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 pdimport matplotlib.pyplot as pltimport numpy as npdef 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 x0.7457 ， 线性函数return z,p测试代码：
【python算法体验-1.基于线性拟合的剩余寿命预测】
if __name__ == '__main__':data = https://www.itzhengshu.com/excel/pd.read_excel('*****.xlsx').valuesx = np.arange(1,len(data) 1)z, p = linefit(data)fittedData = https://www.itzhengshu.com/excel/[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()