RESS期刊2022.09 paper-趋势注意力全卷积网络的剩余寿命预测 一区可靠性顶刊论文python全代码收藏

 以下代码链接是Trend attention fully convolutional network for remaining useful life estimation论文代码，包含了算法和作图等，比较完备。

论文：Trend attention fully convolutional network for remaining useful life estimation

​​​​​​​论文网站：https://www.sciencedirect.com/science/article/pii/S0951832022002356

论文代码github网址如下：点击绿色code，然后download zip。

论文代码网站：https://github.com/foryichuanqi/Remaining-useful-life-prediction-by-TaFCN

#CMAPSS数据集中TaFCN的剩余使用寿命预测

CMAPSS数据集的涡扇发动机PHM剩余使用寿命估计的趋势关注全卷积网络。探讨了深度学习的信号选择、注意机制和可解释性。

#易于成功复制我们论文的所有细节

下载的压缩包可以复制我们文章的所有细节，包括几乎所有的实验表格和图表。为了使代码易于成功运行，我们仔细调试文件。一般来说，如果环境得到满足，您可以在解压缩压缩包后直接运行其中的所有xxx.py文件，而无需更改任何代码。

（1） 解压缩Remaining-useful-life-propredictionby-LM-and-TaFCN-main.zip，然后解压缩其中的fd.rar

（2） 直接运行任何xxx.py

#论文与引用

（1） 为了更好地理解我们的代码，请阅读我们的论文。

论文：Trend attention fully convolutional network for remaining useful life estimation

论文网站：https://www.sciencedirect.com/science/article/pii/S0951832022002356

论文代码：https://github.com/foryichuanqi/Remaining-useful-life-prediction-by-TaFCN

（2） 出于学术目的使用代码时，请引用本文和数据集的原始来源。

GB/T 7714: 

Fan L, Chai Y, Chen X. Trend attention fully convolutional network for remaining useful life estimation[J]. Reliability Engineering & System Safety, 2022: 108590.

BibTex:

@article{fan2022trend,
  title={Trend attention fully convolutional network for remaining useful life estimation},
  author={Fan, Linchuan and Chai, Yi and Chen, Xiaolong},
  journal={Reliability Engineering \& System Safety},
  pages={108590},
  year={2022},
  publisher={Elsevier}
}

#代码与论文的关系

(1) Section 2.2. Loss boundary to mapping ability
 
 :code\signal selection   

 (2) Section 2.3. Trend attention fully convolutional network
 
 :code\main(grid_FD_multi_channel_one_FCN_RUL_TaNet_attention_1out_all_train_for_test).py

 (3) Section  4. Interpretability
 
 :code\figure\interpretability_analysis.py

 (4) Fig. 6. Attention analysis of TaNet.
 
 :code\figure\interpretability_TaNet_analysis.py

 (5) Fig. 7. Accumulated prediction error over RUL.
 
 :code\figure\prediction_error.py

 (6) Fig. 5. Wilcoxon signed rank test comparison of eight combinations
 
 :code\figure\heatmap_p.py   and   code\table\wilcxon.py

# 环境与致谢:

(1) 环境:

tensorflow-gpu            1.15.0
    
keras                     2.2.4
    
scipy                     1.5.2
    
pandas                    1.0.5
    
numpy                     1.19.1

(2) 致谢: 
衷心感谢以下参考.
   
github：https://github.com/Vardoom/PredictiveMaintenanceNASA/blob/master/preprocess.ipynb
   
github：https://github.com/schwxd/LSTM-Keras-CMAPSS
   
github：https://github.com/cauchyturing/UCR_Time_Series_Classification_Deep_Learning_Baseline

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！