四川大学匹兹堡学院

近日，四川大学匹兹堡学院工业工程专业本科生在医疗系统智能运维领域的毕业设计工作取得新进展。由学院师生联合四川大学华西医院完成的成果《Towards AI-Driven Smart Maintenance of Computed Tomography Equipment: From Health Indicator Design to Transferable Remaining Useful Life Prediction》发表于可靠性领域权威期刊 Reliability Engineering & System Safety（影响因子 11.0，中科院1区TOP、川大B级期刊）（图1），充分展现了学院本科生依托高水平科研平台开展前沿研究的能力。该研究依托真实临床场景下的医疗物联网（IoMT）运行数据与人工智能，围绕大型CT医学影像设备关键部件退化建模与剩余寿命预测问题，提出了一种融合物理机理和深度学习的预测性维护框架，为医学影像设备安全运行和智能运维提供了新的技术路径。

图1 研究成果发表于权威期刊Reliability Engineering & System Safety

参与该项研究的杨景森、林天驰同学均为四川大学匹兹堡学院工业工程专业2021级本科生。在校期间，两位同学依托学院可靠性与智能风险管理实验室平台，围绕医疗装备健康管理、可靠性建模与人工智能方法应用等方向开展科研训练，深度参与了数据分析、模型构建、实验验证和论文撰写等工作。作为本科毕业设计的重要组成部分，这项研究不仅帮助两位同学将工业工程、数据分析与人工智能方法有机结合起来，也让他们在真实医疗场景中加深了对工程问题和科研方法的理解。大四期间，两位同学还参加了第十届云计算与大数据分析国际会议（ICCCBDA），并在会上就相关研究成果与领域内的专家学者进行了学术汇报与交流（图2、3）。目前，杨景森、林天驰同学已分别赴伊利诺伊大学厄巴纳—香槟分校和佐治亚理工学院继续深造。两位同学的成长经历，展现了学院在人工智能、大数据及医工交叉方向人才培养中的良好成效，也反映出学院依托高水平科研平台推进本科生科研训练和国际化发展的积极成果。

图2 第十届云计算与大数据分析国际会议（左杨景森、右林天驰）

图3杨景森同学报告现场

本项研究以真实临床场景中的CT设备运行数据及医疗物联网环境下采集的多源信息为基础，面向复杂工况下球管退化信号波动大、健康状态难以直接表征以及模型跨设备适用性不足等问题，构建了一套面向CT关键部件剩余寿命预测的方法框架。研究首先结合扫描方式、负载条件等运行工况对原始时间序列数据进行识别、解耦与预处理，以降低不同工况差异对退化信号的干扰；随后利用随机森林模型学习健康状态下灯丝电流的标称变化规律，并将观测值与标称值之间的残差定义为健康指标，用于刻画球管真实退化过程；在此基础上，进一步采用BiLSTM-Seq2Seq模型对健康指标的时间演化进行建模，并结合跨设备迁移学习策略，发挥人工智能方法在复杂时序建模中的优势，实现对CT关键部件剩余寿命的连续预测（图4、5）。

图4 预测性维护/剩余寿命预测方法整体框架

图5 跨设备迁移学习策略示意图

该成果的取得，离不开高水平科研平台的有力支撑。该毕业设计题目正是源自指导老师可靠性与智能风险管理实验室负责人王常玺副教授与清华大学工业工程系、美国罗格斯大学工业工程系等高校联合申报获批的国家自然科学基金重点国际（地区）合作研究项目“面向复杂任务场景的智能无人系统可靠性管理”及与四川大学华西医院联合申报获批的科技部国家重点研发计划项目“应急救治系列装备可靠性共性关键技术研究和评价体系构建”。王常玺副教授长期从事可靠性工程、智能运维、人工智能、随机过程与医学信息学等方向研究。

