本项目面向航空发动机剩余寿命预测(Remaining Useful Life, RUL)任务,基于 NASA C-MAPSS 涡扇发动机退化数据集,提出 DCRNODE(Degradation-Consistent RUL-rate Neural ODE)预测模型,并构建了一套完整的深度学习预测流程。话不多说,先看本方法结果(最后一行是本公众号提出的新方法DCRNODE):
|
|
|
|
|
|
| |||||
|---|---|---|---|---|---|---|---|---|---|---|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| ||
|
|
|
|
|
|
|
|
|
| ||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
以上每篇文章都有参考链接:
|
|
|
|---|---|
|
| https://doi.org/10.1016/j.ress.2022.108353 |
|
| https://doi.org/10.1016/j.ress.2023.109666 |
|
| https://doi.org/10.1016/j.aei.2023.102195 |
|
| https://doi.org/10.1021/acsomega.4c03873 |
|
| https://doi.org/10.1016/j.engappai.2024.108475 |
|
| https://doi.org/10.1109/PHM-Beijing63284.2024.10874723 |
|
| https://www.sciencedirect.com/science/article/pii/S1568494620300533 |
|
| https://www.sciencedirect.com/science/article/pii/S1568494620300533 |
|
| https://doi.org/10.1007/s40430-025-05400-8 |
|
| https://doi.org/10.3390/s25020497 |
|
| https://arxiv.org/abs/2504.13797 |
根据表格结果,可以看到,本期公众号推出的新的创新模型在 FD001、FD002、FD003、FD004 上的测试 RMSE 分别为 11.59、13.78、12.41 和 12.97,四个数据集平均 RMSE 为 12.68,平均 Score 为 586.97。已经超过很多顶级期刊论文的准确率。平均RMSE更是历史最佳!
本项目提出的模型名称为:DCRNODE(Degradation-Consistent RUL-rate Neural ODE)【此名称是我自己根据创新点编制的,或许你也有更好的命名方式可以更换】。该方法以 iTransformer-style HSM 作为多传感器时序特征提取器,将传感器变量作为 token 建模不同传感器之间的退化关联;随后利用 Predictor 输出当前 RUL,并通过 DynamicsNet 显式建模 RUL 的非负下降速率,从而构造相邻窗口之间的退化一致性约束。训练过程中,程序采用Reptile风格的元学习训练机制,通过内循环快速适应和外循环聚合更新,增强模型对不同发动机退化样本的适应能力。
代码流程支持 FD001、FD002、FD003、FD004 等多个 C-MAPSS 子数据集的顺序训练与测试,并将每个数据集的最佳模型分别保存到对应结果文件夹中。结果展示部分不仅给出测试集真实 RUL 与预测 RUL 的整体对比,还可以进一步绘制指定的单台发动机退化轨迹、iTransformer 传感器重要性以及训练过程曲线。
数据集介绍
C-MAPSS 数据集模拟的是涡扇发动机在不同工况下的退化过程。每一台发动机都有自己的运行周期 cycle,并记录了多个传感器信号。随着运行时间增加,发动机逐渐退化,最终失效。 关于此数据集的介绍,我之前在公众号文章里详细介绍过,可跳转查阅: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!
程序整体做了什么
1. 原始数据读取与真实RUL标签处理
读取C-MAPSS数据集原始数据,依据发动机编号unit_nr计算训练集真实剩余使用寿命(RUL)。为规避早期寿命标签数值过大的问题,对RUL进行最大值截断处理,常规截断上限为125。
2. 工况差异化标准化预处理
筛选有效传感器信号,针对不同运行工况(operating condition)做分组归一化。数据集不同工况下传感器数据分布差异显著,分工况标准化可避免模型将工况差异误判为设备退化差异,保障训练有效性。
3. 数据降噪与训练样本构造
首先对传感器时序数据进行指数平滑处理,弱化随机噪声对模型训练的干扰。再通过滑动窗口机制构建训练样本,固定以连续15个cycle的传感器数据作为单一样本,用于预测窗口末端对应的设备RUL。
4. 无数据泄露的数据集划分
训练集、验证集按发动机编号整体划分,不随机打散窗口数据。确保同一台发动机的所有样本窗口仅出现在单一数据集内,彻底避免数据泄露,提升验证结果的真实性与可靠性。
5. 基于元学习的模型训练策略
摒弃普通批次反向传播训练方式,采用类似Reptile的内外循环元学习训练机制。模型先在多个子任务上完成快速参数适应,再聚合多任务的参数更新方向,迭代优化全局模型。
6. 训练核心目标
让模型不再局限于记忆单批次样本规律,通过多类近似退化任务的反复适配学习,大幅提升模型对不同发动机退化特征、不同设备运行状态的泛化能力。
创新模型:DCRNODE
当前模型命名为 DCRNODE,全称是:
Degradation-Consistent RUL-rate Neural ODE
中文理解:基于 iTransformer 的退化一致性 RUL 速率神经 ODE 网络。
该模型先用 iTransformer-style HSM 从多传感器时间窗口中提取健康状态特征,再用 Predictor 预测当前 RUL,同时引入 DynamicsNet 学习 RUL 的下降速率,使相邻窗口之间的预测结果更加符合设备逐渐退化的规律。
模型创新点可以一句话概括:
该方法将多传感器时序表征与 RUL 下降速率建模结合起来,通过相邻窗口的退化一致性约束,让模型不仅预测寿命数值,还学习寿命随时间下降的动态过程。
它的优势主要体现在三个方面。第一,iTransformer-style HSM 把传感器变量作为 token,更适合多传感器系统之间的关系建模。第二,RUL-rate Neural ODE 不直接强行约束隐藏状态,而是约束更加贴近任务目标的 RUL 下降速率。第三,程序能够对多个数据集依次训练并分别保存结果,比较适合做系统实验和结果展示。
实验结果总览
当前程序已经完成 FD001、FD002、FD003、FD004 四个子数据集的训练和测试。每个数据集训练完成后,程序会根据验证集表现保存最佳模型,然后再使用该数据集对应的最佳 checkpoint 在测试集上进行评估。
当前结果如下:

