Predictive Maintenance Toolbox Getting Started Guide_R2021a.pdf

NASA-Turbofan预测性维护 Github无法渲染笔记本中的某些图形，因为超出了框架数量 为了查看完整的笔记本，请复制此链接在此网站中，然后单击带有'的文件。 ipynb'扩展并等待其呈现（大约需要10秒） 创建了一个模型，该模型可用作估算发动机RUL（剩余使用寿命）的工具，其精度为98％ 该模型预测引擎的RUL并输出值1或0 “ 1”表示发动机接近维修时间，因此需要检查，“ 0”表示可以安全进行 通过Cycle设计的功能，并生成了新变量来标记引擎 可视化的高级图形和轨迹使用绘图 使用过的lightgbm和xgboost库进行有效的模型构建 使用RandomizedSearchCV优化分类模型，对参数进行超调以获得最合适的模型 本项目中使用的代码和资源的说明 ** Python版本：** 3.8 **软件包：**熊猫，numpy，seaborn，matplotlib，plot

探索NASA涡轮风扇数据集 此回购包含笔记本，其中包含有关NASA涡轮风扇降级数据集[2]上一小部分博客文章[1]的信息。 涡轮风扇数据集包括难度增加的4个独立挑战。 发动机在一开始就正常运行，但随着时间的流逝会出现故障。 对于每个挑战，列车中的引擎都会运行至故障。 测试集中的时间序列在失败之前“有时”结束。 目的是预测测试集中每个涡扇发动机的剩余使用寿命（RUL）。 请参阅下表以简要了解这些挑战。 数据集 运行条件 故障模式 火车尺寸（引擎数） 测试尺寸（发动机数量） FD001 1个 1个 100 100 FD002 6 1个 260 259 FD003 1个 2个 100 100 FD004 6 2个 248 249 笔记本用于浏览数据集并尝试各种建模技术（机器学习和神经网络）。 有关模型开发过程中所做的技术和选择的完整说明，我建议阅读博客文章[1]

FinalProject_ML_Course_Jorge_Ballesteros_机器学习风力涡轮机的预测性维护