学院持续为学生提供接触国家级高水平科研课题的机会，鼓励学生在项目实践中提升数据分析能力、建模能力和学术表达能力，在科研训练中不断拓展学术视野。对于本科生而言，这样的平台不仅提供了接触前沿问题和真实数据的机会，也提供了从课程学习走向科研实践、从知识掌握走向问题解决的重要桥梁。学院始终坚持以高水平科研支撑高质量人才培养，持续推进工业工程、人工智能、数据科学与医学工程等方向的深度交叉融合。未来，学院将继续依托国际化办学优势和高水平科研平台，推动学生在智能制造、医疗人工智能、可靠性工程与数据科学等领域不断取得新进展，培养更多具有国际视野、创新能力和实践能力的高素质复合型人才。

学生投稿心得：

本研究源于华西医院在大型 CT 医学影像设备健康管理与预测性维护方面的实际需求，因此选择将论文首投至本领域权威期刊 Reliability Engineering & System Safety。该期刊长期关注复杂系统可靠性、退化建模、风险评估与工程安全等方向，与本研究围绕 CT 设备关键部件退化机理、剩余寿命预测及跨设备泛化建模的主题高度契合。

本科毕设结束时我们完成初稿，并于 2025 年 8 月投稿，11 月完成第一轮审稿。第一轮审稿意见主要聚焦于几个核心问题：一是为何需要针对 CT 设备这一特定对象开展专门研究，其复杂临床工况与一般工业设备相比有何独特性；二是论文中关于 X 射线球管灯丝退化机理的分析，如何真正落实到健康指标构建和预测模型设计中；三是与已有预测性维护方法相比，实验对比是否充分、评价指标与公式推导是否严谨。为回应这些问题，我们进一步强化了 CT 设备运行场景特殊性与研究必要性的论述，补充了物理机理与健康指标、模型结构之间的对应关系，增加了与经典及近期强基线方法的系统对比，并对部分评价指标和公式含义进行了更清晰的说明。修改稿于 2026 年 1 月返回。第二轮审稿于 2026 年 2 月完成，审稿专家认为论文整体质量已得到明显提升，并建议我们进一步深化对研究局限性与未来工作的讨论，同时继续完善图表展示和全文表达。我们据此对论文作了进一步修订，并于 2026 年 3 月提交二次修改稿，并被正式接收。此次投稿经历让我深刻体会到，面向真实医疗装备场景的预测性维护研究，除了取得较好的预测结果，更重要的是把研究对象的特殊性、方法设计的物理依据以及模型泛化能力讲清楚、论证充分。审稿人的反馈不仅帮助我们显著提升了论文质量，也使我们对医疗设备可靠性建模研究应兼顾工程背景、方法创新与应用可落地性有了更深入的认识。

学生研究心得：

回顾这项本科毕业设计研究，最深的感受是，本科阶段的科研训练不仅是对课堂知识的延伸，更是一个不断接近真实问题、不断修正认知、不断积累耐心的过程。最初接触华西医院CT设备运行数据时，我们更多关注的是如何尽快建立模型、提升预测精度，但随着研究不断深入，我们逐渐意识到，真实医疗设备场景中的问题远比课堂练习和理想数据集复杂得多。本研究让我最深的体会是，在真实医疗设备场景下开展预测性维护研究，模型性能的提升并不单纯取决于网络结构是否更复杂，而首先取决于我们是否真正理解了设备退化的物理本质。CT 设备的运行数据与许多理想化工业数据不同，临床使用过程中存在频繁的工况切换，不同扫描模式、管电压、焦点位置和阳极频率组合会带来显著的信号波动，使得原始灯丝电流呈现出强烈的多峰分布和噪声干扰。在这种情况下，如果不先处理工况差异、直接将原始时序输入预测模型，即使采用更复杂的深度学习方法，能够获得的改进往往也是有限的。正因如此，我们在研究过程中逐步意识到，问题的关键不只是“如何预测”，更是“预测之前如何定义真正反映退化的信号”。围绕这一点，我们从 X 射线球管灯丝在热循环和材料蒸发作用下的退化机理出发，将观测灯丝电流与健康状态下标称电流之间的偏差定义为健康指标，并结合面向 CT 工况的退化路径识别模块，对复杂运行条件下的多源信号进行筛选和融合，从而尽可能提取平滑且具有物理一致性的退化趋势。在这一基础上，再引入深度学习模型、自回归预测和跨设备迁移学习，模型的优势才真正能够发挥出来。与此同时，这段本科科研经历带来的收获并不仅限于学术层面。反复处理数据、调试模型、修改图表和论文的过程，让我们更加深刻地体会到科研工作的长期性和细致性，也学会了在课程学习、毕业设计、升学申请和科研任务之间做好时间安排。每一次组会讨论、每一次和老师沟通思路、每一次对结果进行复查和修正，都是对科研习惯和工程思维的训练。尤其是在参加ICCCBDA 2025并进行学术汇报之后，我们更加真切地感受到，将自己的研究讲清楚、讲准确，同样是科研训练中非常重要的一部分。

