报告题目：从预测性维护到规范性维护：利用人工智能与数字故障孪生赋能运维
报 告 人：曾志国（法国萨克雷大学教授）
报告时间：2026年7月21日（星期二）上午9:30—12:00
报告地点：机械与汽车工程学院19号楼201会议室
主办单位：机械与汽车工程学院
报告人简介：
曾志国教授，于2016年获得北京航空航天大学可靠性工程博士学位。获得博士学位后，加入巴黎萨克雷大学中央理工-高等电力学院，并于2023年成为全职教授。重点研究部件及复杂系统的故障/维修/维护行为表征与建模及其可靠性、维护性、预测性、安全性、易损性，先后在顶尖国际期刊和会议上发表100余篇论文。被 ScholarGPS 评为顶尖学者，并入选爱思唯尔和斯坦福大学发布的全球前2%顶尖科学家榜单。相关研究获得法国国家科研署（ANR）和欧洲研究委员会（ERC）等重要政府资助机构资助，以及法国电力集团（EDF）、法国国家铁路公司（SNCF）、法国电信（Orange）以及GE医疗等重要工业企业资助。担任《International Journal of Data Analysis Techniques and Strategies》和《Journal of Uncertain Systems》编委会成员，以及《Applied Science》期刊“Dependent failure modeling”特刊首席客座主编。担任中央理工-高等电力学院“运筹学与控制”工程项目联合负责人，以及该学院国际本科项目学术顾问。
报告摘要：
装备维护是工业5.0的关键赋能因素，直接影响制造系统的韧性和可持续性。现代维护策略已从预测性维护（PdM）演变为规范性维护（PsM），后者不仅利用在线数据来预测设备的寿命，还通过制定具体措施来减缓设备老化并延长使用寿命。尽管近期深度学习的进步为从预测性维护向规范性维护的转变创造了巨大机遇，但仍存在一些局限性。首先，数据驱动的方法依赖于大量带标签的故障数据来训练深度学习模型，而在实践中，收集这些数据往往过于昂贵且耗时。其次，纯数据驱动的模型缺乏对故障驱动过程的深入理解，并且所做出的决策缺乏可解释性。最后，用于维护建模和优化的数据通常是观察性数据，其中包含显著的混杂偏差，可能会对决策模型产生误导。
本次报告将讨论我们近期开展的旨在解决这些局限性的工作。首先，我们提出了一种基于随机混合系统的故障行为数字孪生建模框架。该框架可以通过离散和连续系统动力学之间的交互，量化各种故障行为及其相互依赖关系。此外，我们开发了一种基于矩闭合的半解析方法用于高效的可靠性评估。所开发的数字故障孪生可用于支持预测性维护和规范性维护。其次，我们引入了若干数字孪生支持的深度学习框架，以支持预测性维护（故障诊断）和规范性维护（剩余使用寿命感知控制）。在使用数字孪生生成模拟数据以训练数据驱动的故障诊断模型时，一个核心问题是无法保证数字孪生模型能够足够准确地表征现实。我们提出了两种方法来解决仿真与现实之间的差距（通过模型对齐和通过算法对齐），并提高数字孪生支持的预测性维护的性能。最后，我们分享了一些近期在应用因果推断从观察性数据中识别正确因果效应并支持维护优化的工作。我们的方法既适用于已观测的混杂变量，也适用于未观测的混杂变量，并在我们工业合作伙伴 RTE 的实际应用场景中验证了其有效性。
