文件名称：aidc-2018-timeseries:深度学习时间序列数据
文件大小：438KB
文件格式：ZIP
更新时间：2024-06-06 09:08:21
JupyterNotebook
使用深度学习对飞机发动机进行预测性维护 链接到笔记本： 介绍 预测性维护技术会密切监视活动机器的状况并预测其剩余使用寿命。 然后将其用于评估和安排维护计划，以延长机器的使用寿命。 通常，传感器放置在机器上以在线（设备运行时）或在设备离线时定期监视声学，振动或其他观察。 所得的时间序列数据可用于预测建模以确定机器的状态。 有关详细信息，请参见[1，2]。 数据 为了演示将深度学习用于预测性维护，我们使用了NASA TurboFan数据集[3，4]。 该数据集由使用飞机发动机上的传感器模拟收集的时间序列数据组成。 每个模拟都包括在不同条件和故障模式下运行直到故障的发动机。 对于每个时间序列样本，时间序列的末尾表示引擎发生故障的时间点。 给定时间序列的任何摘要，此建模练习的目的是预测到时间序列结束之前的剩余时间。 这称为引擎的剩余使用寿命或RUL。 提供的数据包括两组-用于训练和验证。 对
【文件预览】：
aidc-2018-timeseries-master
----.gitignore(1KB)
----requirements.txt(131B)
----datasets()
--------turbofan.py(13KB)
--------__init__.py(0B)
--------adding.py(1KB)
--------music.py(3KB)
--------timeseries.py(7KB)
----topologies()
--------__init__.py(0B)
--------temporal_convolutional_network.py(2KB)
--------convolutional_model.py(699B)
--------custom_neon_classes.py(7KB)
--------recurrent_model.py(7KB)
----LICENSE(11KB)
----utils()
--------__init__.py(763B)
--------arguments.py(1KB)
--------inference.py(5KB)
----README.md(7KB)
----tutorials()
--------tcn_tutorial.ipynb(268KB)
--------img()
----training()
--------music_forecasting()
--------adding_problem()
--------timeseries_trainer.py(10KB)
--------predictive_maintenance()