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。

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．

设备剩余寿命预测学习，CMAPSS发动机数据集

无味粒子滤波算法改进了粒子滤波算法，可以实现目标跟踪以及剩余寿命的预测

【Python项目实战】基于时间卷积网络(Temporal Convolution Network ,TCN)的发动机剩余寿命预测 航空发动机结构复杂,状态变量多且相互之间存在着严重非线性特征,传统的基于物理失效模型的方法难以精确地预测发动机的剩余寿命(RUL)。针对此问题,采用时间卷积网络(Temporal Convolution Network ,TCN)作为一种最新出现的序列神经网络,被证明在序列数据预测上有良好的效果。采用TCN实现对发动机剩余寿命进行预测,预测过程通过建立退化模型,给每个训练样本添加RUL标签;将特征输入构建的卷积神经网络得到剩余寿命的预测值。为了验证方法的有效性,在NASA提供的涡轮风扇发动机仿真数据集(C-MAPSS)上进行了测试,,结果表明采用TCN算法拥有更高的精度。

论文代码

为有效预测锂离子电池剩余寿命，引入了粒子滤波算法。对粒子滤波的基本概念和算法实现步骤进行介绍，在给出锂离子电池寿命统计数据的基础上，应用粒子滤波算法计算其剩余寿命，解决了锂离子电池剩余寿命预测的问题。对相同的锂离子电池统计数据，利用扩展卡尔曼滤波方法计算进行对比实验。分析结果表明：粒子滤波算法比扩展卡尔曼滤波算法可靠，能较好地预测出锂离子电池的剩余寿命，误差小于5%。

针对球轴承的剩余寿命预测问题，基于自组织映射(Self organizing map，SOM)和反向传播(Back propagation， BP)两种神经网络，提出一套新的预测球轴承剩余寿命的方法体系。深入对比分析几种不同轴承衰退指标的优缺点，利用三套时间域衰退指标和三套频率域衰退指标，包括一套新设计的指标，训练自组织映射神经网络。将源自于SOM的最小量化误差(Minimum quantization error, MQE)作为新的衰退指标，建立一套轴承性能数据库。针对球轴承衰退期，训练一套BP神经网络

基于机器学习的设备剩余寿命预测方法综述

一种基于粒子滤波理论的IGBT剩余寿命预测方法，龙兵，朱炯炯，随着IGBT应用日趋广泛，对于IGBT的视情维修需求也日趋紧迫。本文基于粒子滤波理论，提出一种IGBT的寿命预测方法，通过温度循环实验获