30周期故障预警与RUL估算Predictive-Maintenance-using-LSTM的LSTM预测模型实战指南【免费下载链接】Predictive-Maintenance-using-LSTMExample of Multiple Multivariate Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras.项目地址: https://gitcode.com/gh_mirrors/pr/Predictive-Maintenance-using-LSTM一架航空发动机在役运行维护工程师需要两个答案它是否会在未来30个周期内失效它还能再撑多少个周期Predictive-Maintenance-using-LSTM用LSTM预测模型回答这两个问题二分类做30周期故障预警回归做剩余使用寿命RUL估算输入是21路传感器加3个运行参数的多变量时序数据。场景与问题设备健康度是缓慢退化的。固定周期维护要么在设备还很健康时就拆检要么在即将失效时才发现单阈值告警只能告诉你某个值现在异常回答不了还能撑多久。这类问题本质上是对多变量时间序列做趋势外推正是本项目把设备还能用多久拆成两个可计算的机器学习问题并用同一套LSTM架构给出两种答案。核心能力速览 项目基于NASA C-MAPSS涡扇发动机退化数据集每台发动机id是一条独立的多变量时序。它具体做这几件事30周期故障预警二分类预测某发动机是否会在30个周期内失效项目记录准确率0.97、精确率0.92、召回率1.0、F1 0.96RUL回归估算预测剩余可用周期数项目记录MAE 12个周期、R² 0.7965完整训练闭环预处理、滑窗序列构建、早停、模型检查点保存、测试集评估与可视化两个脚本各自独立可跑可直接核对的产物训练曲线图与预测结果CSVsubmit_train.csv / submit_test.csv均输出到Output/目录图二分类模型在测试集上的故障预警结果预测标签蓝与实际标签绿逐点对比跑通全流程 拉取代码并固定旧版环境代码基于TensorFlow 1.3.0 Keras 2.1.1时代的API编写如predict_classes装新版TF/Keras会报兼容错误建议按README列出的版本锁定安装git clone https://gitcode.com/gh_mirrors/pr/Predictive-Maintenance-using-LSTM cd Predictive-Maintenance-using-LSTM pip install tensorflow1.3.0 keras2.1.1 numpy1.13.3 pandas0.20.3 scikit-learn0.19.0 matplotlib2.0.2 h5py2.7.0 cd src/lstm python binary_classification.py python regression.py读懂数据与标签Dataset/目录三个文件PM_train.txt含运行至失效记录、PM_test.txt无失效时间点、PM_truth.txt测试集各发动机的真实剩余周期。标签由代码生成RUL 该发动机最大cycle − 当前cycle二分类标签label1在RUL ≤ 30时取1。每条样本的输入是25列3个setting 归一化cycle 21个传感器读数。图数据集样本每行对应一个运行周期的setting参数与21个传感器读数训练两个预测模型binary_classification.py跑完会打印accuracy/loss曲线、混淆矩阵和测试集Precision/Recall/F1模型存到Output/binary_model.h5预测标签写入binary_submit_test.csv。regression.py同理输出R²/MAE/loss曲线与测试集指标模型存Output/regression_model.h5。训好的.h5可直接加载做推理estimator load_model(../../Output/binary_model.h5) y_pred estimator.predict_classes(seq_array_test_last)关键配置与原理 ⚡最值得动的只有三个参数sequence_length 50滑窗长度即每条训练样本覆盖50个历史周期。缩短到30~40响应更快但退化历史更短拉长到70看得更远但短于窗口的序列会被整段丢弃样本量下降w1 30预警窗口决定二分类标签RUL ≤ w1 记1。w1越小预警越早、标注为故障的样本越多精确率通常会下降LSTM(100) LSTM(50) Dropout(0.2)首层返回完整序列、次层压缩成定长向量相当于把50个周期读摘要成一份设备状态训练用epochs100、batch_size200val_loss早停patience10并保存最佳检查点sequence_length 50 w1 30 model Sequential() model.add(LSTM(input_shape(sequence_length, nb_features), units100, return_sequencesTrue)) model.add(Dropout(0.2)) model.add(LSTM(units50)) model.add(Dense(units1, activationsigmoid)) model.compile(lossbinary_crossentropy, optimizeradam, metrics[accuracy])回归模型只换最后一层为linear输出、损失改MSE优化器换rmsprop结构完全一致——两个模型的差别就在输出层。