本博客的码字背景

最近马上就研三了，回顾一路从小白开始入门深度学习做机械核心零部件寿命预测的历程吧。
1.本科期间未接触过python，深度学习相关的内容。
2.研究生在寿命预测方向入门画的时间比较长，走过了许多弯路。
毕竟万事开头难，作为课题组第一位做该方向的研究生。得到的理论指导与code帮助确实很难。没有师兄带路，老板只能是说给个的理论方向、优秀论文的推荐。
3.个人的能力确实有限。我就是属于那种比较笨的学生，做什么事情不是一点就通，一看就会的。
因此，下面我将会根据自己对课题研究方向的理解，来和同道中人聊一聊“基于深度学习的涡扇发动机、滚动轴承的剩余使用寿命预测”吧。

一.基础知识准备阶段

简单讲，python的基础语法，常用数据结构类型，常用的数据处理相关库的学习：Numpy、Pandas：

Numpy ，后面与Tensorflow、pyTorch的数据类型的转换非常频繁；
Pandas，读取原始的数据文件，例如PHM2012 PRONOTIA轴承全寿命数据集、XJTU轴承全寿命数据、IMS轴承全寿命数据集，肯定会用到，并且后处理后的特征数据（如果是时间序列）直接保存为”CSV“格式，读取起来也是非常方便的。
matplotlib ，这应该是就不用多说，Python绘图库的扛把子，后续，特征的简单可视化，神经网络的训练过程的Loss，轴承或者涡扇发动机的Remianing Useful Life （RUL）的可视化，也是用得到的。

二.深度学习的理论学习

推荐美国吴恩达的机器学习、深度学习的系列课程视频的观看笔记，非常感谢这些笔记的整理着们，DeepLearning深度学习笔记
笔记内容包括：
https://www.aliyundrive.com/s/tfpdvQkpZ7a

三、深度学习框架Tensorflow&Pytorch

1.现在最新的研究成果，New idea，新的算法等基本上是Pytorch优先公开出来。后面才是Tensorflow版本。
2.学习成本上来讲。个人觉得Tensorflow2.X版本上手简单，网络搭建是傻瓜式操作，网络的运行也是封装得非常好，对于初学者基本上已经够用了。后续比如碰上Transformer，DeepAR，贝叶斯神经网络等，可能就需要采用自定义式的训练方式，基本上就和Pytorch差不多了。
3.如果想要快速发论文，深入研究课题。建议先入手Pytorch。
4.几多不压身。建议熟练掌握一个框架，另外一个作为补充。

RUL预测------涡扇发动机

我想，大部分人，应该都是从涡扇发动机的寿命预测开始上手。在Github上面，有关于这个数据集的寿命一寸的代码还是非常多的，很容易找到。简单易学。
1.首先把**“数据预处理”那一块的代码看懂。什么RUL label的制作啊、时间步的添加，这些全网基本一致。不同的就是预测的方法**、神经网络模型。
2.预测方法大体上分为两类：
① 直接预测的方式

直接预测：顾名思义，直接将特征，输入到机器学习模型中，输出RUL预测值。
特点：简单粗暴，经济适用，特别适用于涡扇发动机这中多样本的寿命预测。
②间接预测的方式
间接预测：Health indicator（Health index）
采用健康指标，来表征退化过程，进而通过向后预测HI，直到HI曲线超过设定的失效阈值，然后计算（Fisrt Predict Timepoint）FPT到失效点的时间，得到RUL的预测值

废话不多说了，直接上图，

FD001整体的100台发动机的可视化结果:
FD001
另外还有FD001-FD004，四个子数据集中，选择的一些发动机在寿命一寸过程中，单独可视化的结果：
FD001测试集第56号测试集发动机
FD001第56号测试集发动机
FD002测试集第239台发动机
在这里插入图片描述
FD003测试集第39台发动机

FD004测试集第111台发动机

轴承寿命预测直接上图

PHM 2012 PRONOTIA 滚动轴承全寿命数据集
任务：截断数据（测试集全寿命被截断了后面直到失效部分的振动数据，求其剩余寿命）

训练集	测试集
Bearing1_1 Bearing1_2	Bearing1_3 Bearing1_4 Bearing1_5 Bearing1_6 Bearing1_7
Bearing2_1 Bearing2_2	Bearing2_3 Bearing2_4 Bearing2_5 Bearing2_6 Bearing2_7
Bearing3_1 Bearing3_2	Bearing3_3

可视化
训练集的可视化