本博客的碼字背景

最近馬上就研三了，回顧一路從小白開始入門深度學習做機械核心零部件壽命預測的歷程吧。
1.本科期間未接觸過python，深度學習相關的內容。
2.研究生在壽命預測方向入門畫的時間比較長，走過了許多彎路。
畢竟萬事開頭難，作為課題組第一位做該方向的研究生。得到的理論指導與code幫助確實很難。沒有師兄帶路，老板只能是說給個的理論方向、優秀論文的推薦。
3.個人的能力確實有限。我就是屬于那種比較笨的學生，做什么事情不是一點就通，一看就會的。
因此，下面我將會根據自己對課題研究方向的理解，來和同道中人聊一聊“基于深度學習的渦扇發動機、滾動軸承的剩余使用壽命預測”吧。

一.基礎知識準備階段

簡單講，python的基礎語法，常用數據結構類型，常用的數據處理相關庫的學習：Numpy、Pandas：

Numpy ，后面與Tensorflow、pyTorch的數據類型的轉換非常頻繁；

Pandas，讀取原始的數據文件，例如PHM2012 PRONOTIA軸承全壽命數據集、XJTU軸承全壽命數據、IMS軸承全壽命數據集，肯定會用到，并且后處理后的特征數據（如果是時間序列）直接保存為”CSV“格式，讀取起來也是非常方便的。

matplotlib ，這應該是就不用多說，Python繪圖庫的扛把子，后續，特征的簡單可視化，神經網絡的訓練過程的Loss，軸承或者渦扇發動機的Remianing Useful Life （RUL）的可視化，也是用得到的。

二.深度學習的理論學習

推薦美國吳恩達的機器學習、深度學習的系列課程視頻的觀看筆記，非常感謝這些筆記的整理者們，DeepLearning深度學習筆記
筆記內容包括：
https://www.aliyundrive.com/s/tfpdvQkpZ7a

三、深度學習框架Tensorflow&Pytorch

1.現在最新的研究成果，New idea，新的算法等基本上是Pytorch優先公開出來。后面才是Tensorflow版本。
2.學習成本上來講。個人覺得Tensorflow2.X版本上手簡單，網絡搭建是傻瓜式操作，網絡的運行也是封裝得非常好，對于初學者基本上已經夠用了。后續比如碰上Transformer，DeepAR，貝葉斯神經網絡等，可能就需要采用自定義式的訓練方式，基本上就和Pytorch差不多了。
3.如果想要快速發論文，深入研究課題。建議先入手Pytorch。
4.技多不壓身。建議熟練掌握一個框架，另外一個作為補充。

RUL預測------渦扇發動機

我想，大部分人，應該都是從渦扇發動機的壽命預測開始上手。在Github上面，有關于這個數據集的壽命預測的代碼還是非常多的，很容易找到。簡單易學。
1.首先把“數據預處理”那一塊的代碼看懂。什么RUL label的制作啊、時間步的添加，這些全網基本一致。不同的就是預測的方法、神經網絡模型。
2.預測方法大體上分為兩類：
① 直接預測的方式
直接預測：顧名思義，直接將特征，輸入到機器學習模型中，輸出RUL預測值。
特點：簡單粗暴，經濟適用，特別適用于渦扇發動機這中多樣本的壽命預測。
②間接預測的方式
間接預測：Health indicator（Health index）
采用健康指標，來表征退化過程，進而通過向后預測HI，直到HI曲線超過設定的失效閾值，然后計算（Fisrt Predict Timepoint）FPT到失效點的時間，得到RUL的預測值

廢話不多說了，直接上圖，

FD001整體的100臺發動機的可視化結果:

另外還有FD001-FD004，四個子數據集中，選擇的一些發動機在壽命一寸過程中，單獨可視化的結果：
FD001測試集第56號測試集發動機

FD002測試集第239臺發動機

FD003測試集第39臺發動機

FD004測試集第111臺發動機

軸承壽命預測直接上圖

PHM 2012 PRONOTIA 滾動軸承全壽命數據集
任務：截斷數據（測試集全壽命被截斷了后面直到失效部分的振動數據，求其剩余壽命）

訓練集測試集

Bearing1_1 Bearing1_2	Bearing1_3 Bearing1_4 Bearing1_5 Bearing1_6 Bearing1_7
Bearing2_1 Bearing2_2	Bearing2_3 Bearing2_4 Bearing2_5 Bearing2_6 Bearing2_7
Bearing3_1 Bearing3_2	Bearing3_3

可視化
訓練集的可視化

Bearing1_1

Bearing1_1

Bearing2_1

Bearing2_2

Bearing3_1

Bearing3_2






測試集軸承
軸承1-3

軸承1-4

軸承1-5

軸承1-6

軸承1-7

軸承2-3

軸承2-4

軸承2-5

軸承2-6

軸承2-7

軸承3-3

XJTU 西安交大軸承全壽命數據集

訓練集測試集

Bearing1_1 Bearing1_2 Bearing1_3	Bearing1_4 Bearing1_5
Bearing2_1 Bearing2_2 Bearing2_3	Bearing2_4 Bearing2_5

37.5Hz 11kN預測效果
軸承1-4

軸承1-5

40Hz10kN
軸承2-4

軸承2-5

有點懶得碼字了，先發出去吧，下次更新隨緣吧，CSDN我偶爾想起來才會看到，看到了一般會回復，回寢室開黑去了，拜拜。

總結

以上是生活随笔為你收集整理的聊一聊深度学习做寿命预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。