从结果来看,模型在四个子数据集上都取得了较稳定的预测效果。其中 FD001 的测试 RMSE 为 11.59,Score 为 230.45,说明模型在单工况场景下能够较好地捕捉发动机退化规律;FD003 的测试 RMSE 为 12.41,也保持了较好的预测精度。FD002 和 FD004 通常包含更复杂的工况和故障模式,预测难度更高,但模型仍然将 RMSE 控制在 14 以内,说明 DCRNODE 在复杂场景下仍具备一定泛化能力。
结果展示与分析
图 1:测试集真实 RUL 与预测 RUL 对比图
以 FD004 为例:

FD004测试集预测结果
从 FD004 测试集整体预测结果可以看到,模型预测曲线与真实 RUL 变化趋势基本一致,大部分发动机的预测误差保持在较小范围内。误差柱状图进一步展示了不同发动机上的偏差情况,可以观察模型在哪些样本上存在高估或低估。结合 RMSE=12.97 的结果来看,DCRNODE 在复杂工况下仍能保持较稳定的寿命预测能力。
其他数据集这里仅展示图片,不再详细介绍:
FD001:

FD002:

FD003:

图 2:单台发动机 RUL 退化轨迹预测图
以 FD004 的单台发动机轨迹为例,这里挑选了四台发动机:#15、#18、#55、#73:

单台发动机轨迹图能够更清楚地展示模型对退化过程的跟踪能力。可以看到,随着运行时间增加,真实 RUL 逐步下降,模型预测结果也整体呈下降趋势。相比只观察测试集中每台发动机的最后一个预测点,这类轨迹图更能反映模型是否真正学习到了设备退化规律。对于 DCRNODE 来说,这张图也能体现相邻窗口退化一致性约束是否让预测轨迹更加符合寿命衰减趋势。
图 3:iTransformer 传感器重要性图
以 FD004数据集 为例:

传感器重要性图
传感器重要性图展示了不同传感器对健康状态表征的贡献。以 FD004 为例,模型对
s_14、s_7、s_12等传感器给予了更高关注,说明这些变量在当前数据集的 RUL 预测中提供了较强的退化信息。该结果为模型提供了一定可解释性,也方便后续结合领域知识分析哪些传感器更适合用于发动机退化监测。
图 4:训练过程曲线图
以 FD004 为例:

训练过程曲线可以看到模型在训练前期 RMSE 快速下降,随后逐渐进入稳定阶段。以 FD004 为例,模型在第 12 轮取得最佳验证结果,测试 RMSE 为 12.97。验证集和测试集曲线的变化能够帮助判断模型是否持续学习有效退化特征,以及是否存在明显过拟合。
结尾
代码目录:

你也不用担心不会写原理,这里我写了一个WORD文档,里边包含模型的创新点和原理公式,以及整个的实验流程,参数设置等。

承诺以上实验真实有效!
创新模型不易,先到先得。早发论文早解脱!
代码获取方式:点我主页或搜搜我的名字吧~ 欢迎关注gzh: 淘个代码



被折叠的 条评论
为什么被折叠?



