用于预测性维护的循环神经网络

• 作者：翁贝托·格里福
• Twitter：@UmbertoGriffo

Colab

您可以在 Colab 上直接尝试代码。将副本保存到您的云端硬盘，尽情体验吧！

软件环境

• Python 3.6
• numpy 1.13.3
• scipy 0.19.1
• matplotlib 2.0.2
• spyder 3.2.3
• scikit-learn 0.19.0
• h5py 2.7.0
• Pillow 4.2.1
• pandas 0.20.3
• TensorFlow 1.3.0
• Keras 2.1.1

问题描述

在本示例中，我构建了一个 LSTM 网络，用于根据 [3] 中描述的情景，预测航空发动机的剩余使用寿命（或失效时间）。该情景参考了 [1] 和 [2] 的内容。该网络利用模拟的航空传感器数据来预测飞机发动机何时会发生故障，从而提前规划维护工作。 问题可以表述为：“基于这些航空发动机的运行和失效历史记录，我们能否预测一台正在服役的发动机何时会失效？”我们将这个问题重新表述为两个密切相关的问题，并使用两种不同类型的机器学习模型来解答：

* 回归模型：一台正在服役的发动机还能再运行多少个周期才会失效？
* 二分类问题：这台发动机是否会在 w1 个周期内发生故障？

数据概览

在 Dataset 目录下，包含了训练集、测试集和真实标签数据集。训练数据由“周期”作为时间单位的 多条多变量时间序列 组成，每条序列包含每个周期的 21 个传感器读数。可以假设每条时间序列都来自同一型号的不同发动机。测试数据与训练数据具有相同的数据结构，唯一的区别在于测试数据并未标注故障发生的时间。最后，真实标签数据提供了测试集中各台发动机剩余的工作周期数。 下图展示了部分数据样本：

有关数据的更多详细信息，请参阅 [1] 和 [2]。

实验结果

回归模型结果

平均绝对误差	决定系数 (R^2)
12	0.7965

以下图片展示了损失函数、平均绝对误差、R^2 以及实际数据与预测数据的对比趋势：

二分类模型结果

准确率	精确率	召回率	F1 分数
0.97	0.92	1.0	0.96

以下图片展示了损失函数、准确率以及实际数据与预测数据的对比趋势：

扩展

我们还可以创建一个模型来判断故障是否会在不同的时间窗口内发生，例如，在时间窗口 (1, w0) 内发生故障，或者在时间窗口 (w0+1, w1) 天内发生故障，等等。这将转化为一个多分类问题，需要对数据进行相应的预处理。

哪些文献引用了本研究？

• 在 物联网动手人工智能 一书的第 10 章中
  • https://github.com/PacktPublishing/Hands-On-Artificial-Intelligence-for-IoT/tree/master/Chapter10
• 在 移动与无线通信及实际用例场景 一书的第 7 章中
  • https://www.google.pt/books/edition/Mobile_and_Wireless_Communications_with/lvqhEAAAQBAJ?hl=en&gbpv=1
• 巴塞罗那大学硕士论文《利用循环神经网络预测事件发生时间》（西班牙巴塞罗那）。可在此处查阅：这里
• 论文《探索云辅助微型机器学习在 PHM 场景中的应用模式》。可在此处查阅：这里 和 这里

参考文献

• [1] 预测性维护中的深度学习 https://github.com/Azure/lstms_for_predictive_maintenance/blob/master/Deep%20Learning%20Basics%20for%20Predictive%20Maintenance.ipynb
• [2] 预测性维护：第 2A 步，训练并评估回归模型 https://gallery.azure.ai/Experiment/Predictive-Maintenance-Step-2A-of-3-train-and-evaluate-regression-models-2
• [3] A. Saxena 和 K. Goebel（2008 年）。“涡扇发动机退化仿真数据集”，NASA Ames 预测性维护数据仓库（https://ti.arc.nasa.gov/tech/dash/groups/pcoe/prognostic-data-repository/#turbofan），NASA Ames 研究中心，莫菲特场，加利福尼亚州
• [4] 理解 LSTM 网络 http://colah.github.io/posts/2015-08-Understanding-LSTMs/

Predictive-Maintenance-using-LSTM 快速上手指南

本指南帮助开发者快速部署基于 LSTM 的航空发动机预测性维护模型，用于预测剩余使用寿命（RUL）或判断是否即将发生故障。

环境准备

系统要求

• 操作系统：Linux, macOS 或 Windows
• Python 版本：3.6（推荐兼容版本）

前置依赖

项目依赖以下核心库，建议通过 pip 安装。国内用户推荐使用清华源或阿里源加速下载。

主要依赖包：

• numpy, scipy, pandas, matplotlib
• scikit-learn, h5py, Pillow
• tensorflow (1.3.0)
• keras (2.1.1)

注意：由于项目基于较旧的 TensorFlow 1.x 和 Keras 2.1.1 开发，若在现代环境中运行遇到兼容性问题，建议创建独立的虚拟环境。

安装步骤

1. 克隆项目代码

   git clone https://github.com/umbertogriffo/Predictive-Maintenance-using-LSTM.git
   cd Predictive-Maintenance-using-LSTM
   

2. 创建并激活虚拟环境（推荐）

   python3 -m venv venv
   source venv/bin/activate  # Windows 用户使用: venv\Scripts\activate
   

3. 安装依赖包

   方案 A：使用国内镜像源快速安装（推荐）

   pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy==1.13.3 scipy==0.19.1 matplotlib==2.0.2 scikit-learn==0.19.0 h5py==2.7.0 Pillow==4.2.1 pandas==0.20.3 tensorflow==1.3.0 keras==2.1.1
   

   方案 B：标准安装

   pip install numpy==1.13.3 scipy==0.19.1 matplotlib==2.0.2 scikit-learn==0.19.0 h5py==2.7.0 Pillow==4.2.1 pandas==0.20.3 tensorflow==1.3.0 keras==2.1.1
   

   注：如果 tensorflow==1.3.0 在当前 Python 版本下安装失败，可尝试安装兼容的 tensorflow-gpu 或适当放宽版本限制（如 tensorflow<2.0），但需确保 Keras 后端配置正确。

基本使用

本项目最便捷的体验方式是直接使用 Google Colab，无需本地配置环境。

方式一：在线运行（推荐）

1. 访问项目提供的 Colab 笔记本： https://colab.research.google.com/drive/1tjIOud2Cc6smmvZsbl-QDBA6TLA2iEtd
2. 点击菜单栏的 File (文件) -> Save a copy in Drive (在云端硬盘中保存副本)。
3. 点击 Runtime (运行时) -> Run all (全部运行) 即可开始训练和评估模型。

方式二：本地运行

确保已下载 Dataset 目录下的训练集、测试集和真实值数据（通常位于项目根目录或需从 NASA 仓库单独下载）。

运行主要的训练与评估脚本（假设主脚本名为 main.py 或参考 Colab 中的代码逻辑）：

python main.py

模型功能说明： 代码将执行两种类型的预测任务：

1. 回归模型 (Regression)：预测发动机还能运行多少个周期（Remaining Useful Life）。
   • 输出指标：平均绝对误差 (MAE), R² 系数。
2. 二分类模型 (Binary Classification)：判断发动机是否会在未来 w1 个周期内发生故障。
   • 输出指标：准确率 (Accuracy), 精确率 (Precision), 召回率 (Recall), F1 分数。

运行结束后，程序将在 Output 目录生成损失函数趋势图、误差分析图及预测结果对比图。