1.31、基于长短记忆网络(LSTM)的发动机剩余寿命预测(matlab)

1、基于长短记忆网络(LSTM)的发动机剩余寿命预测的原理及流程

基于长短期记忆网络(LSTM)的发动机剩余寿命预测是一种常见的机器学习应用，用于分析和预测发动机或其他设备的剩余可用寿命。下面是LSTM用于发动机剩余寿命预测的原理和流程：

  1. 数据收集：首先收集发动机的传感器数据，例如温度、压力、振动等信息，以及与发动机维护记录相关的数据，比如保养历史、维修记录等。

  2. 数据预处理：对收集到的数据进行清洗、去噪、特征提取等预处理工作，以便用于模型训练。同时，将数据按时间顺序进行排序，以便构建时间序列数据集。

  3. 构建LSTM模型：使用深度学习框架如TensorFlow、Keras等，构建LSTM神经网络模型。LSTM适合处理时间序列数据，可以捕捉数据中的长期依赖关系，并在预测序列数据方面表现优异。

  4. 数据划分：将数据集划分为训练集和测试集，通常训练集包含历史数据，而测试集包含待预测的数据。

  5. 模型训练：使用训练集对LSTM模型进行训练，在训练过程中优化模型参数，使模型能够准确地学习数据中的规律和模式。

  6. 模型预测：使用训练好的LSTM模型对测试集中的数据进行预测，得到发动机剩余寿命的预测结果。

  7. 评估模型性能：通过与实际的剩余寿命数据进行比较，评估模型的性能，通常会使用指标如均方根误差(RMSE)等来衡量模型的准确性。

  8. 预测与优化：根据模型的预测结果，制定相应的维护计划，提前预防发动机故障，延长设备的使用寿命。同时，可以不断优化LSTM模型，提高预测准确性和稳定性。

通过以上流程，基于LSTM的发动机剩余寿命预测技术可以帮助企业提高设备维护效率，降低运营成本，提高设备的可靠性和稳定性。

2、基于长短记忆网络(LSTM)的发动机剩余寿命预测说明

使用长短记忆网络(LSTM)依据时间序列数据预测发动机的剩余使用寿命

3、数据集处理

1）说明

创建一个目录来存储涡轮风扇发动机退化仿真数据集

2）代码

dataFolder = fullfile(tempdir,"turbofan");
if ~exist(dataFolder,"dir")
    mkdir(dataFolder);
end

4、准备训练数据

1）提取数据

实现代码

filenamePredictors = fullfile(dataFolder,"train_FD001.txt");
[XTrain,TTrain] = processTurboFanDataTrain(filenamePredictors);

2）删除具有常量值的特征

实现代码

XTrainConcatenatedTimesteps = cat(1,XTrain{:});
m = min(XTrainConcatenatedTimesteps,[],1);
M = max(XTrainConcatenatedTimesteps,[],1);
idxConstant = M == m;

for i = 1:numel(XTrain)
    XTrain{i}(:,idxConstant) = [];
end

3）查看序列中其余特征的数量

实现代码

numFeatures = size(XTrain{1},2)

4）归一化训练预测变量

将训练预测变量归一化为具有零均值和单位方差。

实现代码

XTrainConcatenatedTimesteps = cat(1,XTrain{:});
mu = mean(XTrainConcatenatedTimesteps,1);
sig = std(XTrainConcatenatedTimesteps,0,1);

for i = 1:numel(XTrain)
    XTrain{i} = (XTrain{i} - mu) ./ sig;
end

5）裁剪响应

更多地从发动机快要出现故障时的序列数据中进行学习，以阈值 150 对响应进行裁剪。这会使网络将具有更高 RUL 值的实例视为等同。

实现代码

thr = 150;
for i = 1:numel(TTrain)
    TTrain{i}(TTrain{i} > thr) = thr;
end

视图效果

 

6）准备要填充的数据

均匀划分训练数据的小批量大小，并减少小批量中的填充量

按序列长度对训练数据进行排序

实现代码

for i=1:numel(XTrain)
    sequence = XTrain{i};
    sequenceLengths(i) = size(sequence,1);
end

[sequenceLengths,idx] = sort(sequenceLengths,"descend");
XTrain = XTrain(idx);
TTrain = TTrain(idx);

7）查看排序的序列长度

实现代码

figure
bar(sequenceLengths)
xlabel("Sequence")
ylabel("Length")
title("Sorted Data")

视图效果

 

