欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

工业设备剩余寿命预测 RUL:从 NASA C-MAPSS 数据集入门

上邦 AI 工程团队2026-09-27阅读 约 9 分钟
剩余寿命预测(RUL)是预测性维护的核心能力。本文用 NASA 公开的 C-MAPSS 航空发动机数据集入门,演示如何读取传感器与工况、构造到失效剩余周期标签、搭建随机森林与 LSTM 回归模型,并说明工业落地前缺失值、时钟同步与标签治理等数据前提。

什么是 RUL 与为什么重要

剩余使用寿命(Remaining Useful Life, RUL)指设备从当前时刻到功能失效还能运行的周期数或时间。准确预测 RUL,是把维护从事后抢修、定期保养,推进到预测性维护的关键,直接决定备件库存与停机成本。

C-MAPSS 数据集长什么样

NASA 公开的 C-MAPSS 数据集模拟航空发动机全寿命运行,包含多个单元、三种工况与 21 路传感器。每个单元从健康状态运行到失效,记录了退化轨迹,是 RUL 入门最经典的数据集。

实战:从原始数据构造训练样本

步骤一:读取数据。文件以空白分隔,列为单元号、循环序号、3 个工况、21 个传感器。
步骤二:打标签。每个单元最后一条记录即失效点,RUL = 该单元最大循环 - 当前循环。
步骤三:特征工程。对传感器做平滑、差分或滚动统计,缓解噪声。
步骤四:建模。用随机森林或 LSTM 回归直接预测 RUL,并按误差带评估。
import pandas as pd

df = pd.read_csv('train_FD001.txt', sep='\s+', header=None)
cols = ['unit', 'time'] + ['os%d' % i for i in range(1, 4)] + ['s%d' % i for i in range(1, 22)]
df.columns = cols
# 每个发动机最后时刻即失效,RUL = 最后时刻 - 当前时刻
rul = df.groupby('unit')['time'].transform('max') - df['time']
df['RUL'] = rul
print(df[['unit', 'time', 'RUL']].head())
提醒:公开数据集的传感器是干净的。真实工厂要先解决数据治理——缺失值、时钟不同步、标签缺失,往往比模型本身更耗时。

参考来源

NASA 公开数据集 C-MAPSS Jet Engine Simulated Data(data.nasa.gov);Saxena 等《Damage Propagation Modeling for Aircraft Engine Run-to-Failure Simulation》(PHM 2008);IEEE Transactions on Reliability 关于剩余寿命预测方法的综述论文。
相关标签:剩余寿命预测RULC-MAPSS预测性维护工业AI

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案