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。

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。

C-MAPSS/航天发动机/涡轮发动机数据集 包含FD001-FD004

这项工作介绍了 [1] 中提出的 LCI-ELM 的新改进。 新的贡献集中在训练模型对更高维度的“时变”数据的适应性上。 使用C-MAPSS数据集对提出的算法进行了研究[2]。 PSO[3] 和 R-ELM[4] 训练规则被整合到了这个任务中。 拟议算法和用户指南的详细信息可在： https : //www.researchgate.net/publication/337945405_Dynamic_Adaptation_for_Length_Changeable_Weighted_Extreme_Learning_Machine [1] YX Wu、D. Liu 和 H. Jiang，“长度可变增量极限学习机”，J. Comput。 科学技术，卷。 32号3，第 630-643 页，2017 年。 [2] A. Saxena、M. Ieee、K. Goebel、D. Simon 和

C_MAPSS Turbofan问题 商业模块化航空推进系统仿真（C-MAPSS）是涡轮风扇仿真模型。 C-MAPSS用于从涡扇发动机生成仿真的运行失败数据集，该数据集已在NASA的卓越诊断中心存储库中发布，该库可 。 在预测维护范围内解决问题的数据驱动方法的最大瓶颈是缺乏从运行到失败的数据集。 该模拟数据集使研究人员可以针对此问题构建，测试和基准测试不同的方法。 C-MAPSS数据集由具有不同操作和故障条件的四个子数据集组成。 每个子数据集进一步分为训练集和测试集。 数据由多个多元时间序列测量组成。 在每个数据集中，每个引擎都来自一组相同类型的引擎，每个时间序列都来自一个引擎。 每个发动机都以不同程度的初始磨损和制造变化开始，这是未知的。 这些磨损和变化被认为是每个发动机的正常行为。 发动机在每个时间序列开始时均正常运行，并在某个时间点出现故障。 在训练集中，故障的严重程度会不断增加，

涡轮风扇发动机从正常运行至失效的全寿命采集的实验数据，对于研究涡轮风扇发动机的故障的预测及性能评估想必有用。-Turbofan engine failure from normal operation to the whole life of the experimental data collected for the study of turbofan engine failure prediction and performance evaluation must be useful.