剩余寿命预测是设备故障预知与健康管理（PHM）中的重要一环。准确的剩余寿命预测结果不仅依赖于退化特征的数量和质量，还依赖于模型本身。课题团队通过研究建立了新的退化特征提取和重构流程，构建了含噪LSTM预测网络，并以 “Remaining useful life prediction based on intentional noise injection and feature reconstruction”为题发表于国际期刊Reliability Engineering and System Safety (IF: 7.247)，威廉希尔WilliamHill官方网站为唯一通讯作者单位，上海市科技启明星肖雷副研究员为该论文的第一作者和通讯作者。文章链接：DOI: 10.1016/j.ress.2021.107871
该预测方法的整体预测流程如下：
图1. 本文中提出的基于特征重构和含噪LSTM网络的设备剩余寿命预测流程
上述研究成果在NASA的仿真涡扇航空发动机的退化数据集上进行了验证，并取得了较好的效果。该方法不仅进一步融合了多种信号，并对退化特征进行了深度挖掘；还说明了噪声并非全无益处，在一定程度上能够提高基于深度学习的预测模型的精度和鲁棒性。
肖雷老师围绕着设备的PHM开展机械设备微弱故障检测与诊断、退化预测、维护调度优化等方面的研究。近年来得到了国家自然科学基金面上项目（项目名：基于噪声智能感知的高速化纤卷绕机群组预测性维护研究，项目号：52075094）和国家自然科学基金青年基金（项目名：样本受限下的关键传动设备衰退演化预测及视情维修决策，项目号：51705321）、上海市科技创新行动计划启明星项目（项目名：基于噪声助益的旋转部件退化机制建模与预测性维护方法研究，项目号：22QA1400200）等项目的资助。