 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

% 传感器与RUL的关系
figure('Position', [100, 100, 1800, 800]);
colormap(jet);                    % 使用更清晰的配色(如 parula, jet, hsv)
tiledlayout(3, 7, 'TileSpacing', 'compact');
for i = 1:21
    nexttile;
    scatter(train_FD001_merged.(sensor_names{i}), train_FD001_merged.RUL, 8, ...
        train_FD001_merged.ID, 'filled', 'MarkerEdgeAlpha', 0.3, 'MarkerFaceAlpha', 0.3);
    title(sensor_names{i}, 'FontSize', 10, 'Interpreter', 'none');
    grid on;
end
sgtitle('传感器读数与RUL关系 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');

%% 相关性分析 (FD001)
% 提取相关列
corr_cols = contains(train_FD001_merged.Properties.VariableNames, ...
    {'op_set', 'sensor', 'RUL'}) | ...
    strcmp(train_FD001_merged.Properties.VariableNames, 'cycle');
corr_data = train_FD001_merged(:, corr_cols);

% 计算并显示相关系数矩阵
corr_matrix = corr(table2array(corr_data), 'Rows', 'complete');
figure('Position', [100, 100, 1000, 900]);
imagesc(corr_matrix);
colorbar;
% colormap(jet);
title('特征相关性矩阵 (FD001)', 'FontSize', 16, 'FontWeight', 'bold');
axis square;

%% 随机选择5个引擎进行趋势分析
engine_ids = randperm(100, 5); % 随机选择5个引擎

% 操作设置趋势分析
figure('Position', [100, 100, 1400, 600]);
tiledlayout(3, 5, 'TileSpacing', 'compact');
for i = 1:3
    for j = 1:5
        nexttile;
        engine_data = train_FD001_merged(train_FD001_merged.ID == engine_ids(j), :);
        plot(engine_data.RUL, engine_data.(op_set_names{i}), ...
            'Color', myColors(i, :), 'LineWidth', 1.8);
        title(sprintf('引擎 %d: %s', engine_ids(j), op_set_names{i}), 'Interpreter', 'none');
        xlabel('RUL', 'Interpreter', 'none');
        grid on;
    end
end
sgtitle('操作设置随RUL变化趋势 (随机引擎)', 'FontSize', 16, 'FontWeight', 'bold');

% 传感器趋势分析 (选择前6个传感器示例)
sensor_subset = sensor_names(1:6);
figure('Position', [100, 100, 1400, 800]);
tiledlayout(6, 5, 'TileSpacing', 'compact');
for i = 1:6
    for j = 1:5
        nexttile;
        engine_data = train_FD001_merged(train_FD001_merged.ID == engine_ids(j), :);
        plot(engine_data.RUL, engine_data.(sensor_subset{i}), ...
            'Color', myColors(mod(i,7)+1, :), 'LineWidth', 1.8);
        title(sprintf('引擎 %d: %s', engine_ids(j), sensor_subset{i}), 'Interpreter', 'none');
        xlabel('RUL');
        grid on;
    end
end
sgtitle('传感器读数随RUL变化趋势 (随机引擎)', 'FontSize', 16, 'FontWeight', 'bold');

%% 处理FD002数据集 (示例)
[G, ID_groups] = findgroups(train_FD002.ID);
max_cycle = splitapply(@max, train_FD002.cycle, G);
max_cycle_per_engine = table(ID_groups, max_cycle, 'VariableNames', {'ID', 'max_cycle'});

train_FD002_merged = join(train_FD002, max_cycle_per_engine);
train_FD002_merged.RUL = train_FD002_merged.max_cycle - train_FD002_merged.cycle;

% 操作设置与RUL关系
figure('Position', [100, 100, 1200, 500]);
for i = 1:3
    subplot(1, 3, i);
    scatter(train_FD002_merged.(op_set_names{i}), train_FD002_merged.RUL, 8, ...
        train_FD002_merged.ID, 'filled', 'MarkerEdgeAlpha', 0.3, 'MarkerFaceAlpha', 0.3);
    title(sprintf('%s 与RUL关系 (FD002)', op_set_names{i}), 'FontWeight', 'bold', 'Interpreter', 'none');
    xlabel(op_set_names{i}, 'Interpreter', 'none');
    ylabel('RUL');
    colormap(turbo);
    colorbar('off');
    grid on;
end
sgtitle('操作设置与RUL关系 (FD002)', 'FontSize', 16, 'FontWeight', 'bold');

