flag兑现：这次聊一聊Deep AR 模型用于PHM2012工况1轴承数据集的RUL预测

基于Deep AR模型的轴承RUL预测

Deep AR模型

Deep AR模型

最早接触DeepAR模型是2020年在简书看到的一篇大佬的博客:https://www.jianshu.com/p/8a900b9ad3d3
这位大佬非常详细的讲解了Deep AR的代码实战操作。受大佬的启发，并结合在github上面的搜集的资料，最终本人完成了对Deep AR的探究，并且成功应用于PHM 2012轴承的RUL( ps：不要问我文章在哪，我没写也没投。主要是Deep AR有较大的局限性，同时我有其他的研究方向)。后续我会一一道来。
模型代码：
在大佬的csdn也有：https://blog.csdn.net/weixin_45073190/article/details/104951504¹

我这里就只添加一个GaussianLoss，因为大佬的是log_gaussian_loss,有想练练手的可以尝试这两种损失函数

import tensorflow as tf
from tensorflow.keras.layers import (Input, LSTM, LSTMCell)

class DeepAR(tf.keras.layers.Layer):
    """
    DeepAR 模型
    """
    def __init__(self, lstm_units):
        super().__init__()
        self.lstm_units = lstm_units
        # 可以使用多层LSTM
        self.lstm_1 = tf.keras.layers.LSTM(self.lstm_units,return_sequences=True )
        self.lstm_2 = tf.keras.layers.LSTM(self.lstm_units,return_sequences=False)
        
        
        self.dense_mu = tf.keras.layers.Dense(1,activation='sigmoid')
        
        self.dense_sigma = tf.keras.layers.Dense(1,activation="softplus")

    def call(self, inputs, initial_state=None):
        outputs = self.lstm_1(inputs)
        outputs = self.lstm_2(outputs)
        
        mu = self.dense_mu(outputs)
        sigma = self.dense_sigma(outputs)
        
        return [mu, sigma]
        
class GaussianLoss(object):
    def __init__(self):
        pass

    def __call__(self, y_true, y_pred, sigma):
        return tf.reduce_mean(0.5 * tf.math.log(sigma) +
                              0.5 * tf.math.divide(tf.math.square(y_true-y_pred),sigma))+1e-6+6

模型打印：

Model: "model_5"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_6 (InputLayer)         [(None, 36, 128)]         0         
_________________________________________________________________
deep_ar_5 (DeepAR)           [(None, 1), (None, 1)]    11426     
=================================================================
Total params: 11,426
Trainable params: 11,426
Non-trainable params: 0
_________________________________________________________________