简介本资源是一款面向工业智能运维领域的开源RUL预测与故障诊断框架专为Python开发者、设备健康状态研究人员及预测性维护工程师设计解决旋转机械如轴承与航空动力系统如涡扇发动机的退化建模、故障识别与剩余使用寿命精准估计问题。压缩包共125个文件含115个Python源码实现数据预处理、特征工程、模型训练与评估等核心模块、5个Jupyter Notebook实验示例覆盖西交PHM2012轴承数据集阶段划分、端到端预测及故障诊断以及涡扇发动机RUL端到端建模、1份详细设计文档.docx、LICENSE与.gitignore等工程规范文件整体仅2.56MB轻量易部署。已有347人学习下载配套文档清晰、目录结构模块化提供开箱即用的交互式分析环境与可复现的典型场景验证流程助力用户快速掌握数据驱动预测维护的技术路径与工程实践方法。1. 项目缘起为什么要在Jupyter里搞一个RUL框架做设备预测性维护的朋友估计都听过“剩余使用寿命预测”这个事儿英文叫Remaining Useful Life简称RUL。这玩意儿说白了就是给机器设备“算命”算算它还能健康工作多久。听起来挺玄乎但背后是实打实的传感器数据、算法模型和工程实践。我最早接触这个领域是在一个工业物联网项目里当时团队用Python做数据分析但模型开发、数据清洗、结果可视化这些环节是割裂的脚本满天飞版本混乱复现一个结果得翻半天聊天记录和邮件。后来我们尝试用Jupyter Notebook。这东西好啊代码、文档、图表、结果全在一个文件里逻辑清晰交互性强特别适合做探索性数据分析。但问题也来了当你想把Notebook里验证成功的RUL预测流程变成一个可以复用的、结构化的框架时就发现有点无从下手。Notebook本身是线性的、解释型的缺乏模块化和工程化的组织。每次新来一批数据或者想换个模型都得在Notebook里大段大段地修改代码复制粘贴效率低还容易出错。所以我就琢磨着能不能在Jupyter Notebook这个“实验沙盒”里搭建一个轻量级但又不失严谨的RUL框架这个框架的目标很明确既要保留Notebook交互式探索的便利性又要引入软件工程中模块化、可配置、可复用的思想让RUL预测的流程标准化、自动化。它不是要替代那些重型的企业级预测性维护平台而是给算法工程师、数据科学家提供一个快速原型开发、验证和分享的工具。你可以把它看作是一个“乐高积木套装”里面预制了数据读取、预处理、特征工程、模型训练、评估、可视化等标准模块你只需要在Notebook里按需组装、调整参数就能快速跑通一个完整的RUL预测流程并且能清晰地记录每一步的决策和结果。这个想法就是“基于Jupyter Notebook的RUL-Framework”的起点。它用纯Python实现核心价值在于降低从算法想法到可验证原型的门槛尤其适合高校研究、初创公司技术验证、以及大型企业里算法团队的内部工具链建设。2. RUL-Framework的核心架构设计模块化与流水线一个健壮的RUL框架不能是脚本的堆砌。我设计的这个框架其核心思想是“配置驱动”和“模块化流水线”。整个预测流程被抽象成一条清晰的流水线每个环节都是一个独立的、可插拔的模块。你在Notebook里主要做两件事一是通过一个配置文件比如YAML或JSON来定义整个流水线的参数和模块选择二是调用框架的“执行引擎”来运行这条流水线并实时在Notebook中查看中间结果和最终输出。2.1 总体架构与数据流整个框架的架构可以概括为以下几个核心层数据流自上而下数据接口层负责与各种数据源对接。工业设备的数据格式千奇百怪可能是CSV文件、数据库MySQL, InfluxDB、消息队列Kafka甚至是直接读取PLC的实时数据。这一层的目标是提供一个统一的DataLoader接口无论底层数据什么样最终都给上层输出一个标准的Pandas DataFrame或NumPy数组。例如你可以实现一个CsvDataLoader、一个SqlDataLoader在配置里指定用哪个。数据预处理与特征工程层这是RUL预测的基石。原始传感器数据往往包含噪声、缺失值并且可能量纲不一。这一层通常包括数据清洗处理缺失值插值、删除、平滑噪声滑动平均、小波变换。数据标准化/归一化将不同传感器的数值缩放到同一尺度这对很多机器学习模型至关重要。特征构建这是提升模型性能的关键。除了原始的时序数据我们还需要构造能够表征设备退化趋势的特征。例如统计特征滑动窗口内的均值、方差、偏度、峰度。时域特征均方根RMS、峰值因子、波形因子。频域特征通过快速傅里叶变换FFT提取的主频、幅值。时频域特征利用小波变换提取的能量特征。基于模型的特征例如用自回归模型AR的残差作为特征。 这一层会输出一个高质量的特征数据集供模型使用。健康指标构建层对于RUL预测我们通常不直接预测“还能用多少天”而是先构建一个或多个“健康指标”。这个指标的值从1全新逐渐退化到0完全失效。构建方法有很多基于物理模型如果你清楚设备的退化物理过程如轴承的疲劳裂纹扩展可以直接建模。无监督方法比如用自编码器Autoencoder对正常状态的数据进行重构用重构误差作为健康指标。设备越异常重构误差越大。有监督方法如果有历史的全生命周期数据从新到坏可以直接把RUL标签作为目标。 在框架中这一层是可选的。如果你的数据已经带有RUL标签可以跳过如果没有这里提供了几种常见的健康指标构建器。模型层这是算法的核心。框架需要支持多种类型的模型以适应不同场景传统机器学习模型如支持向量回归SVR、随机森林回归Random Forest Regressor、梯度提升树XGBoost, LightGBM。这些模型对特征工程要求高但训练和预测速度快解释性相对较好。