由于在提高装备可靠性、操作安全性和降低维护成本方面的显著优势，预测与健康管理（Prognostics And Health Management, PHM）领域在学术研究和实际工程中都受到了越来越多的关注。许多工业场景如智能制造、汽车工业、航空航天等都受益于PHM技术的应用，当前流行的PHM方法主要包括基于失效物理模型和数据驱动方法。近年来，随着计算能力和算法的快速发展，大数据驱动的PHM技术已广泛应用于装备寿命预测任务，通过使用人工智能方法分析状态监测信号，大数据驱动的PHM方法已取得了很好的预测性能，并且良好地满足了日益增长的高可靠性和高效率的工业需求。

在多源信息融合框架中，当前预测方法往往将所有传感器的监测数据作为模型输入，并输出预测的剩余使用寿命（Remaining Useful Life, RUL）。此框架采用包含多个传感器的训练数据构建模型，因此数据结构受到了较强限制，导致现有方法严重依赖所有传感器的数据可用性，并且极易受到传感器故障的影响。在真实的工业场景中，尤其对于在恶劣工作条件下的复杂机械装备如航空发动机等，工作过程中容易发生部分传感器故障的情况。由于整体数据结构发生了改变，因此当前大数据驱动的多源信息融合预测方法无法在此类实际场景中应用。

西安交通大学高端装备智能运维研究团队提出了一种基于深度对抗网络的部分传感器故障下装备剩余寿命预测方法，通过多传感器数据的对抗学习获取泛化的装备健康状态特征，并在部分传感器发生故障的具有巨大挑战性的实际场景下取得了良好的寿命预测效果。研究成果发表于IEEE/CAA Journal of Automatica Sincia 2023年第十卷第一期：X. Li, Y. X. Xu, N. P. Li, B. Yang, and  Y. G. Lei,  “Remaining useful life prediction with partial sensor malfunctions using deep adversarial networks,” IEEE/CAA J. Autom. Sinica, vol. 10, no. 1, pp. 121–134, Jan. 2023. doi: 10.1109/JAS.2022.105935 

部分传感器故障对大数据驱动的信息融合预测效果的影响如图1所示。通常来说，通过分析来自多个传感器的信号，与使用单个传感器数据相比可以获得更好的预测性能。然而，当部分传感器发生故障时，数据结构发生变化，现有模型无法应用。

图1 部分传感器故障对寿命预测效果的影响

为了解决部分传感器故障下的预测问题并增强模型对传感器数据的鲁棒性，本文提出了一种基于深度对抗学习的网络模型框架，由全局特征提取器、共享特征提取器和RUL预测模块组成，具体网络结构如图2所示。

图2 本文提出的寿命预测模型架构

    图3展示了在航空发动机全寿命模拟数据中发生部分传感器故障场景下的寿命预测结果。可以观察到，所提出的方法能够成功地捕捉不同发动机的寿命退化模式，并且在数据结构发生改变时依然实现较为准确的预测。

    在大量传感器的数据不可用时，所提出的方法仍然可以有效地预测装备退化行为。例如，在任务task 1-9中共考虑14个传感器数据，然而只有其中4个传感器数据是可用的，其余10个传感器假设发生故障。在这种极端情况下，所提出的方法仍然能够实现良好的寿命预测效果。图4展示了不同传感器数据特征的可视化结果，表明该方法能够有效提取泛化的健康状态特征。以上结果表明了所提出的方法在传感器数据不完整情况下的有效性。

李响，西安交通大学副教授、特聘研究员、博导，入选陕西省高层次人才引进计划与西安交通大学青年拔尖人才支持计划，美国国家自然科学基金会智能维护系统中心博士后，美国加州大学默塞德分校联合培养博士。主要研究方向：工业人工智能、工业大数据、装备智能运维等。主持国家重点研发计划课题、国家自然科学基金等项目10余项，出版英文专著1部，在本领域权威期刊上发表学术论文40余篇，包括ESI高被引论文17篇，ESI热点论文5篇，谷歌学术引用4900次以上，H指数34，担任期刊IEEE/CAA Journal of Automatica Sinica首届青年编委。

徐宜销，西安交通大学机械工程专业硕士研究生，2020年本科毕业于福州大学，研究方向包括机械设备故障诊断、寿命预测、迁移学习等。

李乃鹏，西安交通大学副教授。2017至2019年在美国佐治亚理工学院进行博士联合培养。2020年入选西安交通大学“青年优秀人才支持计划”A类人才。研究方向为机械装备状态监测、剩余寿命预测与智能运维。承担国家自然科学基金重点项目、国家重点研发计划子课题等10余项项目。出版英文专著1部，在本领域权威期刊发表学术论文30余篇。获陕西省自然科学一等奖、中国华电集团科技进步一等奖、陕西省优秀博士学位论文等，入选“第八届中国科协青年人才托举工程”。

杨彬，西安交通大学助理教授。入选西安交通大学“青年优秀人才支持计划”A类。曾赴加拿大多伦多大学维护优化与可靠性工程研究中心（C-MORE）开展博士联合培养。担任Frontiers in Mechanical Engineering国际期刊主题编辑。出版学术专著1部，获工信学术出版基金资助；在本领域国内外权威期刊上发表学术论文10余篇，其中，2篇ESI热点（前0.1%），1篇中国百篇最具影响国际学术论文。曾获陕西省自然科学一等奖、陕西高等学校科学技术一等奖等奖励。

雷亚国，西安交通大学教授、博士生导师；美国机械工程师协会会士（ASME Fellow）、英国工程技术学会会士（IET Fellow）、国际工程资产管理协会会士（ISEAM Fellow）、国家杰出青年科学基金获得者、科睿唯安全球高被引科学家（2019-2022）、国家重点研发项目首席科学家（2项）、“三秦学者”全国一流创新团队带头人、陕西省科技创新团队带头人。现担任中国机械工程学会工业大数据与智能系统分会副主任委员、IEEE Transactions on Industrial Electronics、Mechanical Systems and Signal Processing等本领域著名期刊副主编。长期从事机械系统建模与动态信号处理、大数据智能故障诊断与寿命预测、机械状态健康监测与智能维护等方面的研究工作。研发的智能诊断系统在智能制造、能源电力、交通运输等领域得到广泛应用。曾获国家技术发明二等奖、中国青年科技奖、教育部自然科学一等奖、教育部青年科学奖、陕西省自然科学一等奖、霍英东教育基金会青年教师奖。