5、定义网络架构

1）创建网络

创建一个 LSTM 网络，该网络包含一个具有 200 个隐藏单元的 LSTM 层，然后是一个大小为 50 的全连接层和一个丢弃概率为 0.5 的丢弃层。

实现代码

numResponses = size(TTrain{1},2);
numHiddenUnits = 200;

layers = [ ...
    sequenceInputLayer(numFeatures)
    lstmLayer(numHiddenUnits,OutputMode="sequence")
    fullyConnectedLayer(50)
    dropoutLayer(0.5)
    fullyConnectedLayer(numResponses)];

2）指定训练选项

使用求解器 "adam" 以大小为 20 的小批量进行 60 轮训练。

指定学习率为 0.01。防止梯度爆炸，将梯度阈值设置为 1。

使序列保持按长度排序，将 Shuffle 选项设置为 "never"。

实现代码

maxEpochs = 60;
miniBatchSize = 20;

options = trainingOptions("adam", ...
    MaxEpochs=maxEpochs, ...
    MiniBatchSize=miniBatchSize, ...
    InitialLearnRate=0.01, ...
    GradientThreshold=1, ...
    Shuffle="never", ...
    Metrics="rmse", ...
    Plots="training-progress", ...
    Verbose=0);

6、训练网络

使用 trainnet 函数训练神经网络

实现代码

net = trainnet(XTrain,TTrain,layers,"mse",options);

视图效果

 

7、测试网络

1）提取数据

实现代码

filenamePredictors = fullfile(dataFolder,"test_FD001.txt");
filenameResponses = fullfile(dataFolder,"RUL_FD001.txt");
[XTest,TTest] = processTurboFanDataTest(filenamePredictors,filenameResponses);

2）裁剪数据

实现代码

for i = 1:numel(XTest)
    XTest{i}(:,idxConstant) = [];
    XTest{i} = (XTest{i} - mu) ./ sig;
    TTest{i}(TTest{i} > thr) = thr;
end

3）数据预测

实现代码

YTest = minibatchpredict(net,XTest,MiniBatchSize=1,UniformOutput=false);

4）可视化

实现代码

idx = randperm(numel(YTest),4);
figure
for i = 1:numel(idx)
    subplot(2,2,i)
    
    plot(TTest{idx(i)},"--")
    hold on
    plot(YTest{idx(i)},".-")
    hold off
    
    ylim([0 thr + 25])
    title("Test Observation " + idx(i))
    xlabel("Time Step")
    ylabel("RUL")
end
legend(["Test Data" "Predicted"],Location="southeast")

视图效果

 

5）可视化预测误差

实现代码

for i = 1:numel(TTest)
    TTestLast(i) = TTest{i}(end);
    YTestLast(i) = YTest{i}(end);
end
figure
rmse = sqrt(mean((YTestLast - TTestLast).^2))

histogram(YTestLast - TTestLast)
title("RMSE = " + rmse)
ylabel("Frequency")
xlabel("Error")

视图效果

 

8、总结

在 MATLAB 中使用 LSTM 模型进行发动机剩余寿命预测可以通过以下步骤：

  1. 数据准备：

    • 使用 MATLAB 加载发动机传感器数据，包括温度、压力、振动等信息。
    • 对数据进行清洗、归一化处理。
    • 将数据按时间序列进行整理，构建时间窗口，以便输入 LSTM 模型。

  2. 创建 LSTM 模型：

    • 使用 MATLAB 中的 Neural Network Toolbox 创建 LSTM 模型。
    • 定义 LSTM 网络的层数、神经元数量、学习率等超参数。
    • 可以通过 MATLAB 中的训练器(trainNetwork)来训练 LSTM 网络。

  3. 划分数据集：

    • 将处理好的数据集划分为训练集、验证集和测试集。
    • 训练集用于训练 LSTM 模型，验证集用于调整超参数，测试集用于评估模型性能。

  4. 模型训练与优化：

    • 使用训练集训练 LSTM 模型，在训练过程中监控损失函数并调整超参数。
    • 通过验证集来避免过拟合，选择最佳模型。

  5. 模型预测与评估：

    • 使用训练好的 LSTM 模型对测试集数据进行预测，得到发动机剩余寿命的预测值。
    • 使用评价指标如均方根误差(RMSE)来评估模型的预测准确性。

  6. 优化与改进：

    • 根据预测结果，优化发动机的维护计划，延长设备的寿命。
    • 可以尝试不同的超参数、网络结构等进一步优化 LSTM 模型。

通过以上步骤，在 MATLAB 中使用 LSTM 模型进行发动机剩余寿命预测，可以帮助提高设备维护效率和可靠性。

9、源代码

代码

%% 基于长短记忆网络(LSTM)的发动机剩余寿命预测
%使用长短记忆网络(LSTM)依据时间序列数据预测发动机的剩余使用寿命

%% 数据集处理
%创建一个目录来存储涡轮风扇发动机退化仿真数据集
dataFolder = fullfile(tempdir,"turbofan");
if ~exist(dataFolder,"dir")
    mkdir(dataFolder);
end

