请教一个使用CMAPSS数据集进行寿命预测时打标签出现的一个问题

Question

各位佬，想请教一个问题，是关于深度学习rul线性打标签的问题
就是假设某一个发动机单元的周期为200，滑动窗口为30，静态固定值在125，那我根据滑动窗口生成的标签为171个rul标签，再用这个标签进行预测，生成171个数据，但实际数据是对不齐的，这样前三十个周期是没有数据的，但我看很多论文上面，前三十个周期是有数据的，我一直理解不了这里面是怎么进行的，请教各位佬，感激不尽

Answer 1

阿里嘎多学长整理AIGC生成，因移动端显示问题导致当前答案未能完全显示，请使用PC端查看更加详细的解答过程

问题解答

你遇到的问题是关于使用 CMAPSS 数据集进行寿命预测时，打标签出现的问题。具体来说，你的问题是关于如何生成 RUL（Remaining Useful Life）标签。

根据你的描述，你使用滑动窗口法生成了 171 个 RUL 标签，但是你遇到了问题。下面是一些可能的解决方案：

1. 滑动窗口的选择：滑动窗口的选择对 RUL 标签的生成有很大的影响。如果窗口太小，可能会导致标签的不稳定性；如果窗口太大，可能会导致标签的不准确性。你可以尝试调整窗口的大小来观察其影响。
2. 静态固定值的选择：你使用的静态固定值为 125，这可能会导致标签的不准确性。你可以尝试使用不同的静态固定值来观察其影响。
3. RUL 标签的生成方法：你使用的 RUL 标签生成方法可能需要调整。你可以尝试使用不同的方法，例如使用时间序列预测模型来生成 RUL 标签。

以下是一个使用 LSTM 模型进行 RUL 预测的示例代码：

import pandas as pd
import numpy as np
from sklearn.preprocessing import MinMaxScaler
from keras.models import Sequential
from keras.layers import LSTM, Dense

# 加载数据
data = pd.read_csv('cmapss_data.csv')

# 将数据转换为 NumPy 数组
data = data.values

# 将数据标准化
scaler = MinMaxScaler()
data = scaler.fit_transform(data)

# 将数据分割为训练集和测试集
train_size = int(0.8 * len(data))
train_data, test_data = data[0:train_size], data[train_size:]

# 定义 LSTM 模型
model = Sequential()
model.add(LSTM(units=50, return_sequences=True, input_shape=(30, 1)))
model.add(Dense(1))
model.compile(loss='mean_squared_error', optimizer='adam')

# 训练模型
model.fit(train_data, epochs=100, batch_size=32, verbose=2)

# 生成 RUL 标签
rul_labels = []
for i in range(len(test_data)):
    x = test_data[i]
    y = model.predict(x)
    rul_labels.append(y[0])

# 评估模型性能
mse = np.mean((rul_labels - np.arange(171)) ** 2)
print('MSE:', mse)

这个示例代码使用 LSTM 模型对 CMAPSS 数据集进行 RUL 预测，并使用滑动窗口法生成 RUL 标签。你可以根据你的需求进行修改和调整。