预测性维护 NASA 涡扇发动机数据集

事实证明，深度学习在某些领域（例如对象识别和图像分类）表现出色。它在金融等领域也越来越受欢迎，因为时间序列数据在其中发挥着重要作用。预测性维护也是一个领域，它会随时间收集数据以监控资产的状态，目的是找到预测故障的模式，这也可以从某些深度学习算法中受益。在深度学习方法中，长短期记忆 (LSTM) 网络对预测性维护领域特别有吸引力，因为它们非常擅长从序列中学习。这一事实使其适合使用时间序列数据的应用程序，因为它可以回顾更长的时间段来检测故障模式。在本笔记本中，我们为预测性维护模板中描述的数据集和场景构建了一个 LSTM 网络，以预测飞机发动机的剩余使用寿命。总之，该模板使用模拟的飞机传感器值来预测飞机发动机未来何时会出现故障，以便可以提前计划维护。