四、代码运行简单说明

从NASA官方直接下载数据:https://data.nasa.gov/dataset/cmapss-jet-engine-simulated-data  

复制以上代码即可直接一键出图。

获取更多优秀代码

或者复制链接跳转:https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu

端午安康

航空发动机寿命预测:SE-ResNet模型与C-MAPSS数据集应用 航空发动机寿命预测(RUL)是预测性维护的核心技术,通过分析多维传感器数据评估设备剩余使用寿命。传统物理模型面临数据获取难、工况多变等挑战,而基于深度学习的解决方案如SE-ResNet网络,通过1D卷积适配时间序列特征,并引入注意力机制动态加权重要传感器数据。C-MAPSS作为行业标准数据集,模拟了不同故障模式下的发动机退化过程,为算法验证提供基准。该技术可显著降低航空公司的维护成本,应用场景涵盖民航发动机健康管理、工业设备预防性维护等领域。实验表明,结合SE模块的改进模型在变工况条件下预测误差降低12%, 阅读详情

相关推荐

C-MAPSS数据集-RUL剩余寿命预测

在故障诊断与预测性维护、运维领域(PHM),当前基于机器学习等人工智能算法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。根据文献【2】的描述,其实相当于是对退化问题作了一个简化,虽然说是按照退化过程的时变特性,做了一定的建模上的设置,但是有点太缺少非线性特性了。

cnjs1994的博客 2544

航空发动机数据-C-MAPSS数据集的个人理解

航空发动机-C-MAPSS数据集的个人理解

weixin_45057858的博客 1万+

用TCN预测航空发动机剩余寿命:Python代码包实战与避坑指南

剩余使用寿命(RUL)预测是工业设备预测性维护的核心技术,航空发动机等高价值装备对预测精度与安全性尤为敏感。时间卷积网络(TCN)凭借因果卷积与空洞卷积,在时序建模中兼顾梯度稳定与感受野扩展,成为替代LSTM的轻量方案。本文以C-MAPSS公开数据集为背景,拆解一套完整的基于TCN的RUL预测Python代码包:从环境配置、数据预处理、滑窗标签生成到模型训练与评估,重点讲解归一化边界、验证集切分、特征选择等易错细节,并结合NASA评分函数与曲线诊断规避高估风险。适合工业时序预测与PHM领域开发者快速落地基线

weixin_33212799的博客 327

C-MAPSS数据集详细介绍

第一列同样是样本序号,从1-100,也是100个样本,第二列是采集数据的时序,上述样本1含有从1到31次时序采集的状态数据,预测未来发生故障前剩余的时序次数,及剩余的url,真实的url标签存放在RUL_FD001中。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。第一列表示样本序号,样本序号从1-100即共100个样本,第二列表示采集数据的时序,直到发生故障:即样本1发生故障前的192个时序数据。

weixin_46275898的博客 6337

C-MAPSS/航天发动机/涡轮发动机数据集

C-MAPSS/航天发动机/涡轮发动机数据集 包含FD001-FD004

CMAPSS 涡扇发动机数据集

CMAPSS 涡扇发动机数据集,亲测可用,用于寿命预测入门

C-MAPSS数据集介绍和学习

该数据集包括了在不同工况下(称为工作点)模拟的多个航空发动机的运行数据。此外,每个工作点都提供了与之相关联的剩余寿命(Remaining Useful Life, RUL)信息,即预计在当前工作点下发动机故障之前的剩余寿命。C-MAPSS数据集中的发动机类型分为四种,分别用0、1、2和3表示。每个发动机类型包括了不同的剩余寿命和运行数据,以模拟现实中的不同发动机健康状态和工作条件。通常,研究人员可以使用C-MAPSS数据集来训练和评估发动机故障诊断算法,以提高对发动机健康状态的监测和诊断能力。

weixin_44943389的博客 2279

C-MAPSS大型涡轮风扇发动机数据集

涡轮风扇发动机从正常运行至失效的全寿命采集的实验数据,对于研究涡轮风扇发动机的故障的预测及性能评估想必有用。-Turbofan engine failure from normal operation to the whole life of the experimental data collected for the study of turbofan engine failure prediction and performance evaluation must be useful.

