对每个传感器来说，故障发生时间（TTF）都是不同，对于TTF比较好的表示方式是预测还能传回多少次数据或者多长时间后回传的数据将达到阀值。它的计算公式如下：$$fTTF_i=\cfrac{TTF_i-min(TTF)}{max(TTF)-min(TTF)}$$我们可以用一个python函数来表示
In [1]:
from rul_code import *
def fractionTTF(dat,q):
return(dat.TTF[q]-dat.TTF.min()) / float(dat.TTF.max()-dat.TTF.min())
fTTFz = []
fTTF = []
for i in range(train['unit'].min(),train['unit'].max()+1):
dat=train[train.unit==i]
dat = dat.reset_index(drop=True)
for q in range(len(dat)):
fTTFz = fractionTTF(dat, q)
fTTF.append(fTTFz)
ntrain['fTTF'] = fTTF
下面的图展示了针对前四个传感器的TTF时间。可以看到每个传感器从1到0的周期是不同的。
In [2]:
mx = cyclestrain.iloc[0:4,1].sum()
fig = plt.figure(figsize = (8, 8))
fig.add_subplot(1,2,1)
plt.plot(ntrain.TTF[0:mx])
plt.legend(['Time to failure (in cycles)'], bbox_to_anchor=(0., 1.02, 1., .102), loc=3, mode="expand", borderaxespad=0)
plt.ylabel('Original unit')
fig.add_subplot(1,2,2)
plt.plot(ntrain.fTTF[0:mx])
plt.legend(['Time to failure (fraction)'], bbox_to_anchor=(0., 1.02, 1., .102), loc=3, mode="expand", borderaxespad=0)
plt.ylabel('Scaled unit')
plt.show()
In [3]:
ntrain['fTTF'].describe()
Out[3]:
接下来我看下我们选择用来训练模型的数据集概况。
In [4]:
pd.DataFrame(ntrain.columns).transpose()
Out[4]:
到此，我们已经准备好了数据，接下来了将进行训练了，这里使用的工具是Keras。强调的一点是，我们将使用TTFx来对标训练集中的Y-train。下面就是我们将要使用的数据。
In [5]:
X_train = ntrain.values[:,1:19]
Y_train = ntrain.values[:, 21]
X_test = ntest.values[:,1:19]
Keras中的神经网络开发过程中我们将用到ReLU激活函数，优化器使用Adam。模型没有优化，但是可以通过调整参数来得出较好的结果。这里用到的神经网络输入层有18个节点，隐藏层有6个节点，输出层只有一个节点。
In [6]:
model = Sequential()
model.add(Dense(6, input_dim=18, kernel_initializer='normal', activation='relu'))
model.add(Dense(1, kernel_initializer='normal'))
model.compile(loss='mean_squared_error', optimizer='adam')
model.fit(X_train, Y_train, nb_epoch=20)
Out[6]:
In [ ]: