superhgq1 / projectrul2

这是研究生毕设研究的第二种轴承寿命预测算法研究

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.

(更新时间线)Update Log

20210117

1. 项目提交上传到GitHub
2. 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
3. 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。

English Version

1. Upload the Project to GitHub
2. 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.
3. There may be many useless code (failed models), so do not doubt your result with my code.

20200526

1. 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
2. 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

初建项目

需要解决的问题

1. 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？
2. 如何确保提取的特征具
3. 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？