机械寿命预测,多步预测,跨设备寿命预测(以一台训练好的模型对另一台直接预测,python代码,压缩包包含数据集,解压缩后直接运行)

1.数据包含了两台机械设备采集的输入特征数据和寿命数据。

以in_1st和对应的out_1st为例展示数据:

以in_2st和对应的out_2st为例展示数据:

 

2.模型:CNN_LSTM_ATTENTION

通过前k(代码里设定的K=3)个输入状态,预测后t(代码里设置的t=3)个周期的寿命。

3.两种实验方案(均为跨设备寿命预测)结果:

3.1in_1st整个数据集作为训练集,in_2st作为测试集:

训练集结果图像

测试集结果:

3.2. In_2st作为训练集,In_1st作为测试集

训练集结果:

测试集结果:

代码

https://mbd.pub/o/bread/mbd-ZJeakp1q

  • 0
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
好的,以下是一个简单的 Python 代码例子,用于构建 LSTM 多步时间序列预测模型,进行训练,并使用训练好的模型对自己的时间序列数据进行预测: ```python # 导入必要的库 import numpy as np from keras.models import Sequential from keras.layers import LSTM, Dense # 定义函数,用于将输入数据转换为适合 LSTM 模型的数据格式 def create_dataset(dataset, look_back=1): dataX, dataY = [], [] for i in range(len(dataset)-look_back): a = dataset[i:(i+look_back), :] dataX.append(a) dataY.append(dataset[i + look_back, :]) return np.array(dataX), np.array(dataY) # 创建数据集 data = np.array([[10, 20, 30], [20, 30, 40], [30, 40, 50], [40, 50, 60], [50, 60, 70], [60, 70, 80], [70, 80, 90], [80, 90, 100], [90, 100, 110], [100, 110, 120]]) look_back = 3 trainX, trainY = create_dataset(data, look_back) # 创建并训练 LSTM 模型 model = Sequential() model.add(LSTM(4, input_shape=(look_back, 3))) model.add(Dense(3)) model.compile(loss='mean_squared_error', optimizer='adam') model.fit(trainX, trainY, epochs=100, batch_size=1, verbose=2) # 使用训练好的模型对自己的时间序列数据进行预测 testX = np.array([[90, 100, 110], [100, 110, 120], [110, 120, 130]]) testX = np.reshape(testX, (testX.shape[0], look_back, 3)) testY = model.predict(testX) print(testY) ``` 这个例子中,我们首先创建一个简单的时间序列数据集,然后使用 `create_dataset` 函数将其转换为适合 LSTM 模型的数据格式。接着,我们创建一个包含一个 LSTM 层和一个全连接层的模型,并使用训练数据对其进行训练。最后,我们使用训练好的模型对自己的时间序列数据进行预测,输出预测结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

深度学习的奋斗者

你的鼓励是我努力的动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值