C-MAPSS航空发动机寿命预测MATLAB代码,基于SE-ResNet网络的发动机寿命预测

那么train_FD001.txt对应的真实寿命在哪里呢,其实官方给出的四个训练集,每个训练集中的每个id发动机都是从当前时刻跑到寿命为0就结束,因此训练集中每个ID寿命的最后一个周期都是0,其他的周期依次递增上去即可。很多文献对此做了工作,如果你想在你的论文中附上此图以增加工作量,那么你就可以重新分析一遍,如果你的论文有篇幅要求,那么你也可以直接引用一些大佬的文献,直接给出重要特征即可。原始的Resnet网络(图左),在进行两次3×3的卷积后,直接与上一步的池化或卷积的结果进行相加。

淘个代码 1016

C-MAPSS_Problem

C_MAPSS Turbofan问题 商业模块化航空推进系统仿真(C-MAPSS)是涡轮风扇仿真模型。 C-MAPSS用于从涡扇发动机生成仿真的运行失败数据集,该数据集已在NASA的卓越诊断中心存储库中发布,该库可 。 在预测维护范围内解决问题的数据驱动方法的最大瓶颈是缺乏从运行到失败的数据集。 该模拟数据集使研究人员可以针对此问题构建,测试和基准测试不同的方法。 C-MAPSS数据集由具有不同操作和故障条件的四个子数据集组成。 每个子数据集进一步分为训练集和测试集。 数据由多个多元时间序列测量组成。 在每个数据集中,每个引擎都来自一组相同类型的引擎,每个时间序列都来自一个引擎。 每个发动机都以不同程度的初始磨损和制造变化开始,这是未知的。 这些磨损和变化被认为是每个发动机的正常行为。 发动机在每个时间序列开始时均正常运行,并在某个时间点出现故障。 在训练集中,故障的严重程度会不断增加,

nasa航空发动机数据集,cmapss仿真数据

nasa航空发动机数据集,cmapss仿真数据。

全网首份C-MAPSS航空发动机寿命预测MATLAB代码,基于SE-ResNet网络的发动机寿命预

那么train_FD001.txt对应的真实寿命在哪里呢,其实官方给出的四个训练集,每个训练集中的每个id发动机都是从当前时刻跑到寿命为0就结束,因此训练集中每个ID寿命的最后一个周期都是0,其他的周期依次递增上去即可。很多文献对此做了工作,如果你想在你的论文中附上此图以增加工作量,那么你就可以重新分析一遍,如果你的论文有篇幅要求,那么你也可以直接引用一些大佬的文献,直接给出重要特征即可。原始的Resnet网络(图左),在进行两次3×3的卷积后,直接与上一步的池化或卷积的结果进行相加。

淘个代码 971

数据集C-MAPSS-Data.rar

C-MAPS数据集

MATLAB实战CNN:精准预测航空发动机剩余寿命

本文探讨了基于CNN的航空发动机剩余寿命(RUL)预测技术。通过MATLAB实现包括数据预处理、特征工程、模型训练与验证的全流程,重点展示了如何将传感器时序数据转换为CNN可处理的二维特征矩阵。实验表明,该方法能将RUL预测误差降至5%以内,显著优于传统经验判断。文章还提供了工业落地建议,包括噪声处理、实时性优化和模型部署方案。这项技术有助于实现从计划维修到预测性维护的转变,不仅适用于航空领域,也可推广至其他旋转机械的健康管理。

xiugou3365的博客 888

R语言dlnm包避坑指南:手把手教你配置交叉基矩阵(附温度分层与滞后多项式设置)

本文详细介绍了R语言dlnm包在配置交叉基矩阵时的实用技巧与避坑指南,特别针对温度分层与滞后多项式设置提供了具体参数配置建议。通过解析`crossbasis()`函数的核心参数、温度分析的分层策略以及不同基函数的适用场景,帮助研究者高效构建分布滞后非线性模型,避免常见错误并优化模型性能。

weixin_34094282的博客 406

Xilinx Vitis HLS教程1--Vitis HLS概述[01/12]

Xilinx Vitis HLS教程[01/10]前言1. Vitis HLS简介1.1 软件工程师的设计原则1.1.1 简介1.1.2 吞吐量和性能1.2.3 架构问题1.2.4 FPGA编程的3大范式1.2.4.1 生产者-消费者范式1.2.4.2 流式数据范式1.2.4.3 流水线范式1.2.5 3种范式结合 前言 项目中使用到Xilinx Zynq UltraScale+ MPSoC ZCU102 开发板,领导指示研究"xilinx软件自带的c语言综合器"。对于一个硬件一窍不通的我来说,甚至不知道

B10030607的博客 5242

免费获取!航空发动机寿命预测数据集可视化与预处理:MATLAB完整代码解析,发动机寿命预测必学数据集!

