CMAPSS数据集+基于CNN航空发动机的剩余寿命预测MATLAB代码

1. 研究背景

航空发动机作为飞行器的核心动力装置，其运行可靠性直接影响飞行安全。剩余寿命（Remaining Useful Life, RUL）预测是预测与健康管理（Prognostics and Health Management, PHM）的关键技术之一，旨在根据传感器监测数据提前预估发动机从当前时刻到失效的剩余循环次数，从而为视情维修提供决策支持。
本代码采用NASA的商用模块化航空推进系统仿真（CMAPSS）数据集，该数据集模拟了涡扇发动机在不同工况和故障模式下的退化过程，包含多传感器时间序列记录，是RUL预测领域的基准数据集。代码基于卷积神经网络（CNN）构建回归模型，实现端到端的剩余寿命预测。

2. 主要功能

• 数据预处理：从CMAPSS数据集中加载训练和测试数据，剔除常量特征、标准化处理、RUL值裁剪。
• 模型构建：设计适用于特征向量的一维卷积神经网络（实质上将特征向量视为图像，卷积在特征维度进行）。
• 训练与验证：使用Adam优化器训练网络，实时显示训练进度与损失变化。
• 测试与评估：对测试集进行RUL预测，计算多个回归评价指标（RMSE、MAE、MAPE等），并可视化预测结果与误差分布。
• 结果可视化：绘制训练损失曲线、测试集预测对比图、误差直方图等。

3. 算法步骤

3.1 训练阶段

1. 数据加载：prepareDataTrain读取train_FD001.txt，按发动机编号分组，每个发动机的传感器数据存储为特征数 × 时间步数的矩阵，对应RUL序列为时间步的倒序（即故障前剩余循环数）。
2. 特征筛选：找出所有发动机中取值恒定不变的特征（最大值等于最小值），将其从数据中移除。
3. 标准化：计算训练集所有时间步特征的均值mu和标准差sig，对每个发动机的传感器数据进行Z-score归一化。
4. RUL裁剪：将所有大于150的RUL值强制设为150，使模型更关注故障前150个循环内的退化过程。
5. 数据重组：将所有发动机的时间步拼接为一个连续的大序列，每个时间步的特征向量作为一个独立样本，构成四维数组[特征数, 1, 1, 总时间步数]作为网络输入；对应RUL值作为输出（单标量）。
6. 网络训练：定义CNN架构，设置训练选项（最大迭代100轮、小批量大小、初始学习率等），调用trainNetwork进行训练。
7. 损失曲线绘制：输出训练过程中的RMSE和损失曲线。

3.2 测试阶段

1. 测试数据加载：prepareDataTest读取test_FD001.txt和RUL_FD001.txt。测试输入同样分组为发动机序列，真实RUL根据文件给出的最终RUL向前推算得到每个时间步的RUL。
2. 特征筛选与标准化：剔除与训练集相同的常量特征，并使用训练集的mu和sig对测试数据进行标准化，RUL同样裁剪至150以内。
3. 数据重组：将测试集所有发动机的时间步拼接，形成与训练数据格式相同的四维数组。
4. 预测：使用训练好的网络对测试集每个时间步进行预测，得到预测RUL值。
5. 反归一化：将预测值通过mapminmax的反变换恢复原始尺度。
6. 序列还原：根据每个发动机的原始时间步数，将连续预测结果分割回各发动机的RUL序列。
7. 性能评估：随机选取6个发动机，绘制真实RUL与预测RUL对比图，并计算RMSE、MAPE等指标；最后计算所有发动机最后一个时间步的预测误差，绘制误差直方图并输出整体RMSE。

4. 技术路线

• 数据预处理：采用基于全局统计的标准化方法，保证特征尺度一致；裁剪RUL以增强对临近故障阶段的学习。
• 特征筛选：剔除常数特征，避免冗余信息影响模型训练。
• 网络结构：构建包含三个卷积-批归一化-ReLU模块的CNN，卷积核大小为5×1和3×1，在特征维度上进行局部卷积，捕捉特征间的相关性。随后接入Dropout层防止过拟合，最后通过三个全连接层将特征映射为RUL值。
• 训练策略：使用Adam优化器，初始学习率0.01，梯度裁剪为1以防止梯度爆炸，小批量大小为4×2048（即8192个时间步）。
• 评估指标：采用RMSE、R、MSE、RPD、MAE、MAPE等多种回归指标，全面衡量预测精度。

5. 公式原理

• 标准化：
  x norm = x − μ σ x_{\text{norm}} = \frac{x - \mu}{\sigma}xnorm​=σx−μ​
  其中μ \muμ和σ \sigmaσ为训练集所有样本的均值和标准差。
• 卷积运算（以convolution2dLayer为例）：
  输入特征图尺寸为H × 1 × C H \times 1 \times CH×1×C，卷积核尺寸为[ k , 1 ] [k, 1][k,1]，输出特征图尺寸为H × 1 × N H \times 1 \times NH×1×N，其中N NN为卷积核数量。卷积操作可表示为：
  y i , j = ∑ m = 1 k ∑ c = 1 C w m , c ⋅ x i + m − 1 , 1 , c + b y_{i,j} = \sum_{m=1}^{k} \sum_{c=1}^{C} w_{m,c} \cdot x_{i+m-1,1,c} + byi,j​=m=1∑k​c=1∑C​wm,c​⋅xi+m−1,1,c​+b
  由于输入第二维为1，实际上是对特征维度进行一维卷积。
• 损失函数：回归层采用均方误差（MSE）：
  L = 1 N ∑ i = 1 N ( y i − y ^ i ) 2 L = \frac{1}{N} \sum_{i=1}^{N} (y_i - \hat{y}_i)^2L=N1​i=1∑N​(yi​−y^​i​)2
• RUL裁剪：
  y clipped = min ⁡ ( y , 150 ) y_{\text{clipped}} = \min(y, 150)yclipped​=min(y,150)
• 评价指标（以RMSE和MAPE为例）：
  RMSE = 1 n ∑ i = 1 n ( y ^ i − y i ) 2 \text{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(\hat{y}_i - y_i)^2}RMSE=n1​i=1∑n​(y^​i​−yi​)2​
  MAPE = 1 n ∑ i = 1 n ∣ y i − y ^ i y i ∣ × 100 % \text{MAPE} = \frac{1}{n}\sum_{i=1}^{n} \left|\frac{y_i - \hat{y}_i}{y_i}\right| \times 100\%MAPE=n1​i=1∑n​​yi​yi​−y^​i​​​×100%

6. 参数设定

7. 运行环境

• 软件：MATLABR2020b及以上）。
• 数据集：需将CMAPSS数据集压缩包CMAPSSData.zip放置于当前工作目录，或修改filename变量指向正确路径。

8. 应用场景

本代码主要面向航空航天领域的健康管理应用，具体包括：

• 航空发动机视情维修：根据实时传感器数据预测发动机剩余寿命，优化维修计划，降低运营成本。
• 故障预警系统：对机载监测数据进行在线分析，提前识别潜在失效风险。
• 仿真验证与算法研究：作为基准模型，对比不同深度学习算法在RUL预测任务上的性能。
• 教学与培训：用于深度学习在PHM领域应用的案例教学，展示从数据预处理到模型评估的全流程。

完整代码私信回复CMAPSS数据集+基于CNN航空发动机的剩余寿命预测MATLAB代码