%% 准备训练数据
%使用函数 processTurboFanDataTrain 从 filenamePredictors 中提取数据并返回元胞数组 XTrain 和 TTrain，其中包含训练预测变量和响应序列。
filenamePredictors = fullfile(dataFolder,"train_FD001.txt");
[XTrain,TTrain] = processTurboFanDataTrain(filenamePredictors);

%删除具有常量值的特征
XTrainConcatenatedTimesteps = cat(1,XTrain{:});
m = min(XTrainConcatenatedTimesteps,[],1);
M = max(XTrainConcatenatedTimesteps,[],1);
idxConstant = M == m;

for i = 1:numel(XTrain)
    XTrain{i}(:,idxConstant) = [];
end
%查看序列中其余特征的数量
numFeatures = size(XTrain{1},2)

%归一化训练预测变量
%将训练预测变量归一化为具有零均值和单位方差。
XTrainConcatenatedTimesteps = cat(1,XTrain{:});
mu = mean(XTrainConcatenatedTimesteps,1);
sig = std(XTrainConcatenatedTimesteps,0,1);

for i = 1:numel(XTrain)
    XTrain{i} = (XTrain{i} - mu) ./ sig;
end
%裁剪响应
%更多地从发动机快要出现故障时的序列数据中进行学习，以阈值 150 对响应进行裁剪。这会使网络将具有更高 RUL 值的实例视为等同。
thr = 150;
for i = 1:numel(TTrain)
    TTrain{i}(TTrain{i} > thr) = thr;
end
%准备要填充的数据
%均匀划分训练数据的小批量大小，并减少小批量中的填充量
%按序列长度对训练数据进行排序
for i=1:numel(XTrain)
    sequence = XTrain{i};
    sequenceLengths(i) = size(sequence,1);
end

[sequenceLengths,idx] = sort(sequenceLengths,"descend");
XTrain = XTrain(idx);
TTrain = TTrain(idx);
%查看排序的序列长度
figure
bar(sequenceLengths)
xlabel("Sequence")
ylabel("Length")
title("Sorted Data")

%% 定义网络架构
%创建一个 LSTM 网络，该网络包含一个具有 200 个隐藏单元的 LSTM 层，然后是一个大小为 50 的全连接层和一个丢弃概率为 0.5 的丢弃层。
numResponses = size(TTrain{1},2);
numHiddenUnits = 200;

layers = [ ...
    sequenceInputLayer(numFeatures)
    lstmLayer(numHiddenUnits,OutputMode="sequence")
    fullyConnectedLayer(50)
    dropoutLayer(0.5)
    fullyConnectedLayer(numResponses)];
%指定训练选项
%使用求解器 "adam" 以大小为 20 的小批量进行 60 轮训练。
% 指定学习率为 0.01。防止梯度爆炸，将梯度阈值设置为 1。
% 使序列保持按长度排序，将 Shuffle 选项设置为 "never"。
maxEpochs = 60;
miniBatchSize = 20;

options = trainingOptions("adam", ...
    MaxEpochs=maxEpochs, ...
    MiniBatchSize=miniBatchSize, ...
    InitialLearnRate=0.01, ...
    GradientThreshold=1, ...
    Shuffle="never", ...
    Metrics="rmse", ...
    Plots="training-progress", ...
    Verbose=0);
%% 训练网络
%使用 trainnet 函数训练神经网络
net = trainnet(XTrain,TTrain,layers,"mse",options);
%% 测试网络
%使用函数 processTurboFanDataTest 从 filenamePredictors 和 filenameResponses 中提取数据并返回元胞数组 XTest 和 TTest，其中分别包含测试预测变量和响应序列
filenamePredictors = fullfile(dataFolder,"test_FD001.txt");
filenameResponses = fullfile(dataFolder,"RUL_FD001.txt");
[XTest,TTest] = processTurboFanDataTest(filenamePredictors,filenameResponses);
%使用与训练数据相同的阈值对测试响应进行裁剪
for i = 1:numel(XTest)
    XTest{i}(:,idxConstant) = [];
    XTest{i} = (XTest{i} - mu) ./ sig;
    TTest{i}(TTest{i} > thr) = thr;
end
%使用神经网络进行预测
YTest = minibatchpredict(net,XTest,MiniBatchSize=1,UniformOutput=false);
%可视化一些预测值
idx = randperm(numel(YTest),4);
figure
for i = 1:numel(idx)
    subplot(2,2,i)
    
