《大数据架构与设计》课程报告讲解-涡扇剩余使用寿命预测及状态判定.pptxVIP

涡扇剩余使用寿命预测及状态判定

目录目录PCA降维引擎剩余使用寿命预测引擎所处状态分类预测

目录目录PCA降维

目录1.1PCA降维为了在研究复杂问题时就可以只考虑少数几个主成分而不至于损失太多信息，从而更容易抓住主要矛盾，揭示事物内部变量之间的规律性，同时使问题得到简化，提高分析效率。我们采用PCA方法对特征进行降维。

目录1.1PCA数据降维前9个主成分的累计贡献率已经达到90%,因此取该9个主成分作为后续新的特征输入到模型

目录1.1PCA数据降维

目录目录2.剩余使用寿命预测

目录2.1模型选择及评估方法项目内容训练数据全体训练集模型选择线性回归广义线性回归决策回归树测试数据测试集中随机选择5台发动机的数据评估指标均方根误差（RMSE）

目录2.2各模型评估结果模型参数均方根误差（RMSE）线性回归85.85广义线性回归Lambda=017.58广义线性回归Lambda=0.535.31广义线性回归Lambda=153.13广义线性回归Lambda=1071.19广义线性回归Lambda=3089.23广义线性回归Lambda=50107.23决策树回归maxDepth=5,maxBins=418.12决策树回归maxDepth=5,maxBins=836.20决策树回归maxDepth=10,maxBins=454.50决策树回归maxDepth=10,maxBins=673.06

目录2.3预测结果简析随机预测结果展示发动机编号72332627585真实值65126110145128129预测值73.75115.35100.49148.46129.54138.47差值-8.7510.659.513.461.549.47评估指标展示评估项均方根误差（RMSE）评估值19.04

目录目录3.引擎所处状态判定

目录3.1SMOTE-正负样本数平衡处于正常状态与警报状态的引擎在训练集中的样本比例大概在12:1，因此需要解决正负样本不均衡问题，采取SMOTE算法平衡正负样本数正常状态:引擎发生故障前30个运行周期之前的时间范围警报状态:引擎发生故障前30个运行周期的时间范围

目录3.2SVM-超参数设置为了确定一个SVM分类效果好的超参数，编写一个迭代程序测试不同超参数值下SVM的性能情况。由结果可知，在惩罚系数C=17,gamma=0.25时(选取的核函数为高斯核函数)，模型在测试集上的准确率最高。

目录3.2SVM-结果指标展示

目录3.3DNN因为考虑到神经网络具有较好的非线性函数的拟合能力，所以我们考虑的第二模型采用DNN进行引擎状态的预测，该DNN结构包含三个隐层、一个输入层和一个输出层。输入层的一维张量尺寸为(9),与主成分数量一致。中间隐层和输出层的尺寸分别是(20),(10),(4)和(1)。激活函数采用RelU(计算复杂度低，不需要进行指数运算)。最后一个输出神经元的经过sigmod函数处理后保证输出值范围在0和1之间。在阈值函数是sigmoid函数的神经网络中，对于二分类问题，损失函数采用交叉熵损失函数是较为合适的选择

目录3.3DNN-分类结果

目录3.3logistic回归经过测试，我们在logistic回归模型其他参数设置如下:正则化:l2正则化惩罚系数C=1迭代次数max_iter=200残差收敛条件tol=0.01多分类参数multi_class=ovr?

目录3.3logistic回归-分类指标

目录3.4模型对比经过对比，综合的指标考虑下，DNN分类性能最佳，因此选择DNN模型预测的结果作为引擎状态分类的最终结果。

谢谢大家!