深度学习模型这是当前的主流尤其擅长处理高维、复杂的时序数据。循环神经网络如LSTM、GRU能很好地捕捉时序依赖关系。卷积神经网络1D-CNN也可以用于提取局部时序模式。混合模型CNN-LSTM先用CNN提取局部特征再用LSTM捕捉长时依赖。注意力机制模型如Transformer能关注退化过程中的关键时间点。 框架里会预置一些经典的模型实现同时留出接口方便用户自定义模型结构。训练与评估层负责模型的训练循环、超参数调优、以及最重要的——性能评估。RUL预测的评估指标和分类、回归不太一样常用均方根误差最直观的误差衡量。评分函数NASA的CMAPSS数据集常用的一个非对称评分函数对早期预测误差惩罚较小对晚期接近失效预测误差惩罚极大。这更符合工程实际——快坏了才预警比提前很久乱报警要好。趋势一致性预测的RUL曲线是否和真实的退化趋势一致。 框架需要集成这些评估指标并在Notebook中生成直观的对比图表比如真实RUL vs 预测RUL的曲线、误差分布直方图等。可视化与报告层这是Jupyter Notebook的优势所在。框架需要提供一系列可视化函数能够将上述每一层的结果以交互式图表的形式嵌入到Notebook中。例如原始数据时序图。特征重要性图对于树模型。训练过程中的损失曲线。模型在测试集上的预测结果对比图。最终生成一个包含关键指标和图表的技术报告摘要。2.2 框架的目录结构与代码组织为了让这个框架在Notebook环境中也能清晰、易用代码的组织结构至关重要。一个推荐的项目目录结构如下rul_framework/ ├── config/ # 配置文件目录 │ ├── pipeline_config.yaml # 主流水线配置文件 │ └── model_config.yaml # 模型超参数配置文件 ├── core/ # 核心框架代码 │ ├── __init__.py │ ├── pipeline.py # 流水线执行引擎 │ ├── data_loader.py # 数据接口层基类与实现 │ ├── preprocessor.py # 预处理与特征工程模块 │ ├── health_indicator.py # 健康指标构建器 │ ├── models/ # 模型定义目录 │ │ ├── __init__.py │ │ ├── base_model.py │ │ ├── lstm_model.py │ │ ├── cnn_model.py │ │ └── ... │ ├── trainer.py # 训练器 │ └── evaluator.py # 评估器 ├── utils/ # 工具函数 │ ├── visualization.py # 可视化工具 │ └── logger.py # 日志工具 ├── notebooks/ # Jupyter Notebook示例 │ ├── 01_data_exploration.ipynb │ ├── 02_basic_pipeline_demo.ipynb │ └── 03_advanced_model_tuning.ipynb ├── requirements.txt # Python依赖包列表 └── README.md # 项目说明文档在Notebook中用户的使用方式会非常简洁# 示例Notebook Cell中的代码 from rul_framework.core.pipeline import RULPipeline import yaml # 1. 加载配置文件 with open(config/pipeline_config.yaml, r) as f: config yaml.safe_load(f) # 2. 初始化流水线 pipeline RULPipeline(config) # 3. 运行完整流程数据加载 - 预处理 - 训练 - 评估 results pipeline.run() # 4. 调用可视化工具查看结果 from rul_framework.utils.visualization import plot_rul_comparison plot_rul_comparison(results[y_true], results[y_pred])这种设计将复杂的流程封装在框架内部用户在Notebook中只需关注配置和结果分析极大提升了效率和可重复性。3. 关键技术点实现与选型考量在具体实现这个框架时有几个关键的技术点需要仔细设计和权衡。这些选择直接影响到框架的易用性、性能和扩展性。3.1 数据加载的抽象与泛化能力数据来源的多样性是工业场景的常态。框架的DataLoader必须足够抽象。我设计了一个基类定义了必须实现的接口比如load_data()方法。from abc import ABC, abstractmethod import pandas as pd class BaseDataLoader(ABC): 数据加载器基类 abstractmethod def load_data(self, config: dict) - pd.DataFrame: 根据配置加载数据返回统一的DataFrame。 Args: config: 包含数据源路径、参数等的字典。 Returns: pd.DataFrame: 加载后的数据。 pass然后针对不同的数据源实现子类。比如对于CMAPSS这种经典的航空发动机数据集它通常以多个文本文件的形式提供我们需要读取并合并。