C-MAPSS数据集由NASA为研究航空发动机故障预测而开发的。因其数据比较完整,整理较为方便,且数据的拟合难度较高,是检验深度学习算法性能的试金石。100 条训练轨迹就是 100 台发动机, 每台发动机的初始磨损和制造工艺是不同的,这些差异被视为正常情况,而不是故障条件。而在测试集中,提供部分发动机的衰退轨迹,数据在故障发生之前随机截断(即未到真正发生故障的时间点)。数据集中包含21个传感器记录的数值和不同operational setting,这些setting对发动机性能有显著影响。

淘个代码 206

(1)大蚂蚁即时通讯

即时通讯软件BigAnt(大蚂蚁)是杭州艾朴软件推出的一个”企业级”的即时通讯平台。该平台专为企业,其他企事业单位和政府单位而设计,目的就是为了增强内部沟通能力,提高内部员工的工作效率;同时服务器就直接置于单位内部,所有信息由单位自己管理,让单位以更安全、更可伸缩和更易于管理的方式灵活方便地使用协同和通信服务的功能! BigAnt(大蚂蚁)即时通讯软件包括服务器端和客户端。客户端功能包括单位

少安的砖厂 2241

基于SE-ResNet和C-MAPSS的航空发动机剩余寿命预测Matlab实现

在工业设备健康管理领域,剩余使用寿命预测是预测性维护的核心环节。深度学习中的残差网络通过恒等映射缓解了深层网络训练退化问题,而通道注意力机制(SE模块)则能自动加权关键传感器特征,二者的结合为高维时序数据建模提供了有效方案。针对航空发动机的多传感器退化数据,利用Matlab深度学习工具箱可完成从数据预处理、滑动窗口构造到模型训练与评估的完整流程。本文基于NASA公开的C-MAPSS数据集,使用Matlab实现SE-ResNet模型进行剩余寿命预测,展示注意力增强残差网络在故障预测与健康管理中的工程价值,并给

weixin_29758911的博客 348

【嵌入式面经】上海 70迈 线上笔试

“关注|点赞|收藏” 福利干货第一时间送达!最近在做免费的嵌入式知识分享,帮助对嵌入式感兴趣的同学学习嵌入式、做项目、找工作!

qq_56921854的博客 1141

FineBI制作数据可视化大屏-数据连接(1)

快速上手大屏可视化,FineBI数据连接配置。

Pangaoyang_的博客 1917

基于SE-ResNet的航空发动机寿命预测技术解析

时序数据分析在工业预测性维护中扮演着关键角色,特别是针对航空发动机这类高价值设备。通过卷积神经网络(CNN)与注意力机制结合,能够有效提取传感器数据中的时空特征。SE-ResNet架构创新性地引入通道注意力模块,自动学习不同传感器通道的重要性权重,解决了传统LSTM模型对长期依赖关系捕捉不足的问题。该技术在NASA C-MAPSS基准数据集上验证显示,相比基线模型降低RMSE达12.3%,特别适合处理具有高维度、强噪声特性的工业时序数据。工程实践中,通过MATLAB Coder可将模型部署为DLL组件,结合

weixin_34208185的博客 439

别再傻傻分不清了!STM32定时器里Prescaler和ClockDivision到底有啥区别?

本文深入解析STM32定时器中Prescaler和ClockDivision的区别与应用场景。Prescaler作为定时器的'心跳调节器',决定计数频率;而ClockDivision则是输入捕获的'抗噪滤镜',有效抑制高频噪声。通过实战案例和示波器实测数据,帮助开发者避免常见配置误区,提升嵌入式系统稳定性。

weixin_29193259的博客 321

【发动机寿命预测】基于matlab NASA C-MAPS涡扇传感器数据上的模拟量子PCA检测发动机退化健康监测【含Matlab源码 16181期】

NASA C-MAPS涡扇传感器数据上的模拟量子PCA检测发动机退化健康监测 完整代码,包运行;可提供讲解和运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 1048

Open3D (C++)球旋转算法(BPA)三维建模

球旋转算法用于点云三维建模的C++代码实现。

点云侠的博客 1771

工业级Modbus ASCII实时监控系统(WinForms完整实现)

本文介绍了一个基于WinForms的工业级Modbus ASCII实时监控系统实现方案。该系统采用经典工控界面布局,包含串口配置、数据采集控制和实时数据显示三大区域。核心功能包括:串口通信参数设置、Modbus从站地址配置、寄存器数据采集、实时数据表格展示和趋势图绘制。系统通过ModbusAsciiClient类实现通信核心,采用定时器轮询机制采集数据,支持最多100个数据点的历史趋势显示。界面设计注重用户体验,配置区位于左侧,主显示区在右侧,底部为状态和日志区,符合工业控制系统的操作习惯。代码示例展示了窗

这里只有干货:从 Modbus 通信到 MES 对接,从 YOLO 训练到工控机部署,带你搞定工业软件开发全流程。 279
上一篇: matlab实现VMD去噪、SVD去噪,源代码详解
下一篇: 值得收藏的公开数据集,发电预测,轴承诊断,机器学习等数据,免费获取,速来!
淘个代码_
博客等级 码龄7年 1万+粉丝 504原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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