基于Deep AR模型的軸承RUL預測

• Deep AR模型
• • 1.直接將特征輸入到Deep AR模型進行RUL預測
  • 2.將Deep AR應用于HI的后處理
  • 總結

Deep AR模型

最早接觸DeepAR模型是2020年在簡書看到的一篇大佬的博客:https://www.jianshu.com/p/8a900b9ad3d3
這位大佬非常詳細的講解了Deep AR的代碼實戰操作。受大佬的啟發，并結合在github上面的搜集的資料，最終本人完成了對Deep AR的探究，并且成功應用于PHM 2012軸承的RUL( ps：不要問我文章在哪，我沒寫也沒投。主要是Deep AR有較大的局限性，同時我有其他的研究方向)。后續我會一一道來。
模型代碼：
在大佬的csdn也有：https://blog.csdn.net/weixin_45073190/article/details/104951504¹

我這里就只添加一個GaussianLoss，因為大佬的是log_gaussian_loss,有想練練手的可以嘗試這兩種損失函數

import tensorflow as tf from tensorflow.keras.layers import (Input, LSTM, LSTMCell)class DeepAR(tf.keras.layers.Layer):"""DeepAR 模型"""def __init__(self, lstm_units):super().__init__()self.lstm_units = lstm_units# 可以使用多層LSTMself.lstm_1 = tf.keras.layers.LSTM(self.lstm_units,return_sequences=True )self.lstm_2 = tf.keras.layers.LSTM(self.lstm_units,return_sequences=False)self.dense_mu = tf.keras.layers.Dense(1,activation='sigmoid')self.dense_sigma = tf.keras.layers.Dense(1,activation="softplus")def call(self, inputs, initial_state=None):outputs = self.lstm_1(inputs)outputs = self.lstm_2(outputs)mu = self.dense_mu(outputs)sigma = self.dense_sigma(outputs)return [mu, sigma]class GaussianLoss(object):def __init__(self):passdef __call__(self, y_true, y_pred, sigma):return tf.reduce_mean(0.5 * tf.math.log(sigma) +0.5 * tf.math.divide(tf.math.square(y_true-y_pred),sigma))+1e-6+6

模型打印：

Model: "model_5" _________________________________________________________________ Layer (type) Output Shape Param # ================================================================= input_6 (InputLayer) [(None, 36, 128)] 0 _________________________________________________________________ deep_ar_5 (DeepAR) [(None, 1), (None, 1)] 11426 ================================================================= Total params: 11,426 Trainable params: 11,426 Non-trainable params: 0 _________________________________________________________________

1.直接將特征輸入到Deep AR模型進行RUL預測

訓練集：

整體的訓練效果一般，并且難以充分訓練。再來看看測試集軸承，(測試是full，不是截斷的)：
軸承1-3

軸承1-4

軸承1-5

軸承1-6

軸承1-7

2.將Deep AR應用于HI的后處理

首先通過一個神經網絡模型得到每個軸承的健康指標HI，然后采用Deep AR對測試集(截斷的數據)健康指標進行預測
軸承1-3

軸承1-6

總結

總體上來講，Deep AR可能對數據量有一定的要求，另外，其運行過程的損失函數不穩定，波動很大，不像常規的loss保持下降趨勢。

---

時間序列預測方法之 DeepAR ??

總結

以上是生活随笔為你收集整理的flag兑现：这次聊一聊Deep AR 模型用于PHM2012工况1轴承数据集的RUL预测的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。