设备在线故障诊断
已完成
高端装备退化精准寿命预测（PHM 2025 全球冠军）
操作条件对齐 + 风险感知的剩余使用寿命预测框架，在 PHM 2025 国际数据竞赛中以断层领先精度夺得全球第一
剩余使用寿命 小样本学习 PHM竞赛冠军 航空发动机
项目概述
航空发动机剩余使用寿命预测是预测性维护的关键：不断变化的操作条件与寿命末期的非线性退化模式导致精确建模困难。现有方法未显式利用操作条件、未重点关注寿命末期。
研究目标
1
操作条件的显式建模与特征增强
2
寿命末期预测精度优先并抑制高估
3
小样本、结构复杂时序数据下的稳健预测
研究方法
将操作条件作为门控机制输入显式作用于传感器数据实现特征对齐增强；设计风险感知损失函数，使模型更关注寿命末期并避免寿命高估。
技术路线：这件事是怎么做的
- 1
操作条件对齐模块
把工况/操作条件作为门控机制的输入，显式作用于多传感器时序，先对齐再增强——消除变工况对退化特征的干扰（而非把条件当普通特征拼接）。
- 2
时序网络 + 局部增强注意力
对齐后的特征进入循环时序网络，配合局部增强注意力捕捉退化末期的关键局部模式。
- 3
风险感知非对称损失
设计 Hazard-aware 非对称损失：对"高估剩余寿命"施加更重惩罚，使模型在寿命末期更保守、更精准——预测错误的代价本来就是不对称的。
- 4
两阶段小样本框架
先在结构复杂的全量时序上学共性退化表征，再针对小样本目标机型精调，赢得 PHM 2025 数据挑战赛全球第一。
方法与结果图解
研究成果
PHM 2025 国际数据竞赛全球第一：小样本、变工况赛题上预测精度断层领先全部参赛队
首支夺冠的国内高校团队，获中山大学全媒体矩阵广泛报道
适合谁 · 合作入口
想冲击国际数据竞赛、做寿命预测研究的同学；高端装备预测性维护需求方。
相关论文
A Two-Stage Framework for Small-Sample RUL Prediction on Structurally Complex Time-Series Data, Annual Conference of the PHM Society, 2025