基于CMAPSS数据集的航空发动机剩余寿命预测实战指南

1次阅读

共计 1864 个字符，预计需要花费 5 分钟才能阅读完成。

CMAPSS（Commercial Modular Aero-Propulsion System Simulation）是 NASA 发布的航空发动机退化仿真数据集，包含 4 个子数据集（FD001-FD004），涵盖不同故障模式和工况条件。每个样本包含 21 个传感器时序数据，目标变量是发动机剩余使用寿命（RUL）。该数据集已成为预测性维护（PHM）领域的基准测试标准。

数据质量问题 ：传感器噪声显著，部分通道存在冗余或无效数据（如恒定值）
工况复杂性 ：FD003/FD004 包含多工况数据，传统方法难以建模工况切换影响
评估特殊性 ：NASA 提供的评分函数对早期预测误差惩罚更轻，与常规 RMSE 指标需结合使用

无效特征过滤 ：删除方差接近零的传感器通道（如传感器 1、5、10 等）
滑动窗口处理 ：将时序数据转换为监督学习格式，窗口大小建议 15-20 个周期

# 滑动窗口示例代码
import numpy as np
def create_sequences(data, window_size=20):
    X, y = [], []
    for unit_id in np.unique(data[:,0]):
        unit_data = data[data[:,0]==unit_id]
        for i in range(len(unit_data)-window_size):
            X.append(unit_data[i:i+window_size, 2:]])  # 排除 ID 和周期列
            y.append(len(unit_data)-i-window_size)     # 剩余周期数
    return np.array(X), np.array(y)

时域特征 ：移动平均、标准差、峰峰值等统计量
频域特征 ：通过 FFT 提取主频成分（需注意不同工况的频域特性差异）
退化特征 ：构建传感器值的累积变化量作为退化指标

在 FD001 子集上的表现对比（3 折交叉验证均值）：

模型	RMSE	Score 函数值	训练速度
XGBoost	18.2	1.45e3	最快
1D-CNN	15.7	1.21e3	中等
LSTM	14.3	1.08e3	最慢

import torch
import torch.nn as nn

class LSTMModel(nn.Module):
    def __init__(self, input_size, hidden_size=64):
        super().__init__()
        self.lstm = nn.LSTM(input_size, hidden_size, batch_first=True)
        self.regressor = nn.Sequential(nn.Linear(hidden_size, 32),
            nn.ReLU(),
            nn.Linear(32, 1))

    def forward(self, x):
        out, _ = self.lstm(x)  # out shape: [batch, seq_len, hidden_size]
        return self.regressor(out[:, -1, :])  # 只取最后时间步

# 早停法实现
class EarlyStopping:
    def __init__(self, patience=5):
        self.patience = patience
        self.counter = 0
        self.best_score = None

    def __call__(self, score):
        if self.best_score is None or score < self.best_score:
            self.best_score = score
            self.counter = 0
        else:
            self.counter += 1
            if self.counter >= self.patience:
                return True
        return False