代码实现了一个完整的航空发动机剩余使用寿命（RUL）预测系统，使用NASA C-MAPSS数据集进行训练和评估。系统首先加载四个不同工况条件下的发动机退化数据集（FD001-FD004），对原始数据进行预处理，包括去除静态传感器、特征归一化和序列化处理。然后构建了一个混合神经网络模型，该模型结合了卷积神经网络（CNN）的特征提取能力和液态神经网络（LNN）的动态时序建模能力。CNN部分通过一维卷积层和池化层提取传感器数据的局部特征，LNN部分则使用液态神经微分方程对时序动态进行建模。模型在训练阶段采用滑动窗口技术生成训练序列，使用均方误差损失函数和Adam优化器进行训练，并采用早停策略防止过拟合。在测试阶段，系统对每个测试发动机的最后一段序列进行预测，生成剩余使用寿命的估计值，最后使用RMSE和C-MAPSS评分标准对预测性能进行评估。整个系统实现了从数据加载、预处理、模型训练到预测评估的完整工作流。
详细算法步骤：
数据准备阶段：从NASA C-MAPSS数据集中加载四个不同工况条件下的航空发动机运行数据，包括训练集、测试集和真实剩余使用寿命标签。数据包含发动机编号、运行周期、三个操作设定和二十一个传感器测量值。
数据预处理：对训练数据计算剩余使用寿命标签，通过将每个发动机的最大运行周期减去当前周期得到。为防止异常值影响，对剩余使用寿命进行截断处理，设置最大阈值。识别并移除方差为零的静态传感器，这些传感器不包含有效变化信息。
特征标准化：使用最小-最大归一化方法对特征进行标准化处理，将不同量纲的传感器数据映射到同一数值范围，确保模型训练的稳定性和收敛速度。
序列化处理：采用滑动窗口技术将时序数据转换为固定长度的序列片段。每个序列片段包含连续多个时间步的传感器数据，对应的标签是该序列最后一个时间步的剩余使用寿命值。
混合神经网络构建：设计一个结合卷积神经网络和液态神经网络的混合架构。卷积神经网络部分负责从传感器数据中提取局部特征和空间模式，通过卷积层和池化层实现特征降维。液态神经网络部分负责建模时序动态特性，使用神经微分方程对系统状态演化进行连续时间建模。
模型训练：将处理后的数据划分为训练集和验证集，使用均方误差作为损失函数来衡量预测值与真实值的差距。采用Adam优化算法调整模型参数，通过反向传播算法计算梯度并更新网络权重。
训练过程监控：在训练过程中监控验证集上的性能表现，当验证损失连续多个训练周期不再改善时，启动早停机制防止过拟合。保存验证集上表现最佳的模型参数。
测试数据处理：对测试集数据应用与训练集相同的预处理流程，使用训练阶段确定的静态传感器列表和标准化参数。为每个测试发动机提取最后一段运行序列作为模型输入。
剩余使用寿命预测：将处理后的测试序列输入训练好的混合神经网络模型，生成每个发动机的剩余使用寿命预测值。模型首先通过卷积层提取特征，然后通过液态神经网络建模时序动态，最后通过全连接层输出预测结果。
性能评估：使用均方根误差和C-MAPSS评分标准评估预测性能。均方根误差衡量预测值与真实值的平均偏差，C-MAPSS评分采用不对称损失函数，对过早预测和过晚预测施加不同惩罚，更符合实际工程需求。
结果可视化：绘制预测值与真实值的散点图，添加理想预测线，直观展示模型性能。计算并展示各项评估指标的数值结果，为模型性能提供量化分析。
担任《Mechanical System and Signal Processing》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测
参考文章：
基于卷积特征提取和液态神经网络的航空发动机剩余使用寿命预测算法（python） - 哥廷根数学学派的文章
https://zhuanlan.zhihu.com/p/1995819359982089278