效果与验证 项目记录的测试集指标对照无模型基线项目LSTM预测模型无模型基线30周期故障预警召回率1.0、精确率0.92、F1 0.96失效后才知道无提前预警RUL估算MAE 12周期、R² 0.7965固定周期维护无法量化剩余寿命图回归模型RUL预测值蓝与真实值绿对比两条曲线走势基本贴合图训练过程中R²变化验证曲线与训练曲线同步收敛无明显过拟合适用边界与选型适合手头有设备级多变量传感器时序、且存在一定历史失效记录需要回答窗口内是否失效/还剩多少寿命的场景本项目可作为端到端可复现的基线方案。不适合失效样本极少或无法标注的场景同时代码是训练脚本而非在线服务实时监测需要自行封装推理层。相比单阈值告警它用的是多变量趋势信息预测未来而非判断现在相比Azure原版notebook它增加了检查点保存、早停与完整的测试集评估流程。后续演进README已预留多分类方向把(1, w1)窗口拆成(1, w0)与(w01, w1)区分即将失效与短期内失效需同步改写label2gen_sequence目前直接丢弃短于50周期的序列补零padding可保留短寿命发动机的样本迁移到TF 2/Keras API并把.h5模型包一层轻量推理接口即可从训练脚本走向可用服务资源与行动文档README.md源码src/lstm/数据与产物Dataset/ · Output/克隆仓库在src/lstm下跑一遍python binary_classification.py打开Output/model_verify.png看看预测标签与真实失效点是否重合。【免费下载链接】Predictive-Maintenance-using-LSTMExample of Multiple Multivariate Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras.项目地址: https://gitcode.com/gh_mirrors/pr/Predictive-Maintenance-using-LSTM创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
30周期故障预警与RUL估算：Predictive-Maintenance-using-LSTM的LSTM预测模型实战指南
30周期故障预警与RUL估算Predictive-Maintenance-using-LSTM的LSTM预测模型实战指南【免费下载链接】Predictive-Maintenance-using-LSTMExample of Multiple Multivariate Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras.项目地址: https://gitcode.com/gh_mirrors/pr/Predictive-Maintenance-using-LSTM一架航空发动机在役运行维护工程师需要两个答案它是否会在未来30个周期内失效它还能再撑多少个周期Predictive-Maintenance-using-LSTM用LSTM预测模型回答这两个问题二分类做30周期故障预警回归做剩余使用寿命RUL估算输入是21路传感器加3个运行参数的多变量时序数据。场景与问题设备健康度是缓慢退化的。固定周期维护要么在设备还很健康时就拆检要么在即将失效时才发现单阈值告警只能告诉你某个值现在异常回答不了还能撑多久。这类问题本质上是对多变量时间序列做趋势外推正是本项目把设备还能用多久拆成两个可计算的机器学习问题并用同一套LSTM架构给出两种答案。核心能力速览 项目基于NASA C-MAPSS涡扇发动机退化数据集每台发动机id是一条独立的多变量时序。它具体做这几件事30周期故障预警二分类预测某发动机是否会在30个周期内失效项目记录准确率0.97、精确率0.92、召回率1.0、F1 0.96RUL回归估算预测剩余可用周期数项目记录MAE 12个周期、R² 0.7965完整训练闭环预处理、滑窗序列构建、早停、模型检查点保存、测试集评估与可视化两个脚本各自独立可跑可直接核对的产物训练曲线图与预测结果CSVsubmit_train.csv / submit_test.csv均输出到Output/目录图二分类模型在测试集上的故障预警结果预测标签蓝与实际标签绿逐点对比跑通全流程 拉取代码并固定旧版环境代码基于TensorFlow 1.3.0 Keras 2.1.1时代的API编写如predict_classes装新版TF/Keras会报兼容错误建议按README列出的版本锁定安装git clone https://gitcode.com/gh_mirrors/pr/Predictive-Maintenance-using-LSTM cd Predictive-Maintenance-using-LSTM pip install tensorflow1.3.0 keras2.1.1 numpy1.13.3 pandas0.20.3 scikit-learn0.19.0 matplotlib2.0.2 h5py2.7.0 cd src/lstm python binary_classification.py python regression.py读懂数据与标签Dataset/目录三个文件PM_train.txt含运行至失效记录、PM_test.txt无失效时间点、PM_truth.txt测试集各发动机的真实剩余周期。