简述 模型的应用数据集为PHM2012轴承数据集，使用原始振动信号作为模型的输入，输出为0~1的轴承剩余使用寿命。每一个预测模型包括：数据预处理、预测模型、训练函数、主程序以及结果输出等五个.py文件。只需更改数据读取路径即可运行。【PS: 也可以改为XJTU-SY轴承退化数据集】 具体使用流程 1.将所有的程序放在同一个文件夹下，修改训练轴承，运行main.py文件，即可完成模型的训练。 2.训练完成后，运行result_out.py文件，即可输出预测模型对测试轴承的预测结果。

简述 模型的应用数据集为PHM2012轴承数据集，使用原始振动信号作为模型的输入，输出为0~1的轴承剩余使用寿命。每一个预测模型包括：数据预处理、预测模型、训练函数、主程序以及结果输出等五个.py文件。只需更改数据读取路径即可运行。【PS: 也可以改为XJTU-SY轴承退化数据集】 具体使用流程 1.将所有的程序放在同一个文件夹下，修改训练轴承，运行main.py文件，即可完成模型的训练。 2.训练完成后，运行result_out.py文件，即可输出预测模型对测试轴承的预测结果。

一、简介 针对滚动轴承存在性能退化渐变故障和突发故障两种模式下的剩余使用寿命（remaining useful life，简称RUL）预测困难的问题，提出一种结合卷积神经网络（convolution neural networks，简称CNN）和长短时记忆（long short term memory，简称 LSTM）神经网络的滚动轴承 RUL预测方法。首先，对滚动轴承原始振动信号作快速傅里 叶变换（fast Fourier transform，简称FFT；其次，将预处理所得到的频域幅值信号进行归一化处理后，将其作为 CNN 的输入，并利用 CNN自适应提取局部内在有用信息，学习并挖掘深层特征，避免传统算法需要专家大量经验 的弊端；然后，再将深层特征输入到 LSTM网络中，构建趋势性量化健康指标，同时确定失效阈值；最后，运用移动平均法进行平滑处理，消除局部振荡，再利用多项式曲线拟合，预测未来失效时刻，实现滚动轴承 RUL 预测。实验结果表明，所提方法构建的趋势性量化健康指标在两种故障模式下都具有良好的单调趋势性，预测结果能够较好地 接近真实寿命值。 ————————————————

使用LSTM实现C-MAPSS数据集里面的剩余寿命预测（Pytorch） 每轮训练后测试集误差 score:445.4610 334.5140 358.6489 365.9250 331.4520 283.3463 460.4766 314.7196 325.5950 452.3746 RMSE:16.3614 14.8254 14.9796 15.5157 14.7853 14.2053 16.2834 14.6757 14.7481 15.8802 由实验结果可知，MS-BLSTM 的预测误差均为最低水平，并且实际训练过程中收敛速度较快，涡扇发动机接近损坏时预测准确率较高。与传统机器学习方法相比，深度学习模型如CNN 和 LSTM的预测误差相对较小。而本文所提的 MS-BLSTM 混合深度学习预测模型进一步提高了 RUL 预测精度,，这得益于 MS-BLSTM 混合模型有效利用了时间段内传感器测量值的均值和方差与RUL的相关性，并使用 BLSTM学习历史数据和未来数据的长程依赖。本文所提的 MS-BLSTM 剩余使用寿命预测模型预测精度高，可有力支撑涡扇发动机的健康管理与运维决策。

基于 Transformer 的锂电池寿命预测（Remaining Useful Life，RUL）（Python完整源码和数据） Packages pytorch 1.8.0 pandas 0.24.2 基于 Pytorch 的 Transformer 锂电池寿命预测（Remaining Useful Life，RUL）

基于累积损伤的复合材料层合板拉-拉疲劳寿命预测，魏武国，，复合材料层合板在拉-拉疲劳载荷作用下的损伤形式主要是基体开裂、纤维拉断和分层，因此重点考虑这三种损伤的失效判据,并基于疲劳�

考虑触点影响的航天继电器寿命预测方法

C-MAPSS数据集是涡轮风扇发动机退化的模拟数据。这些数据是由美国宇航局使用商用模块化航空推进系统模拟(C-MAPSS)生成的。数据集包含21个传感器的多变量时间数据。有4个数据子集，FD00l、FD002、FD003和FD004，每个子集都有特定的运行条件和故障形式。每个数据子集都有一个训练集和一个测试集，训练集中记录的测量值是一直记录到发动机发生故障为止(run-tofailure实例)。而在测试集中，传感器记录值在故障前的某时刻终止，这样做的目的是为了预测该时刻的RUL。另外，还提供了测试数据集的真实剩余使用寿命（RUL）值。

PHM2012滚动轴承全寿命数据集的特征提取环节，提取具有物理意义的统计特征。包含时十几个域、频域等的统计特征提取。最后保存的数据形式是numpy的数据格式

针对现有剩余寿命预测研究中需要多个同类设备历史数据离线估计模型参数的问题，本文提出了一种基于退化数据建模的服役设备剩余寿命自适应预测方法． 该方法，利用指数随机退化模型来建模设备的退化过程，基于退化监测数据运用Bayesian 方法更新模型的随机参数，进而得到剩余寿命的概率分布函数及点估计． 区别于现有方法，本文方法基于设备到当前时刻的监测数据，利用期望最大化算法对模型中的非随机未知参数进行在线估计，由此.无需多个同类设备历史数据． 最后，通过数值仿真与实例分析，验证了本文方法在剩余寿命预测时的有效性．