matlab回归预测值预测区间_MATLAB进行预测性维护（官网例程）-基于相似性进行剩余有效寿命预测 – MATLAB中文论坛...

本帖最后由 zwlbeyond 于 2020-5-19 14:30 编辑

数据集使用了PHM08挑战数据集，是涡轮风扇发动机退化模拟数据集。

训练数据包含218个运行到故障模拟。这组测量被称为“集合”。

每个集合成员都是一个包含26列的表。 这些列包含有关机器ID，时间戳，3个操作条件和21个传感器测量值的数据。

PHM-2008数据是NASA在2008年公开的飞机发动机全寿命性能仿真数据，仿真平台为大型飞机涡扇发动机仿真软件C-MAPSS，模拟的是一个90000磅推力级的发动机模型。

MATLAB 进行预测性维护  2020.05.09-------夜莺与玫瑰1、案例描述(导入数据)

%%Data import

t = readtable('train.txt');

t(:,end) = []; %Discard last column of loaded data as all are empty ''

% Add variable names to the table

VarNames = {...

'id', 'time', 'op_setting_1', 'op_setting_2', 'op_setting_3', ...

'sensor_1', 'sensor_2', 'sensor_3', 'sensor_4', 'sensor_5', ...

'sensor_6', 'sensor_7', 'sensor_8', 'sensor_9', 'sensor_10', ...

'sensor_11', 'sensor_12', 'sensor_13', 'sensor_14', 'sensor_15', ...

'sensor_16', 'sensor_17', 'sensor_18', 'sensor_19', 'sensor_20', ...

'sensor_21'};

t.Properties.VariableNames = VarNames;

IDs = t{:,1};   %提取出ID，第一列数据

nID = unique(IDs); %不同编号，代表不同的发动机

degradationData = cell(numel(nID),1);  %退化数据初始化

%将每一组发动机下的数据提取出来

for ct=1:numel(nID)

idx = IDs == nID(ct);

degradationData{ct} = t(idx,:);

end

degradationData(1:5)

head(degradationData{2})   %返回表的前8行复制代码

退化数据都被加载到了degradationData变量中，从图1中可以看出，每组退化数据都包含26列数据，再从图2中看出，26列数据中包括了机器ID，时间戳，3个操作条件和21个传感器测量值的数据。

2、划分训练数据集和验证数据集通过查看工作区，发现退化数据degradationData总共有218组，通常我们需要将这些数据分为训练数据集和验证数据集。为了更充分地使用所有数据，我们将所有数据平分为k份，然后每一份都做一次验证数据集(其余数据做训练集)，这样我们就一共有了k对训练-验证数据，这种方法叫做k折交叉验证。代码实现方法如下：

rng('default')  % 生成随机数，使用"default"是为了使用特定的随机数，这样大家的运行结果就都一样了

numEnsemble = length(degradationData);

numFold = 5;   %交叉验证分区数，即k的值

cv = cvpartition(numEnsemble, 'KFold', numFold);  %为数据创建交叉验证分区，K-折交叉验证

trainData = degradationData(training(cv, 1));  %读取第1组训练数据集

validationData = degradationData(test(cv, 1)); %读取第1组验证数据