芒果python

NumPy是使用Python进行科学计算的基础包。它包含如下内容:

这是RUL系列的终篇，预测出每个传感器的剩余生命周期

RUL的神经网络模型建立

在上节，我们分析了单个传感器的趋势，也组合了多个传感器观察了整合的趋势。接下来，我们就要开始动真格的了。

接上节，这些数据看起来相当凌乱，但终归能够判断出哪些传感器不能正常工作，也可通过瞬时数据推断大致的数据趋势。而且我们还能够观察出，随着时间的推移，这些数据的波幅是在逐渐降低的，趋向一条平滑的曲线。我们可以采用一些手段使数据变得平滑，以便于更好的预测，但不在本文的范围内。

接上节，去除极值

接上节，Turbofan Engine Degradation Simulation Data Set可以从NASA官网下载，这里会用到三个数据集，分别是train_FD001、test_FD001、RUL_FD001。RUL_FD001包含真实的剩余寿命数据，而test_FD001表示我们预测的剩余寿命数据，这两个数据集合将用于对比，以确定预测的准确度。

使用matplotlib画折线图

RUL英文全称是Remaining Useful Life，中文是剩余使用寿命。广义地讲，是指一个系统正常工作一段时间后，能够正常运转的时间。狭义地讲，是指系统的部件或子系统从当前时刻到发生潜在故障的预计持续正常工作时间。

数据驱动的预测面临着长期的挑战，即缺乏从运行到故障的数据集。在大多数情况下，现实世界中的数据包含不断增长的故障的特征，但在故障真实发生之前，没有或只有很少的数据捕获故障的发生过程。因为获取实际的系统故障过程数据通常耗时较长且成本非常高昂，所以在大多数情况下，生产系统都没有适当的工具来收集相关数据。幸运的是，有些人在持续收集类似数据，并出于竞争等原因将数据集发布了出来，但是仍然只有很少的数据集被公布出来。数据集少带来的害处是阻碍了数据预测领域的发展。