m基于GRNN广义回归神经网络的飞机发动机剩余寿命预测matlab仿真,训练集采用C-MAPSS数据集

我爱C编程
300 阅读3分钟

1.算法描述

       GRNN建立在非参数核回归基础上，以样本数据为后验条件，通过执行诸如Parzen非参数估计，从观测样本里求得自变量和因变量之间的联结概率密度函数之后，直接计算出因变量对自变量的回归值。GRNN不需要设定模型的形式，但是其隐回归单元的核函数中有光滑因子，它们的取对网络有很大影响，需优化取值。GRNNb论具有良好的函数逼近性能，而且因为其网络训练更为方便，因此，GRNN在信号过程、结构分析、控制决策系统、金融领域、生物工程领域等各个科学和工程领域得到了广泛的应用。

 

        广义回归神经网络的理论基础是非线性核回归分析，非独立变量y相对于独立变量x的回归分析实际上是计算具有最大概率值的y。设随机变量x和y的联合概率密度函数为f (x ,y)，已知x的观测值为X，则y相对于X的回归，即条件均值为：

 

1.png

 

对于未知的概率密度函数f (x, y)，可由x和y的观测样本经非参数估计得：

 

2.png

3.png

 

       GRNN通常被用来进行函数逼近。它具有一个径向基隐含层和一个特殊的线性层。第一层和第二层的神经元数目都与输入的样本向量对的数目相等。GRNN结构如图所示，整个网络包括四层神经元：输入层、模式层、求和层与输出层。

 

4.png

 

       输入层的神经元数目与学习样本中输入向量的维数m相等，每个神经元都是一个简单的分布单元，这些神经元直接将输入变量传递到隐含层中。

 

       C-MAPSS Data Set里面有一个read me 的 txt文件。training 是给建模用的。 test 和 rul 是给 建模后验证用的。 每个 test 里面都有100组情况  对应的 rul里面有 100个数值。 rul 里面的数值就是真实值。 建模之后 跑test的数据 应该 给出接近rul的数值

 

1.1数据分析

 

  1.  unit number

 

  1.  time, in cycles

 

  1.  operational setting 1

 

  1.  operational setting 2

 

  1.  operational setting 3

 

  1.  sensor measurement  1

 

  1.  sensor measurement  2

 

...

 

  1. sensor measurement  26

 

数据第一列是机器的编号，第二列是每个机器的运行的时间序列标号，35是对应的设置，6最后一列是传感器的测量值。

 

2.仿真效果预览

matlab2022a仿真结果如下：

 

5.png

6.png

 

3.MATLAB核心程序 `%%

%Step1

STR        = 1;%选择数据标号1,2,3,4

Name_Train = ['data\00',num2str(STR),'','train_FD00',num2str(STR),'.txt'];

Name_RUL   = ['data\00',num2str(STR),'','RUL_FD00',num2str(STR),'.txt'];

%读取数据

Data_Train = load(Name_Train);

Data_RUL   = load(Name_RUL);

 

%%

%Step2

%计算每个机器的时间

%得到机器编号

Mach_No = unique(Data_Train(:,1));

for i = 1:length(Mach_No)

    Index        = find(Data_Train(:,1) == i);  

    %平滑预处理

    used         = [7,8,9,12,13,14,16,17,18];

    tmps         = Data_Train(Index,used);

    [R,C]        = size(tmps);

    dout         = zeros(R,C);

    for mm = 1:C

        dout(:,mm) = [func_smooth(tmps(:,mm),32)]';

    end

    Mach_Info{i} = dout;

    RUL_Train(i) = length(Index);  

end

figure;    

subplot(121);

plot(Data_Train(find(Data_Train(:,1) == 1),7));

title('信号预处理之前');

subplot(122);

plot(Mach_Info{1}(:,1));

title('信号预处理之后');

%%

%Step3

%特征提取

P = [];

T = [];

for i = 1:length(Mach_No)

    tmps = Mach_Info{i};

    %提取当前矩阵的特征

    Y  = func_pca(tmps',1);

    Y  = Y';

    for j = 1:length(Y)

        P = [P;Mach_Info{i}(j,1:6),Y(j,:)];

        T = [T;(RUL_Train(i)-j)];

    end

end

%%

%Step4

%使用神经网络进行训练

%%归一化处理

%对pt矩阵进行归一化处理                

%GRNN网络训练

net = newgrnn(P',T',5.1);

save train_net.mat net`

avatar
文章
阅读
粉丝