    plot(TTest{idx(i)},"--")
    hold on
    plot(YTest{idx(i)},".-")
    hold off
    
    ylim([0 thr + 25])
    title("Test Observation " + idx(i))
    xlabel("Time Step")
    ylabel("RUL")
end
legend(["Test Data" "Predicted"],Location="southeast")
%直方图中可视化预测误差
for i = 1:numel(TTest)
    TTestLast(i) = TTest{i}(end);
    YTestLast(i) = YTest{i}(end);
end
figure
rmse = sqrt(mean((YTestLast - TTestLast).^2))

histogram(YTestLast - TTestLast)
title("RMSE = " + rmse)
ylabel("Frequency")
xlabel("Error")

程序文件

https://download.csdn.net/download/XU157303764/89538300

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：/a/799661.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

可观察性优势：掌握当代编程技术

可观察性优势：掌握当代编程技术

反馈循环是我们开发人员工作的关键。它们为我们提供信息，并让我们从用户过去和现在的行为中学习。这意味着我们可以根据过去的反应进行主动开发。 TestComplete 是一款自动化UI测试工具，这款工具目前在全球范围内被广泛应用于进行桌面、移动和Web应用的…
阅读更多...
C++ 类和对象 赋值运算符重载

C++ 类和对象 赋值运算符重载

前言： 在上文我们知道数据类型分为自定义类型和内置类型，当我想用内置类型比较大小是非常容易的但是在C中成员变量都是在类(自定义类型)里面的，那我想给类比较大小那该怎么办呢？这时候运算符重载就出现了 一 运算符重载概念&…
阅读更多...
npm发布的包如何快速在cnpm上使用

npm发布的包如何快速在cnpm上使用

npm发布的包如何快速在cnpm上使用 解决方案 前往淘宝npm镜像官网 搜索插件库并点击同步 等待一分钟即可查看最新版本
阅读更多...
Nuxt.js 错误侦探：useError 组合函数

Nuxt.js 错误侦探：useError 组合函数

title: Nuxt.js 错误侦探：useError 组合函数 date: 2024/7/14 updated: 2024/7/14 author: cmdragon excerpt: 摘要：文章介绍Nuxt.js中的useError组合函数，用于统一处理客户端和服务器端的错误，提供statusCode、statusMessage和…
阅读更多...
PostgreSQL修改最大连接数

PostgreSQL修改最大连接数

在使用PostgreSQL 的时候，经常会遇到这样的错误提示， sorry, too many clients already，这是因为默认PostgreSQL最大连接数是 100, 一般情况下，个人使用时足够的，但是在生产环境，这个连接数是远远不够的&am…
阅读更多...
内存函数(C语言)

内存函数(C语言)

内存函数 以下函数的头文件：string.h 针对内存块进行处理的函数 memcpy 函数原型： void* memcpy(void* destination, const void* source, size_t num);目标空间地址 源空间地址num，被拷贝的字节个数 返回目标空间的起始地…
阅读更多...
火星全球彩色影像图介绍（中分辨率相机）

火星全球彩色影像图介绍（中分辨率相机）

一、数据基本信息 该数据是利用天问一号轨道器中分辨率相机获取的影像经光度校正、几何校正、全球制图等制作而成的全火星地图数据DOM，每个数据包含一个tif数据文件。该影像图分辨率为76米。 任务型号：天问一号 搭载平台：环绕器 数据获…
阅读更多...
2.The DispatcherServlet

2.The DispatcherServlet

The DispatcherServlet Spring的Web MVC框架与许多其他Web MVC框架一样，是请求驱动的，围绕一个中央Servlet（即DispatcherServlet）设计，该Servlet将请求分派给控制器，并提供其他功能以促进Web应用程序的开发…
阅读更多...
实现keepalive+Haproxyde 的高可用

实现keepalive+Haproxyde 的高可用

需要准备五台实验机 一台客户机：test1 两台：一主一备的实验机：test2 test3 两台真实服务器：nginx1 nginx2 实验 首先在两台实验机上安装Haproxy 安装依赖环境，并将Haproxy的包进行解压处理 yum install -y pcre…
阅读更多...
redis redisson（仅供自己参考）

redis redisson（仅供自己参考）

redis 通过setnx实现的分布式锁有问题 如图： 解决的新的工具为（闪亮登场）：redisson redisson可重入锁的原理 实现语言lua： 加锁实现脚本语言： 释放锁的脚本语言： 加锁的lua -- 首先判断这个锁…
阅读更多...
【算法专题】归并排序

