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

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

本期概述:本期全程采用matlab代码实现:对C-MAPSS数据集提取进行分析,筛选重要特征,然后基于混合SE注意力机制的ResNet网络来进行寿命预测模型训练。具体步骤如下:

01

数据分析:  对原始C-MAPSS数据分析,筛选特征

02

数据划分: 编写脚本,一键实现对C-MAPSS数据划分训练集、测试集、验证集

03

模型改进: 采用SE注意力机制对ResNet网络进行改进

04

模型训练: 训练和预测,并对指定id号的发动机进行全寿命预测

05

区间置信度: 统计置信区间并绘图
 

C-MAPSS数据集需要注意的地方

网上关于C-MAPSS数据集的介绍有很多,我这里不再啰嗦,也可以看我之前的推文: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!我这里说一下关于该数据需要注意的地方。

 该数据包含四种工况,从官网下载下来的数据的目录长这样:

其中RUL_FD001记录的是test_FD001.txt测试集中每个id发动机的真实剩余寿命,其他文件一一对应。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。

其中还有两点要理解的是:

①建立退化模型

    在预测维护中,当设备的剩余寿命较长时,精确预测其具体值的重要性较低。因为维护计划通常关注的是设备何时会接近失效(例如,RUL小于某个值)。因此,当RUL较大时,将其限制在一个上限值可以减少预测任务的难度。

   如果不设置阈值,RUL的值可能非常大(例如,有的发动机在训练数据开始时还有200多个循环)。这些大值的RUL样本可能会对模型训练产生负面影响,因为: 模型可能会被这些大值样本所主导,导致在预测小值RUL(即接近失效时)时表现不佳。 大值RUL的预测误差(如绝对误差)会很大,从而在整体上增加损失函数的值,使得模型优化方向偏离我们最关心的区域(即接近失效的区域)。通过设置阈值,我们将所有大于125的RUL都视为125,这样模型只需要关注RUL在0到125范围内的预测。这相当于将问题转化为预测一个上限为125的RUL值。许多关于C-MAPSS数据集的经典论文使用了125作为阈值。这样设置便于与已有研究结果进行比较。

    这里列出一篇博士参考论文:徐甜甜.航空发动机剩余使用寿命智能预测方法研究[D].大连理工大学,2024.DOI:10.26991/d.cnki.gdllu.2024.000331.

    发动机的寿命 T 可 以表示为:

    体现在程序中就是训练集的部分标签,在未达到剩余寿命125的情况下,将当前周期的寿命统统视为125。程序中已经设置好接口,可以随意更改,有些文献还会将这个阈值改成120。

②测试集的划分

    测试集的划分也有一定的门道,其中以test_FD001为例,原数据一共是13096行×26列,但是划分完数据之后,神奇的发现测试集变成了100×15×14的大小,那么其他数据去哪里了?

    其实预测时我们只关心发动机当前衰退状态,历史中间状态不影响当前RUL,因此只保留每台发动机的最后N个周期 (N可变)这里设定为15,而100就是对应100个id,14就是选择的14个重要的传感器。程序中这个序列也设置好了接口,可以随意更改。

理解上述关键的两点,那么你就对C-MAPSS数据集的整理有了更深一步的理解。

①C-MAPSS数据分析

关于C-MAPSS数据分析,可以参考这篇文章,也是完全由MATLAB代码实现的: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!

该代码分析了每个数据集

操作设置分布图:

图片

操作设置随周期变化图:

图片

每个传感器分析 (FD001)

图片

传感器随周期变化

图片

操作设置与RUL(剩余寿命)的关系

图片

传感器与RUL的关系

图片

随机选择5个引擎进行趋势分析

图片

图片

由以上数据分析即可筛选出来C-MAPSS的重要特征。

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。

重要特征一般取的就是下面几个传感器:

 {'s_2', 's_3', 's_4', 's_7', 's_8', 's_9', 's_11', 's_12', 's_13', 's_14', 's_15', 's_17', 's_20', 's_21'};对应的实际物理含义如下:

②SE-RESNET网络模型构建

近年来,各种注意力机制横空出行,将注意力机制与各种深度学习模型结合,模型对特征提取的能力相较于一般的深度学习网络更加强大,在降低网络学习的参数量的同时也提高了网络模型的泛化能力。

SE-ResNet(Squeeze-and-Excitation ResNet)是ResNet的一种改进版本,它结合了Squeeze-and-Excitation(SE)模块来提升网络的性能。SE模块通过对通道进行重新加权,使网络能够更好地自适应地关注不同通道的重要性。SE-ResNet的优势包括:

