企业官网建设流程全解析

无为县住房建设局网站首页,淘宝网站建设维护会计科目,金山网站制作,网页设计购物网站模板1.运行效果#xff1a;利用动态时间规整#xff08;DTW#xff09;技术实现对机械寿命预测#xff08;基于NASA C-MAPSS数据的剩余使用寿命RUL预测#xff0c;Python代码#xff0c;DTW不属于深度学习#xff0c;但预测效果更_哔哩哔哩_bilibili 库配置 2。DTW内容 动…1.运行效果利用动态时间规整DTW技术实现对机械寿命预测基于NASA C-MAPSS数据的剩余使用寿命RUL预测Python代码DTW不属于深度学习但预测效果更_哔哩哔哩_bilibili库配置2。DTW内容动态时间规整DTW是机器学习和时间序列分析的一部分。DTW是一种用于测量两个时间序列之间相似度的技术。它可以用于时间序列分类、聚类、匹配等机器学习任务中。DTW的主要思想是考虑时间序列之间在不同时间步长下的相似性而不仅仅是简单地比较它们的点对点距离。这使得DTW在处理时间序列数据时非常有用因为它可以应对时间序列之间长度不同、速度不同等问题。DTW在很多领域都有应用包括语音识别、手写体识别、生物信息学、金融分析等。在机器学习中DTW可以用于构建时间序列模型、异常检测、时间序列预测等任务。3.数据来源NASA数据集 https://www.nasa.gov/intelligent-systems-division数据文件夹数据介绍当前基于机器学习的剩余寿命预测方法的研究异常火爆其中C-MAPSS数据集在该领域的使用非常广泛为了方便各位同仁的学习和理解借此文章向大家简单介绍一下。1首先说明C-MAPSS数据集为模拟数据。这是由于航空发动机的构造复杂其气路变化复杂多变并且航空发动机的运行数据通常作为各个航空公司的保密数据一般不易获取。因此由NASA使用Commercial Modular Aero-Propulsion System Simulation软件生成了该套数据集其目的是结合发动机的运行特点来测试不同的模型性能。2NASA提出的涡扇引擎退化监测数据集(C-MPASS)的结构简图如下所示。主要构件包含风扇、低压压气机(LPC)、高压压气机(HPC)、燃烧室、高压涡轮(HPT)、低压涡轮(LPT)及其喷管。其子数据集共四个每个子类都有不同数量的工况条件和故障状态。C-MAPSS数据如下图所示当前的论文研究中主要以单工况、单故障状态的FD001数据集为主(笔者认为该数据集相对简单相比于多工况数据不需要额外的数据处理)。以FD001为例其进一步分为训练和测试子集其包含1种故障状态和1种工况。训练集Train_FD001.txt收录了100台保持全寿命循环状态的发动机参数信息测试集Test_FD001.txt收录了100台非全寿命循环状态的发动机参数信息即仅包含发动机故障前某个时间终止的多个传感器数据根据给定的运行参数对每台发动机的RUL进行实时的预测RUL_FD001.txt中收录了测试集中100台发动机的RUL真实值。每台发动机的参数信息包含3种工作状况监测参数(飞行高度马赫数油门杆角度)和21个性能监测参数其24个传感器监测参数如下图所示。3.整体代码的流程导入所需的Python库。读取训练集(train_df1、测试集(test_df1和真实寿命数据truth_df1对训练集进行标签贴附计算剩余使用寿命RUL对训练数据和测试数据进行归一化处理使用MinMaxScaler去除部分无意义列选择特定的监控数据列使用PCA对监控数据进行降维保留主成分使用支持向量回归SVR对训练数据和测试数据进行平滑处理使用动态时间规整DTW距离计算训练数据和测试数据之间的相似性进行异常值去除排除可能的异常数据点实现寿命预测模型计算预测的RUL计算模型的性能指标包括均方根误差RMSE、平均绝对误差MAE、均方根百分比误差MAPE等绘制预测结果图表包括预测曲线和误差直方图输出预测结果到CSV文件中4.效果整体文件夹CMaps是数据集文件夹RUL_pred表格存的是DTW.py运行完测试集的预测值RUL_true表格存的是DTW.py运行完测试集的真实值效果图# 去除标记列仅留下有用的监控数据测试集的预测效果测试集的误差直方图