主要想法:考虑到全生命周期的轴承震动数据过多,希望对数据进行有效压缩(特征提取)之后再进行剩余寿命预测。
Main Idea: Since the lifecycle data of bearing is too large to train. It is hoped to find out some way to compress the data (extract the feature) and predict the RUL.
- 项目提交上传到GitHub
- 模型的说明、分析及效果请看硕士论文:滚动轴承剩余寿命预测算法研究及监测软件开发
- 项目里面有很多可能没用的代码,请不要问我为什么这个模型不行,因为它就是不行。
- Upload the Project to GitHub
- The description of this porject can be seen in Master Thesis: 滚动轴承剩余寿命预测算法研究及监测软件开发. And I am not going to translate it. The latest model is in the file
DIModel2.py
. - There may be many useless code (failed models), so do not doubt your result with my code.
- 用时域未归一化数据可提取出长度为32的特征,但归一化之后就不行
- 提取出来的特征降维之后大致形成圆形,中间为开始,边缘为结束
- 判断数据是健康还是开始故障
- 深度学习检测异常值?
- 特征提取应采用无监督学习——无监督学习的不确定性怎么限制?
- 如何确保提取的特征具
- 备想要的信息?以方便rnn进行回归预测
- rnn可采用注意力机制,将注意力较低的那部分特征认为是没能提取出有用信息?感觉还是不合适
- rnn根据预测结果反求输入数据的理想值?