  1. 增强的特征表达能力:通过对特征通道进行重要性建模,SE模块能够提升网络对重要特征的敏感度,从而增强特征的表达能力。

  2. 更少的计算开销:尽管SE模块引入了额外的计算,但其设计相对简单,计算开销相比于网络其他部分较小,且通常带来性能的显著提升。

  3. 易于集成:SE模块可以与现有的网络架构(如ResNet、Inception等)无缝集成,提升网络性能而不需要重新设计整个网络架构。

  • SE机制的论文地址:https://arxiv.org/abs/1709.01507

下图是在提出SE模块的原文截取的,原文作者将SE模块应用在Resnet模块为例进行了展示。

可以看到SEmodule被应用到了Resnet模块的残差分支上。为了更好解释SE模块为什么能提高Resnet网络的泛化能力,这里附上一张更加形象的图。

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。

而在SE-Resnet结构(图右),首先将两次卷积后的特征维度进行全局池化处理,然后经过两个全连接层,而玄妙就在这两个全连接层,其中第一个全连接层将特征维度降低到输入的1/r,然后经过ReLu激活后再通过第二个全连接层升回到原来的维度。这样做比直接用一个全连接层的好处在于:①具有更多的非线性,可以更好地拟合通道间复杂的相关性;②极大地减少了参数量和计算量。最后再通过一个Sigmoid的门获得[0,1]之间归一化的权重。最后通过一个Scale的操作(也就是对应通道相乘)来将归一化后的权重加权到每个通道的特征上。相当于对每个通道的权重特征进行了一个标定,使得注意力集中在权重较高的通道上。不得不说,秒啊!

SE-Resnet的MATLAB实现

本期代码将SE机制在MATLAB中实现,并缝合到Resnet18网络中。看一下网络结果图吧,左边是SE-ResNET模块的结构图,右边是在MATLAB中实现的网络结构,完美实现了一一对应!

核心代码如下:这里展示了如何将SE模块缝合进去。

% Then, you need to connect the SE block properlySEblockName = '2a';ecaLayers = SEBlock(64,16,SEblockName); % Example parameterslgraph = addLayers(lgraph, ecaLayers);lgraph = disconnectLayers(lgraph, 'bn2a_branch2b', 'res2a/in1');lgraph = connectLayers(lgraph, 'bn2a_branch2b', ['se_global_pool_',SEblockName]);mul = multiplicationLayer(2,'Name',['scale_',SEblockName]);lgraph = addLayers(lgraph, mul);lgraph = connectLayers(lgraph, 'bn2a_branch2b', ['scale_',SEblockName,'/in1']);lgraph = connectLayers(lgraph, ['se_sigmoid_',SEblockName],['scale_',SEblockName,'/in2']);lgraph = connectLayers(lgraph, ['scale_',SEblockName], 'res2a/in1');

③实验验证

在FD001上的训练结果,将训练集中的10%拿出来作验证集,测试集就直接选用官方给出的数据。结果如下:

测试集预测结果:

抽取2台发动机进行全寿命预测:

第76台发动机全寿命预测结果:

第18台发动机全寿命预测结果:

代码目录截图:

注意:运行的时候运行脚本文件,也就是上面标红的文件。不要运行函数文件!

本期代码获取

直接复制下方链接跳转:

或者点击下方阅读原文跳转链接。


获取更多代码:

或者复制链接跳转:https://docs.qq.com/sheet/DU3NjYkF5TWdFUnpu
基于NASA C-MAPSS数据的剩余机械寿命RUL预测,Python代码(添加了非常详细中文注释),线性回归LR、支持向量回归SVR、随机森林回归RF、xgboost模型 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)。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;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。show.py的如下。 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+

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。

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!

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 5376

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,

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

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

数据集C-MAPSS-Data.rar

C-MAPS数据集

SAP FICO 银企直连

银企直联或者自动付款的目的是和银行做一个接口,把SAP中的到期应付款(也包括预付款)按照一定格式(银行要求的)在审批后发送给银行,请银行按照这个付款指定进行付款,并跟踪付款状态的过程,这个过程在SAP中如何实现呢?根据个人项目经验,客户需求可分为如下三种: 1. 第一种是完全不自动方式,仅批量生成付款凭证,实际的付款还是通过原来的流程执行,和银行没有任何接口; 2. 第二种是半自动方式,这种方式下需要按照银行的要求的格式生成付款条件,然后把付款文件下载下来,通过企业版的网银接口把付款文件进行上载,提交后

IamRunjiang的博客 9296

使用CNN实现C-MAPSS数据集里面的剩余寿命预测(Pytorch)

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(

comli_cn的博客 3万+

AI时代,程序员何去何从?别慌,看完这篇你就明白了

AI时代程序员的发展方向 摘要:随着AI代码助手的普及,程序员行业面临变革。本文通过实际案例展示AI写代码的能力与局限:AI能生成基础功能代码(如RESTful API、数据处理脚本),但缺乏业务理解、系统设计和复杂逻辑处理能力。程序员的核心价值在于需求分析、架构设计、性能优化等高层能力。未来程序员应: 掌握AI工具提升效率 专注于创新和架构设计 培养业务理解能力 持续学习新技术 AI不会取代程序员,但会淘汰不会使用AI的程序员。建议开发者拥抱AI工具,将其作为助手而非威胁,聚焦高价值工作。

yunque_xianguang的博客 909

C-MAPSS涡扇发动机仿真数据(PHM2008)

本次介绍的数据为航空发动机的仿真数据,由美国NASA提供,曾作为PHM2008竞赛数据,一般用于设备的剩余寿命预测领域

ynn4818172的博客 6948

深度学习环境配置系列文章(二):Anaconda配置Python和PyTorch

Anaconda有着强大的包管理和环境管理的功能,使用后可以方便地使用和切换不同版本的Python和PyTorch等科学计算库,本文将介绍其下载安装和使用方法。第二章和第三章内容分别提供Window系统和Linux系统安装Anaconda的方式,读者可根据自己电脑系统选择其一安装即可。

极光喵的博客 4178

一代测序、二代测序以及三代测序的优缺点及应用对比?

