python时序分析算法（python算法体验-1.基于线性拟合的剩余寿命预测）
python时序分析算法（python算法体验-1.基于线性拟合的剩余寿命预测）在实际设备寿命预测过程中，通过设定固定状态阈值，即可预测剩余的设备工作寿命。当然实际过程需要考虑的因素很多，如用于寿命预测的状态数据如何得到，多阈值如何考虑等。后续二十个数据周期的状态趋势变化（既寿命使用情况）直观看一下，数据有上升的线性趋势，因此利用线性拟合方法y=kx b得到线性函数系数k b.模拟状态数据线性拟合基于该状态数据的变化趋势，我们可以预测后续20个数据采集周期的状态变化：
在工业领域的设备寿命预测中，在没有历史数据的基础上，往往可以假设寿命退化遵循线性、指数等规律，本例分享一下基于线性拟合的数据预测，可以结合具体工业应用进行RUL预测。
例：假设有一组能够表征设备寿命状态，且经过处理的数据，如下图：
模拟状态数据
图中，x轴表示数据采集的周期，y表示每个采集周期的状态数据值（假设该数据跟寿命有关系）。
直观看一下，数据有上升的线性趋势，因此利用线性拟合方法y=kx b得到线性函数系数k b.
模拟状态数据线性拟合
基于该状态数据的变化趋势，我们可以预测后续20个数据采集周期的状态变化：
后续二十个数据周期的状态趋势变化（既寿命使用情况）
在实际设备寿命预测过程中，通过设定固定状态阈值，即可预测剩余的设备工作寿命。当然实际过程需要考虑的因素很多，如用于寿命预测的状态数据如何得到，多阈值如何考虑等。
import pandas as pd
import matplotlib.pyplot as plt
import numpy as np
def linefit(Y):#线性拟合
X = np.arange(1 len(Y) 1)
z = np.polyfit(X Y 1)#k b = [0.00460042 0.74567879]，线性函数系数
p = np.poly1d(z)#p = 0.0046 x 0.7457，线性函数
return z p
测试代码：
if __name__ == '__main__':
data = pd.read_excel('*****.xlsx').values
x = np.arange(1 len(data) 1)
z p = linefit(data)
fittedData = [p(i) for i in x]
predX = [len(data) i for i in range(1 21)]
predY = [p(i) for i in predX]
plt.plot(predX predY 'r--')
plt.plot(fittedData)
plt.plot(x data)
plt.show()