class CmapssDataLoader(BaseDataLoader): NASA CMAPSS数据集加载器 def load_data(self, config: dict) - pd.DataFrame: data_path config[data_path] subset config.get(subset, FD001) # FD001, FD002等 # 读取训练数据、测试数据、RUL标签 train_data pd.read_csv(f{data_path}/train_{subset}.txt, sep\s, headerNone) test_data pd.read_csv(f{data_path}/test_{subset}.txt, sep\s, headerNone) rul_labels pd.read_csv(f{data_path}/RUL_{subset}.txt, sep\s, headerNone) # 为数据添加列名根据CMAPSS数据说明 sensor_cols [fsensor_{i} for i in range(1, 22)] cols [unit_id, cycle] [setting_1, setting_2, setting_3] sensor_cols train_data.columns cols test_data.columns cols # 这里通常还会进行一些初步处理比如为训练数据生成RUL标签 # 方法是对于每个unit_id从最后一个cycle开始倒序计算RUL def add_rul(df): max_cycle df.groupby(unit_id)[cycle].max() df[rul] df.apply(lambda row: max_cycle[row[unit_id]] - row[cycle], axis1) return df train_data add_rul(train_data) # 测试数据的RUL是单独文件提供的需要后续对齐 return {train: train_data, test: test_data, test_rul: rul_labels}注意在实际工业数据中时间戳的格式、数据的分隔符、无效值的标识都可能不同。一个好的DataLoader应该能通过配置灵活处理这些情况比如delimiter、na_values等参数都应该从配置文件传入而不是硬编码。3.2 特征工程的模块化与可组合性特征工程是提升模型性能的“魔法”。在框架中我将其设计为一个FeatureEngineer类它内部包含一个由多个“特征转换器”组成的流水线。每个转换器负责一类特征的计算。from sklearn.base import BaseEstimator, TransformerMixin import numpy as np class StatisticalFeatureTransformer(BaseEstimator, TransformerMixin): 计算滑动窗口统计特征 def __init__(self, window_size10, stats[mean, std, max, min]): self.window_size window_size self.stats stats def fit(self, X, yNone): # 这个转换器是无状态的fit方法不做什么 return self def transform(self, X): X: 形状为 (n_samples, n_features) 的数组通常是一个设备单元的所有时序数据。 返回增加了统计特征的新数组。 # 这里需要按设备单元分组对每个传感器的时序数据做滑动窗口计算 # 实现略... return augmented_features class FeatureEngineer: 特征工程管理器 def __init__(self, transformers): transformers: 一个列表包含要依次应用的特征转换器对象。 self.transformers transformers def fit_transform(self, data_df, group_byunit_id): 对DataFrame按设备分组依次应用所有转换器。 result_features [] for unit_id, group in data_df.groupby(group_by): # 提取数值型传感器数据 sensor_data group.filter(regexsensor_).values transformed sensor_data for transformer in self.transformers: transformed transformer.fit_transform(transformed) result_features.append(transformed) # 将处理后的特征重新组合成DataFrame或数组 return np.vstack(result_features)在配置文件中用户可以像搭积木一样选择启用哪些特征转换器并配置它们的参数feature_engineering: transformers: - name: statistical window_size: 5 stats: [mean, std, skew] - name: frequency # 频域特征转换器 method: fft n_components: 53.3 模型定义与训练流程的标准化为了支持多种模型定义一个统一的模型接口BaseModel是必要的。它规定了build_model、train、predict等方法。