Skip to content

README_zh.md

Latest commit

 

History

History
64 lines (47 loc) · 3.16 KB

README_zh.md

File metadata and controls

64 lines (47 loc) · 3.16 KB
Raw

English Version

航空发动机剩余寿命（RUL）预测

本仓库为课题 《基于图神经网络的航空发动机剩余寿命预测方法研究》 的完整代码实现，基于 NASA C-MAPSS 数据集。同时该仓库在 GitHub 上公开，供学习与参考使用。

论文 STGNN 最终架构 = MSTCN + GAT（v2），不使用 Transformer。 详见下方 模型架构 与 版本说明。

项目结构

RUL_Prediction/
├── data/                # 数据仓库（raw 原始数据 / processed 预处理数据）
├── core_models/         # 模型零件库（MSTCN, GAT, Transformer, STGNN 拼装）
├── utils/               # 工具箱（数据处理、损失函数、评估指标）
├── configs/             # 全局配置
├── scripts/             # 训练与评估脚本
├── notebooks/           # 可视化分析与图表绘制
├── extracted_pdf/       # 课题论文 PDF 提取内容
├── saved_models/        # 训练好的模型权重
└── logs/                # 运行日志

环境配置

# 创建虚拟环境
conda create -n rul_env python=3.10 -y
conda activate rul_env

# 安装依赖
pip install -r requirements.txt

数据集

NASA C-MAPSS 数据集（FD001 ~ FD004），存放在 data/raw/ 下。

模型架构

课题最终采用的 STGNN（时空图神经网络） 由以下模块组成：

  • MSTCN（多尺度时间卷积网络）：三层堆叠 Conv1d（kernel 3→5→7, channels 32→64→128），参数共享提取 14 个传感器的多尺度时序退化特征
  • GAT（图注意力网络）：两层多头注意力（4-head → 1-head），基于 Spearman 秩相关系数构建的传感器拓扑图建模空间耦合关系
  • 全局时序上下文：时间维均值池化 + 两层 Linear，补充全局退化趋势信息
  • 操作工况编码：Conv1d 编码 3 个操作参数
  • 特征融合：拼接工况编码、GAT 空间特征与全局时序上下文 → FC → RUL
  • 损失函数：MSE + NASA 非对称评分联合损失
  • 迁移学习：基于 RUL 退化阶段子域划分的 LMMD（局部最大均值差异）跨工况自适应

注：代码库中保留了 Transformer 模块（core_models/transformer.py）及其消融实验开关 use_transformer，用于架构探索与对比实验。经消融实验验证，Transformer 分支对最终性能贡献有限，因此课题论文的最终 STGNN 模型不使用 Transformer。

版本说明

版本 架构 标识 说明
v2（主线） MSTCN + GAT _v2 后缀 论文采用的最终架构，关闭 Transformer 分支
v1（探索） MSTCN + GAT + Transformer 无后缀 三位一体完整架构，保留作对比参考
  • scripts/train_basic_v2.py、scripts/evaluate_2_v2.py — 单工况 v2 训练与评估
  • scripts/ablation_study_v2.py — v2 消融实验（MSTCN+GAT / 仅MSTCN / 仅GAT / 全关）
  • scripts/train_transfer_v2_*.py — v2 跨工况迁移实验（无监督UDA / 半监督 / 全局MMD对比）
  • 不含 _v2 的同名脚本为 v1 版本，包含 Transformer 分支