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。

RUL来自振动信号 问题：要预测轴承在工业资产（如泵，压缩机，变速箱等）中的剩余寿命，请查看支持文件。 参考研究论文：ANN泵寿命预测.pdf 有关数据，请联系： 可交付成果： •显示RMS和峰度的图形•Weibull危险率和参数估计（形状和比例参数） 培训和验证集的结果 •测试仪的输出性能 •建议模型的训练和验证错误（如参考研究论文所示） •多传感器融合的想法，可以实际预测整个旋转设备的剩余用途

非线性回归方法的锂离子卫星动力系统的RUL和SOH估计 链接到数据集可以在找到

剩余使用寿命（RUL）预测在预测和健康管理（PHM）中起着至关重要的作用，以提高可靠性并降低众多机械系统的周期成本。 深度学习（DL）模型，尤其是深度卷积神经网络（DCNN），在RUL预测中正变得越来越流行，从而在最近的研究中取得了最新的成果。 大多数DL模型仅提供目标RUL的点估计，但是非常需要为任何RUL估计具有关联的置信区间。 为了改进现有方法，我们构建了一个概率RUL预测框架，以基于参数和非参数方法来估计目标输出的概率密度。 模型输出是对目标RUL的概率密度的估计，而不仅仅是单点估计。 所提出的方法的主要优点是该方法自然可以提供目标预测的置信区间（不确定性）。 我们通过一个简单的DCNN模型，在公开可用的涡轮发动机退化模拟数据集上验证了我们构建的框架的有效性。 源代码将在https://github.com/ZhaoZhibin/Probabilistic_RUL_Prediction中发布。

matlab卡尔曼滤波相关代码剩余使用寿命估计 该存储库保存了在代尔夫特理工大学传感器信号和数据处理课程中进行的涡扇发动机剩余使用寿命估计项目的结果。 实现的估计技术依赖于扩展卡尔曼滤波器。 所有可视化和实现相关的任务都是在 Matlab 中进行的。 代码在三个不同的文件中提供： RUL_data_exploration.m 、 RUL_function_derivations.m和RUL_EKF_implementation_evaluation.m以及所需的（Matlab）数据文件RUL_data.mat 。 为了便于理解，代码附有注释。 每个文件都可以单独执行。 除了数据和代码之外，还包括相关报告[SSDP] Remaining Useful Lifetime estimation M. Hulsebos.pdf 。 本报告讨论了实施细节，还提供了评估结果以及与并发方法的比较。

基于维纳过程的退化模型，具有递归过滤算法，可用于估计剩余使用寿命

NASA涡轮风扇故障预测 这个数据分析/机器学习项目研究了行为变量与故障发生之间的关系（就剩余的发动机循环而言），用于来自NASA研究项目的模拟运行涡扇数据。 该项目从对数据集的探索开始，随后是基于当前引擎读数的引擎剩余使用寿命（RUL）预测模型的开发。 建模技术包括线性回归和神经网络（使用TF-Keras）。 培训数据来自NASA预测中心数据存储库： : 可以在以下找到有关此调查的文章： : 项目目标 分析发动机性能与剩余使用寿命之间的关系。 开发剩余使用寿命的预测模型。 探索数据集 使用Jupyter笔记本浏览数据集，先进行数据质量检查，然后调查可变关系。 数据质量通常非常好，几乎没有数据丢失或数据类型不正确的情况，尽管随附的文档表明某些传感器上存在噪声。 在数据集中可以看到许多变量之间的强线性相关性，为子集预测模型的变量提供了坚实的基础： 许多变量分布是正态或偏态

PHM深度学习 PHM中的深度学习，故障诊断中的深度学习，剩余使用寿命预测中的深度学习 该存储库的目的是收集PHM领域中深度学习的应用研究，收集和组织开源算法资源，并为研究人员提供学习和交流的平台。 文件 每周纸快递 2020年 | 评论论文 Dalzochio，J.等人，《机器学习和工业4.0中预测性维护的推理：当前状态和挑战》。 工业计算机，2020年。123：第。 103298. Zhao，Z.等人，《旋转机械智能诊断的深度学习算法：开源基准研究》。 ISA Transactions，2020年。 Jiao，J.，et al。，卷积神经网络在机器故障诊断中的全面综述。 神经计算，2020年。 Singh，J.等人，滚动轴承PHM的机器学习算法的系统综述：基本原理，概念和应用。 测量科学与技术，2020年。 Liu，Z. and L. Zhang，大型风力涡轮机轴承的故障模式，状态

基于BP神经网络的锂离子电池剩余使用寿命预测.zip

轴承剩余寿命预测项目(projectRUL) 使用PHM2012大赛的轴承数据库，研究如何使用深度学习算法对滚珠轴承进行剩余寿命预测的试错项目 to prediction the remain useful life of bearing based on 2012 PHM data 2021-01-17 最后更新总结(Final Update) 碎碎念：这个项目一开始只是一个默默无名的研究生用来记录自己在深度学习算法上的学习过程，所以本质上就是一个没啥卵用的项目。结果项目停止更新的两年多总有人会给我发邮件问这个项目，(也有可能相关方向的代码是真的少，所以找到这里。。。)，而且我也不做相关方向了，所以做一个总结。 项目里面的深度模型基本都能运行，但是效果都不行！！（仅供新人学习参考） 项目里面我自我感觉最好的代码是dataset.py，这是将PHM2012、德国帕德博恩大学的数据库以及cw