PHM-Learning-Task

NGAFID 航空维护事件二分类检测

基于论文《A Large-Scale Annotated Multivariate Time Series Aviation Maintenance Dataset from the NGAFID》，使用 MiniRocket 模型实现 维护事件二分类检测（维护前 vs 维护后航班）。

---

项目简介

本项目使用 NGAFID 数据集的 2days 子集，包含 19 类维护事件， 通过 MiniRocket 时序分类模型实现二分类检测， 并采用五折交叉验证评估模型性能。

---

环境配置

一键安装依赖

pip install -r requirements.txt

主要依赖库

• tsai
• scikit-learn
• seaborn
• matplotlib
• numpy
• pandas
• tqdm
• fastai
• gdown

---

数据集

使用 NGAFID 2days 子集（论文 Section 3.2 基准子集）

• 航班数量：11446 条
• 特征数量：23 个传感器
• 标签：before_after（1=维护前，0=维护后）
• 五折划分：fold 字段 0~4

数据集通过 Google Drive 公开共享，运行 notebook 第一个单元格会自动下载，无需手动操作。

---

运行方式

1. 点击下方按钮在 Google Colab 中打开： [https://colab.research.google.com/github/peacewhile/PHM-Learning-Task/blob/main/NGAFID_DATASET_MINIROCKET_EXAMPLE8.ipynb]

2. 运行时 → 全部运行

3. 等待约 1~2 小时完成五折训练

---

模型说明

为什么选择 MiniRocket

• 专为时间序列分类设计
• 计算效率高，适合多变量时序数据
• 在多个时序分类基准上达到最优性能

关键参数

参数	值	说明
target_len	200	时序统一长度（内存限制）
chunksize	32	特征提取批大小
epochs	200	训练轮数
learning_rate	2.5e-5	学习率
random_seed	42	随机种子（保证可复现）

---

评估指标

选择 ROC-AUC 为主要指标，F1 为辅助指标。

选择理由

• 数据集存在类别不平衡，准确率具有误导性
• ROC-AUC 不受类别不平衡影响
• F1 重点关注少数类（维护前航班）的检测效果

五折交叉验证结果

Fold	Accuracy	F1	ROC-AUC
Fold 0	-	-	-
Fold 1	-	-	-
Fold 2	-	-	-
Fold 3	-	-	-
Fold 4	-	-	-
均值	-	-	-
标准差	-	-	-

（运行完成后填入实际结果）

---

结果可视化

训练完成后自动生成三张图表：

• fold_metrics.png：五折指标柱状图
• confusion_matrix.png：混淆矩阵（Fold 4）
• metrics_summary.png：均值±标准差汇总图

---

AI 协作说明

本项目使用 Claude AI 辅助开发，详细的 AI 协作过程、 Prompt 记录及学生贡献标注见 AI协作日志.md。

---

参考文献

Yang, H., et al. "A Large-Scale Annotated Multivariate Time Series Aviation Maintenance Dataset from the NGAFID." 数据集仓库：https://github.com/hyang0129/NGAFIDDATASET