【算法专题】归并排序

1. 排序数组 912. 排序数组 - 力扣（LeetCode） 今天我们使用归并排序来对数组进行排序，实际上，归并排序和快速排序是有一定相似之处的，都运用了分而治之的思想提升了排序效率。快速排序的实现思路是每次排序把区间划分…
阅读更多...
【Linux】进程间通信——命名管道和共享内存

【Linux】进程间通信——命名管道和共享内存

目录 命名管道（named pipe） 命令行中使用 代码中使用 共享内存（shared memory） shmget ipcs命令 shmctl shmat/shmdt 简单通信 命名管道（named pipe） 之前我们说了匿名管道，但是匿名管道…
阅读更多...
Spring-Spring、IoC、DI、注解开发

Spring-Spring、IoC、DI、注解开发

1、Spring是什么 Spring是一个轻量级的控制反转(IoC)和面向切面(AOP)的容器(框架)。 Spring整体架构 Spring优点： Spring属于低侵入设计。IOC将对象之间的依赖关系交给Spring,降低组件之间的耦合，实现各个层之间的解耦，让我们更专注于业务…
阅读更多...
【python】基于随机森林和决策树的鸢尾花分类

【python】基于随机森林和决策树的鸢尾花分类

目录 引言 决策树（Decision Tree） 随机森林（Random Forest） 数据集 结果 代码实现 引言 随机森林（Random Forest）和决策树（Decision Tree）是两种在机器学习中广泛使用的分类和…
阅读更多...
红色文化3D虚拟数字展馆搭建意义深远

红色文化3D虚拟数字展馆搭建意义深远

在房地产与土地市场的浪潮中，无论是新城规划、乡村振兴，还是商圈建设，借助VR全景制作、虚拟现实和web3d开发技术打造的全链条无缝VR看房新体验。不仅极大提升了带看与成交的转化率，更让购房者足不出户，即可享受身临其境…
阅读更多...
【填坑指南】PHP8报：Unable to load dynamic library ‘zip.so’ 错误

【填坑指南】PHP8报：Unable to load dynamic library ‘zip.so’ 错误

1.原因分析 这种情况多数发生在PHP安装时因为各种原因失败后，残余的库与最后安装的PHP版本不兼容导致的。 2.我的路径 一开始我按照以前摸索出来的安装PHP7.3的成功经验来编译方法安装PHP8.3，发现以前的套路已经失效了。反复重装PHP8.3失败后&#xf…
阅读更多...
Sentinel 学习笔记

Sentinel 学习笔记

Sentinel 学习笔记 作者：王珂 邮箱：49186456qq.com 文章目录 Sentinel 学习笔记[TOC] 前言一、基础概念二、Sentinel控制台2.1 安装控制台2.2 簇点链路2.3 请求限流2.4 线程隔离2.5 服务降级2.6 服务熔断 三、Sentinel客户端3.1 原始Jar包客户端3.2 Sp…
阅读更多...
python条件

python条件

条件语句 if语句 if...else语句 if...elif...else语句 嵌套 is is 是一个身份运算符，用于比较两个对象的身份，即它们在内存中的地址是否相同。这与比较两个对象是否相等的 运算符不同。 运算符比较的是两个对象的值是否相等。 比较对象 比较基本数据…
阅读更多...
2024-07-12 Unity AI状态机1 —— 框架介绍

2024-07-12 Unity AI状态机1 —— 框架介绍

文章目录 1 有限状态机2 状态机实现框架2.1 StateMachine2.2 BaseState2.3 ...State2.4 IAIObject 3 框架类图 本文章参考 B 站唐老狮 2023 年直播内容。点击前往唐老狮 B 站主页。 1 有限状态机 ​ 有限状态机（Finite - State Machine，FSM&#xff09…
阅读更多...
linux的学习（四）：磁盘，进程，定时，软件包的相关命令

linux的学习（四）：磁盘，进程，定时，软件包的相关命令

简介 关于磁盘管理，进程管理，定时任务，软件包管理的命令的使用 磁盘管理类命令 du du 目录名： 查看文件和目录占用的磁盘空间 参数： -h：可以看到大小的单位，g,mb-a：还可以看到文…
阅读更多...
最新文章

Copyright @ 2022~2023