kang20224

不要在面包多直接拍

在航空发动机等关键设备的预测性维护中，准确估计剩余使用寿命（RUL）对于保障飞行安全、降低维护成本至关重要。C-MAPSS数据集由NASA提供，记录了多台涡扇发动机从正常运行到失效的全寿命周期传感器数据，是RUL预测研究的基准。传统方法多采用LSTM、CNN等深度学习模型，但纯数据驱动模型往往难以充分捕捉传感器间的非线性耦合关系，且对噪声敏感。近年来，KAN（Kolmogorov-Arnold Network）作为一种新型神经网络，通过可学习的样条函数替代固定激活函数，能够自适应地拟合复杂非线性关系，理论上比MLP更高效。结合BiLSTM提取双向时序特征，并引入跳跃连接保留原始信息，同时采用R-drop正则化增强模型鲁棒性，可以构建一个兼具强拟合能力和泛化性能的RUL预测模型，在标签数据有限的工业场景下具有实际应用价值。

这个算法将KAN的强非线性拟合能力与BiLSTM的时序建模优势相结合，构建了一个端到端的RUL预测模型。KAN模块通过自适应样条基函数替代传统固定激活，能够更灵活地学习传感器间的复杂耦合；BiLSTM则捕捉退化过程的双向时间依赖；跳跃连接缓解了深层网络的梯度消失问题。训练中引入R-drop正则化，通过强制同一输入两次预测的一致性，提升了模型的泛化性和抗噪能力。

算法步骤：

第一步：数据加载与预处理。从C-MAPSS数据集中读取训练集、测试集和真实RUL文件，为每个发动机添加RUL标签，并限制RUL上限为125。去除部分冗余传感器和运行条件，对传感器数据进行指数平滑降噪，再用MinMaxScaler归一化。最后通过滑动窗口（窗口长度60，步长1）将时序数据切分成样本，并划分训练集、验证集和测试集。

第二步：构建KAN-BiLSTM混合模型。模型包含三部分：首先用KAN模块对输入序列进行非线性特征变换，KAN内部由多个KANLinear层堆叠，每层用可学习B样条基函数拟合输入输出关系；然后将KAN输出投影到LSTM隐藏维度，并加入时间位置编码后送入双向LSTM层提取时序依赖；同时从KAN输出引出跳跃连接，经过线性变换后与LSTM最后一个时间步的输出相加，再经过层归一化和全连接层得到RUL预测值。

第三步：定义损失函数与训练策略。采用加权MSE损失作为基础回归损失，并引入R-drop正则化：对同一输入进行两次前向传播，计算两次输出的KL散度作为一致性损失，与MSE损失加权求和。使用AdamW优化器，StepLR学习率调度，批量训练50个epoch。

第四步：模型评估与可视化。在测试集上对每个发动机最后一个窗口的RUL进行预测，计算RMSE和评分函数（Score）。绘制所有发动机真实RUL与预测RUL的对比图，以及单个发动机全寿命周期的RUL预测曲线，直观评估模型性能。

创作时间：