import tensorflow as tf # 以TensorFlow/Keras为例 from abc import ABC, abstractmethod class BaseModel(ABC): def __init__(self, model_config): self.model_config model_config self.model None abstractmethod def build_model(self, input_shape): 根据配置构建模型结构 pass def train(self, X_train, y_train, X_valNone, y_valNone, callbacksNone): 训练模型 if self.model is None: self.build_model(X_train.shape[1:]) history self.model.fit( X_train, y_train, validation_data(X_val, y_val) if X_val is not None else None, epochsself.model_config.get(epochs, 100), batch_sizeself.model_config.get(batch_size, 32), callbackscallbacks, verbose1 ) return history def predict(self, X): 使用模型预测 return self.model.predict(X)然后具体的模型如LSTM继承这个基类并实现build_model。class LSTMModel(BaseModel): def build_model(self, input_shape): model tf.keras.Sequential([ tf.keras.layers.LSTM(units50, return_sequencesTrue, input_shapeinput_shape), tf.keras.layers.Dropout(0.2), tf.keras.layers.LSTM(units50, return_sequencesFalse), tf.keras.layers.Dropout(0.2), tf.keras.layers.Dense(units25, activationrelu), tf.keras.layers.Dense(units1) # 输出一个RUL值 ]) model.compile( optimizertf.keras.optimizers.Adam(learning_rate0.001), lossmse, metrics[mae] ) self.model model训练流程则由一个Trainer类来管理它负责数据拆分时序数据要特别注意不能随机打乱、模型初始化、训练循环、早停EarlyStopping、模型保存等。实操心得时序数据的分割陷阱对于RUL这种强时序数据绝对不能使用随机分割如train_test_split。必须按时间顺序分割或者按设备单元分割。例如将前80%的周期数据作为训练集后20%作为验证集。更严谨的做法是将一部分完整的设备单元从新到坏作为训练集另一部分设备单元作为测试集。框架的Trainer必须强制用户明确指定分割策略避免犯这个低级错误。3.4 评估指标与可视化不仅仅是RMSERUL预测的评估需要更贴近工程实际。除了RMSE我强烈建议实现NASA CMAPSS的评分函数def nasa_score(y_true, y_pred): NASA Prognostics 评分函数。 对早期预测预测RUL 真实RUL惩罚轻对晚期预测预测RUL 真实RUL惩罚重。 d y_pred - y_true score np.zeros_like(d, dtypefloat) early_mask d 0 late_mask d 0 score[early_mask] np.exp(-d[early_mask] / 13) - 1 score[late_mask] np.exp(d[late_mask] / 10) - 1 return np.sum(score)可视化方面框架应提供开箱即用的函数。最重要的图是“真实RUL vs 预测RUL”随周期或时间的变化曲线可以直观看出模型是否捕捉到了退化趋势。import matplotlib.pyplot as plt def plot_rul_comparison(true_rul, pred_rul, unit_idNone, save_pathNone): 绘制单个或多个设备单元的RUL预测对比曲线。 