标签由代码生成RUL 该发动机最大cycle − 当前cycle二分类标签label1在RUL ≤ 30时取1。每条样本的输入是25列3个setting 归一化cycle 21个传感器读数。图数据集样本每行对应一个运行周期的setting参数与21个传感器读数训练两个预测模型binary_classification.py跑完会打印accuracy/loss曲线、混淆矩阵和测试集Precision/Recall/F1模型存到Output/binary_model.h5预测标签写入binary_submit_test.csv。regression.py同理输出R²/MAE/loss曲线与测试集指标模型存Output/regression_model.h5。训好的.h5可直接加载做推理estimator load_model(../../Output/binary_model.h5) y_pred estimator.predict_classes(seq_array_test_last)关键配置与原理 ⚡最值得动的只有三个参数sequence_length 50滑窗长度即每条训练样本覆盖50个历史周期。缩短到30~40响应更快但退化历史更短拉长到70看得更远但短于窗口的序列会被整段丢弃样本量下降w1 30预警窗口决定二分类标签RUL ≤ w1 记1。w1越小预警越早、标注为故障的样本越多精确率通常会下降LSTM(100) LSTM(50) Dropout(0.2)首层返回完整序列、次层压缩成定长向量相当于把50个周期读摘要成一份设备状态训练用epochs100、batch_size200val_loss早停patience10并保存最佳检查点sequence_length 50 w1 30 model Sequential() model.add(LSTM(input_shape(sequence_length, nb_features), units100, return_sequencesTrue)) model.add(Dropout(0.2)) model.add(LSTM(units50)) model.add(Dense(units1, activationsigmoid)) model.compile(lossbinary_crossentropy, optimizeradam, metrics[accuracy])回归模型只换最后一层为linear输出、损失改MSE优化器换rmsprop结构完全一致——两个模型的差别就在输出层。效果与验证 项目记录的测试集指标对照无模型基线项目LSTM预测模型无模型基线30周期故障预警召回率1.0、精确率0.92、F1 0.96失效后才知道无提前预警RUL估算MAE 12周期、R² 0.7965固定周期维护无法量化剩余寿命图回归模型RUL预测值蓝与真实值绿对比两条曲线走势基本贴合图训练过程中R²变化验证曲线与训练曲线同步收敛无明显过拟合适用边界与选型适合手头有设备级多变量传感器时序、且存在一定历史失效记录需要回答窗口内是否失效/还剩多少寿命的场景本项目可作为端到端可复现的基线方案。不适合失效样本极少或无法标注的场景同时代码是训练脚本而非在线服务实时监测需要自行封装推理层。相比单阈值告警它用的是多变量趋势信息预测未来而非判断现在相比Azure原版notebook它增加了检查点保存、早停与完整的测试集评估流程。后续演进README已预留多分类方向把(1, w1)窗口拆成(1, w0)与(w01, w1)区分即将失效与短期内失效需同步改写label2gen_sequence目前直接丢弃短于50周期的序列补零padding可保留短寿命发动机的样本迁移到TF 2/Keras API并把.h5模型包一层轻量推理接口即可从训练脚本走向可用服务资源与行动文档README.md源码src/lstm/数据与产物Dataset/ · Output/克隆仓库在src/lstm下跑一遍python binary_classification.py打开Output/model_verify.png看看预测标签与真实失效点是否重合。【免费下载链接】Predictive-Maintenance-using-LSTMExample of Multiple Multivariate Time Series Prediction with LSTM Recurrent Neural Networks in Python with Keras.项目地址: https://gitcode.com/gh_mirrors/pr/Predictive-Maintenance-using-LSTM创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