一、初现庐山真面目 一代测序:又称Sanger测序(多分子,单克隆) 历史:第一代DNA测序技术(又称Sanger测序)在1975年,由Sanger等人开创,并在1977年完成第一个基因组序列(噬菌体X174),全长5375个碱基。研究人员经过30年的实践并对技术及测序策略的不断改进(如使用了不同策略的作图法、鸟枪法),2001年完成的首个人类基因组图谱就是以改进了的Sanger法为其测序基础。 原理:在4个DNA合成反应体系(含dNTP)中分别加入一定比例带有标记的ddNTP(分为:ddATP...

wangprince2017 3万+

C-MAPSS数据集介绍

C-MAPSS数据集共有4个子数据集。6~26列是不同传感器信号。每个子数据集都有26列。

woewo_understand的博客 916

从IMC层到应力点:手把手教你用SEM/EDS给BGA焊点做一次‘体检’

本文详细介绍了如何使用SEM/EDS技术对BGA焊点进行全面失效分析,从样品制备到SEM观察、EDS分析,再到综合诊断,手把手教你识别焊点的微观特征和成分异常。文章特别强调了IMC层分析在BGA焊接失效诊断中的关键作用,并提供了实用的实验室技巧和常见失效模式对照表,帮助工程师快速定位问题根源。

weixin_42685438的博客 386

【亲测免费】 C-MAPSS大型涡轮风扇发动机数据集:故障预测与性能评估的利器

C-MAPSS大型涡轮风扇发动机数据集是一个宝贵的资源,它包含了涡轮风扇发动机从正常运行到失效的全寿命周期内的实验数据。这些数据不仅详尽记录了发动机的运行状态,还涵盖了多种关键参数,如温度、压力、转速、振动、燃油流量和排气温度等。该数据集对于研究涡轮风扇发动机的故障预测、性能评估以及机械故障诊断具有重要意义。 ## 项目技术分析 该数据集的技术价值在于其全面性和细致性。通过分析这些数据,研究人

gitblog_09763的博客 1087

前拉后推计划逻辑适用于哪些行业和企业规模?

《前拉后推计划逻辑的行业适用性分析》摘要:前拉后推计划逻辑(需求端后推锚定交付、供应端前拉匹配资源)最适用于需求波动大且具规模效益的行业,包括家具制造(定制化需求+批量运输)、机械装备(非标设备+部件采购)、消费电子(短周期产品+核心部件备货)及汽车配套(交期绑定+批量生产)等领域。该模式要求企业具备:1)独立计划部门;2)ERP/MES等信息系统;3)资源冗余能力,故更适配中型(1-10亿营收)和大型企业(10亿+)。小型企业需简化应用,仅聚焦关键环节。不适配需求稳定(如快消品)、无规模效益或短周期生产的

追随内心 146

YOLOv11改进策略【Conv和Transformer】| IJCAI 2024 利用FreqFormer中的SFA 空间 - 频率注意力和CTA 通道转置注意力 二次改进C3k2

在FreqFormer模型中,SFA(Spatial-Frequency Attention)和CTA(Channel Transposed Attention)模块是关键组成部分,它们针对传统Transformer在图像超分辨率任务中的不足而设计,旨在更好地恢复高频细节,提升模型性能。

Limiiiing的博客 761

【航空发动机寿命预测】基于SE-ResNet网络的发动机寿命预测,C-MAPSS航空发动机寿命预测研究附Matlab代码

航空发动机作为飞机的“心脏”,其运行状态直接决定飞行安全与运营成本,剩余使用寿命(Remaining Useful Life, RUL)预测是航空预测性维护(Predictive Maintenance, PdM)的核心环节。传统固定间隔维护模式存在过度维修、资源浪费或维护不及时导致安全风险等问题,而数据驱动的深度学习方法能通过挖掘传感器时序数据中的退化特征,实现精准RUL预测,为动态维护决策提供支撑。

j_jinger的博客 719

python ERA-5气象数据NetCDF格式解析(一)

python ERA-5气象数据NetCDF格式解析

weixin_43896283的博客 2638
上一篇: 蝎子捕猎策略算法
下一篇: 2025年计算机领域一区TOP期刊最新算法——改进蛇优化算法
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

打赏作者

淘个代码_

不想刀我的可以选择爱我

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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