plt.figure(figsize(12, 6)) if unit_id is not None: # 绘制单个设备 cycles np.arange(len(true_rul)) plt.plot(cycles, true_rul, b-, labelTrue RUL, linewidth2) plt.plot(cycles, pred_rul, r--, labelPredicted RUL, linewidth2) plt.fill_between(cycles, true_rul, pred_rul, where(pred_rultrue_rul), colorred, alpha0.3, labelEarly Prediction) plt.fill_between(cycles, true_rul, pred_rul, where(pred_rultrue_rul), colororange, alpha0.3, labelLate Prediction) else: # 绘制所有测试设备的最终RUL预测散点图 plt.scatter(true_rul, pred_rul, alpha0.6) plt.plot([true_rul.min(), true_rul.max()], [true_rul.min(), true_rul.max()], k--, lw2, labelIdeal Fit) plt.xlabel(True RUL (cycles)) plt.ylabel(Predicted RUL (cycles)) plt.title(RUL Prediction Performance (f - Unit {unit_id} if unit_id else )) plt.legend() plt.grid(True, linestyle--, alpha0.7) if save_path: plt.savefig(save_path, dpi150, bbox_inchestight) plt.show()在Jupyter Notebook中调用这个函数可以立刻看到图表方便快速迭代和模型调优。4. 在Jupyter Notebook中的实战工作流与避坑指南有了框架在Notebook中的工作流就变得非常清晰和高效。下面我结合一个具体的例子说明如何使用这个框架并分享几个我踩过的坑。4.1 一个完整的端到端示例假设我们使用公开的CMAPSS FD001数据集。步骤1环境准备与框架安装首先在Jupyter中我们需要安装依赖。通常我会在Notebook开头用一个Cell来管理环境。# 安装必要库如果还没安装的话 !pip install numpy pandas scikit-learn matplotlib seaborn tensorflow pyyaml -q # 假设我们的rul_framework包已经放在当前目录下或者通过git clone获取 import sys sys.path.append(./rul_framework) # 将框架路径加入Python路径步骤2准备配置文件在Notebook同级目录下创建或修改config/pipeline_config.yaml。# pipeline_config.yaml data: loader: CmapssDataLoader params: data_path: ./data/CMAPSS subset: FD001 preprocessing: # 可以指定要删除的传感器根据领域知识或相关性分析 drop_sensors: [sensor_1, sensor_5, sensor_10, sensor_16, sensor_18, sensor_19] scaling: standard # standard, minmax, or none feature_engineering: enabled: true transformers: - name: statistical window_size: 10 stats: [mean, std, max, min, skew] model: name: LSTMModel params: lstm_units: [50, 50] dropout_rate: 0.2 dense_units: [25] learning_rate: 0.001 epochs: 150 batch_size: 64 training: validation_split: 0.2 split_method: sequential # 按时间顺序分割 early_stopping: enabled: true patience: 20 evaluation: metrics: [rmse, mae, nasa_score] visualization: true步骤3在Notebook中运行流水线from rul_framework.core.pipeline import RULPipeline import yaml import matplotlib.pyplot as plt # 加载配置 with open(config/pipeline_config.yaml, r) as f: config yaml.safe_load(f) # 初始化并运行 pipeline RULPipeline(config) results pipeline.run() # 查看关键结果 print(f测试集RMSE: {results[test_metrics][rmse]:.2f}) print(f测试集NASA Score: {results[test_metrics][nasa_score]:.2f}) # 调用框架可视化函数查看详细结果 from rul_framework.utils.visualization import ( plot_rul_comparison, plot_training_history, plot_feature_importance # 如果模型支持 ) # 绘制训练历史 plot_training_history(results[training_history]) # 选取一个测试设备单元查看预测曲线 test_unit_id results[test_unit_ids][0] # 假设结果中包含了测试单元ID unit_true_rul results[per_unit_results][test_unit_id][true_rul] unit_pred_rul results[per_unit_results][test_unit_id][pred_rul] plot_rul_comparison(unit_true_rul, unit_pred_rul, unit_idtest_unit_id)4.2 实战中遇到的坑与解决方案坑1数据泄漏Data Leakage这是时序预测中最常见也最致命的问题。