本框架面向故障预测与健康管理（PHM）领域，专为基于深度学习方法的 PHM 实验（如剩余使用寿命（RUL）预测、故障诊断、异常检测等任务）设计，旨在提供一个高效、易用、低资源消耗的实验平台，帮助用户快速上手并搭建 PHM 相关实验流程，大幅简化代码开发工作，提高研究与开发效率。
本项目将持续更新，逐步集成基于该框架实现的论文复现案例，欢迎大家 ⭐star 项目并多多交流！
-
✅ 兼容多种深度学习框架：支持 PyTorch、TensorFlow、Pyro 等主流框架灵活构建模型
-
📦 数据集自动导入：内置支持 XJTU-SY、PHM2012、C-MAPSS、PHM2008 等常用数据集
-
📝 自动记录实验配置与结果：包括模型结构、正则化系数、迭代次数、采样策略等参数
-
🔁 每个 Epoch 支持自定义回调：内置 EarlyStopping、TensorBoard，均通过回调实现
-
🛠 模型训练过程可监控：支持 TensorBoard 训练可视化与梯度异常（如消失/爆炸）记录与报警
-
🔍 多种预处理与特征提取方法：滑动窗口、归一化、均方根、峭度等信号处理手段
-
🧠 多种退化阶段划分策略：支持 3σ 原则、FPT（First Predictable Time）等算法
-
🔮 多种预测方式支持：端到端预测、单/多步滚动预测、不确定性建模等
-
📊 实验结果可视化：支持混淆矩阵、退化阶段图、预测结果曲线、注意力热图等
-
📁 多种文件格式支持：模型、数据、缓存与结果支持 CSV、PKL 等多种格式导入与导出
-
📈 内置多种评价指标：MAE、MSE、RMSE、MAPE、PHM2012 Score、NASA Score 等
-
🔧 灵活组件化设计：支持用户快速扩展和接入自定义算法模块
以下是完成一次 PHM 实验（RUL预测）的极简流程示例，仅包含数据加载、模型训练与评估的最基本步骤，便于快速上手。
本示例专注于最小可运行流程，框架还支持更强大的功能，详见项目根目录下的
Notebook 示例。
只需十几行代码，即可完成端到端实验流程：
# Step 1: Initialize the data loader and labeler
data_loader = CMAPSSLoader('D:\\data\\dataset\\CMAPSSData')
labeler = TurbofanRulLabeler(window_size=30, max_rul=130)
# Step 2.1: Load and label the training dataset
turbofans_train = data_loader.batch_load('FD001_train', columns_to_drop=[0, 1, 2, 3, 4, 8, 9, 13, 19, 21, 22])
train_set = Dataset()
for turbofan in turbofans_train:
train_set.add(labeler(turbofan))
# Step 2.2: Load and label the test dataset
turbofans_test = data_loader.batch_load('FD001_test', columns_to_drop=[0, 1, 2, 3, 4, 8, 9, 13, 19, 21, 22])
test_set = Dataset()
for turbofan in turbofans_test:
test_set.add(labeler(turbofan))
# Step 3: Initialize the model and trainer, then begin training
model = MyLSTM()
trainer = BaseTrainer()
trainer.train(model, train_set)
8C80
# Step 4: Evaluate the trained model on the test dataset
tester = BaseTester()
result = tester.test(model, test_set)
# Step 5: Configure evaluation metrics and compute performance scores
evaluator = Evaluator()
evaluator.add(MAE(), MSE(), RMSE(), PercentError(), PHM2012Score(), PHM2008Score())
evaluator(test_set, result)在添加可视化代码和其他功能组件后，程序在 CMD 环境中的运行效果如下所示。
（ 该示例展示程序在 CMD 环境下的运行过程。实际上，在本地开发时，推荐使用如 PyCharm、VSCode、Jupyter Notebook 等集成开发环境（IDE））
本项目支持快速搭建 PHM 相关实验流程，并已尝试复现若干学术论文中的方法与实验结果。
本项目对原作者的研究成果保持充分尊重。若复现结果与原论文存在一定偏差，可能是实现方式或实验条件不同，也可能是复现过程存在疏漏。欢迎读者在 issue 区指出问题或提出建议。
整理中
- fastphm —— 框架代码
- doc —— 框架详细说明文档（编写自定义组件时建议查看）
- example —— 试验代码示例（原生python）
| 名称 | 描述 | 链接 |
|---|---|---|
| XJTU-SY 数据集 | 西安交通大学发布的滚动轴承寿命退化数据 | 点击访问 |
| PHM2012 数据集 | IEEE PHM 2012 大赛提供的轴承故障数据，包含多个运行工况 | 点击访问 |
| C-MAPSS 数据集 | NASA 提供的模拟涡扇发动机退化数据，广泛用于 RUL 预测任务 | 点击访问 |
| PHM2008 数据集 | NASA 提供的早期涡轮设备预测数据集，来源于 PHM08 数据挑战 | 点击访问 |
| NASA 数据集仓库 | NASA 智能系统部汇总的多个设备健康数据集，覆盖多领域 PHM 任务 | 点击访问 |
- 该框架使用Python 3.8.10编写，使用其他版本python运行可能会出现兼容性问题，若出现问题欢迎在issue提问
- 读取数据集时，不要改变原始数据集内部文件的相对位置（可以只保留部分数据），不同的位置可能导致无法读取数据
觉得项目写的还行的大佬们点个star呗，觉得哪里写得不行的地方也欢迎issue一下，您的关注是我最大的更新动力！😀