比如在做特征工程时如果使用整个数据集包括未来数据来计算全局的均值、方差用于标准化就会把未来的信息“泄漏”给模型。在训练时必须仅使用训练集的数据来计算这些统计量然后用这些统计量去转换验证集和测试集。在框架的Preprocessor中fit方法只能接触训练数据transform方法用于转换所有数据。坑2序列长度不一致LSTM等模型要求输入是固定长度的序列。但每个设备单元的生命周期长度不同。常见的处理方法是截断取最后N个周期假设退化主要发生在后期。填充用0或特定值填充到固定长度。分段将长序列切成多个固定长度的子序列每个子序列对应一个RUL标签通常是该子序列结束时的RUL。 在框架中需要在数据预处理后、模型输入前增加一个Sequencer模块来处理这个问题。坑3超参数调优的耗时深度学习模型超参数多在Notebook中直接调参非常耗时。我的做法是在框架的Trainer中集成一个简单的网格搜索或随机搜索功能但限制在小范围、低迭代次数用于快速寻找大致方向。对于严肃的调优将配置和核心代码模块化后使用Optuna或Ray Tune这类专业的超参数优化库在外部脚本中运行。Notebook仅用于分析优化结果。框架应提供与这些优化库的接口示例。坑4模型的可解释性深度学习模型是“黑盒”在工业领域运维人员很难信任一个无法解释的预测结果。因此框架可以集成一些简单的可解释性工具对于树模型如XGBoost直接输出特征重要性图。对于深度学习模型可以尝试使用SHAP或LIME。在Notebook中可以对几个关键的预测样本进行解释展示是哪些传感器在哪个时间点对预测结果贡献最大。坑5Jupyter Notebook的内存管理处理大型工业时序数据时Notebook容易内存溢出。建议在数据加载时使用dtype参数指定较低精度的数据类型如np.float32。及时删除不再使用的大变量del large_var; gc.collect()。对于非常大的数据集考虑使用生成器来逐批加载和训练数据框架的DataLoader可以支持这种模式。5. 框架的扩展与进阶应用一个基础的RUL框架跑通后可以考虑向以下几个方向扩展以应对更复杂的工业场景。5.1 集成迁移学习与领域自适应工业现场经常面临“数据饥饿”问题新设备或新型故障模式的数据极少。迁移学习可以利用其他相似设备或工况的丰富数据来帮助新场景建模。可以在框架中增加一个TransferLearningModel基类。例如实现一个“预训练-微调”的流程在一个大的、通用的设备数据集上预训练一个LSTM模型作为特征提取器。冻结模型的前几层只替换和重新训练最后的全连接层在小规模的新设备数据上进行微调。 在配置文件中可以增加transfer_learning段指定预训练模型路径和哪些层需要冻结。5.2 支持不确定性量化点预测一个具体的RUL值在工程中风险很高。提供预测的不确定性区间如90%置信区间更有价值。框架可以集成能够量化不确定性的模型例如贝叶斯神经网络通过Dropout在推理时多次采样来近似不确定性MC Dropout。分位数回归直接预测RUL的不同分位数如10th, 50th, 90th从而得到预测区间。 在评估和可视化部分需要增加对不确定性区间的绘制和分析。5.3 与外部系统集成从Notebook到生产虽然框架始于Notebook但最终目的是为生产系统服务。可以考虑设计一个“导出”功能模型导出将训练好的模型包括预处理管道保存为标准的格式如TensorFlow SavedModel、ONNX或PMML。流水线打包将整个配置和代码打包成一个轻量的Python包或Docker镜像方便部署到云服务器或边缘计算设备。API服务提供一个简单的Flask或FastAPI示例展示如何将框架包装成一个接收数据、返回RUL预测结果的RESTful API。这部分代码可以作为另一个deployment目录放在项目中。5.4 引入自动化机器学习AutoML元素为了进一步降低使用门槛可以为框架增加一些AutoML特性例如自动特征选择根据特征与目标的相关性、特征之间的共线性自动筛选出最重要的特征子集。自动模型选择在几个预定义的模型如LSTM, 1D-CNN, XGBoost上进行快速的基准测试推荐性能最好的一个。自动超参数调优集成Optuna给定一个调优空间和优化目标如最小化NASA Score自动寻找较优的超参数组合。 这些功能可以作为高级配置选项让有经验的用户开启以节省大量手动调参的时间。我个人在几个实际项目中应用这个框架的体会是它的最大价值在于规范化和可复现性。以前一个RUL项目从开始到出可靠结果代码和实验记录散落各处人员交接成本极高。现在一个新同事拿到这个框架和对应的Notebook配合清晰的配置文件能在几天内重现所有关键实验并在此基础上进行创新。这不仅仅是提高了效率更是让预测性维护的算法开发从“手工作坊”向“标准化流水线”迈进了一小步。当然框架永远在迭代没有银弹最重要的是保持核心的简洁和模块的灵活让它能适应不同行业、不同数据特点的RUL预测挑战。本文还有配套的精品资源点击获取