对我们而言，这项本科毕业设计不仅完成了一篇论文，更重要的是，它让我们在本科阶段真正体验了从发现问题、分析问题到解决问题的完整科研过程，也让我们更加坚定了继续在工业工程、人工智能与医学工程交叉领域深入学习和探索的信心。未来，我们也希望把这段科研经历中关于团队协作、学术交流、校园生活和个人成长的体会进一步丰富进去，使这项研究背后的本科成长故事更加完整。

作者简介

第一作者

杨景森，四川大学匹兹堡学院工业工程专业
2025届毕业生，伊利诺伊大学厄巴纳–香槟分校格兰杰工程学院工业与企业系统工程专业2025
级硕士研究生，。现任伊利诺伊大学厄巴纳–香槟分校可靠性分析与安全保障实验室科研助理，参与多项医工交叉方向科研项目研究。其研究方向主要包括基于传感器数据的预测性维护、可靠性工程及人工智能方法在工程系统健康管理中的应用。

共同第一作者

林天驰，四川大学匹兹堡学院工业工程专业
2025届毕业生，佐治亚理工学院工业工程专业2025级研究生。其研究方向聚焦于人工智能与医学工程交叉领域，主要关注医疗系统中的可靠性工程、预后与健康管理，以及基于时间序列模型的医疗数据分析与预测建模。同时，对机器学习方法在复杂工程系统与医疗应用场景中的建模与决策支持具有浓厚兴趣，致力于通过数据驱动方法提升医疗系统运行的可靠性与效率。

共同作者

吴桐，美国宾夕法尼亚州立大学工业与制造工程系博士研究生，分别于2022年和2025年在四川大学匹兹堡学院和四川大学华西临床医学院获得工业工程学士学位和医学信息学硕士学位。其研究聚焦于复杂系统中非平稳、非线性退化过程的统计建模与过程监测，致力于通过随机过程方法刻画医疗与工程系统中的长期演化、时空关联性及系统级失效机制。在IISE Transactions、Reliability Engineering & System Safety、IEEE Internet of Things Journal、IISE Transactions on Healthcare Systems Engineering 等权威期刊发表多篇论文，并曾获2024年全国工业工程博士生学术论坛最佳会议论文奖。

通信作者

李康，四川大学华西医院生物医学大数据研究院研究员，博士生导师，四川大学匹兹堡学院科研副院长，中国生物医学工程学会科普工作委员会副主任委员。主要从事医学人工智能、医疗机器人、生物力学、人机交互等领域的研究。牵头成立华西医院-商汤科技联合实验室和“岷山计划”华西医疗机器人研究院，旨在促进机器人、人工智能和医疗领域的科技创新和技术升级。曾担任美国知名大学医学院副教授，计算机系和生物医学工程系博士生导师，主持/联合主持国内外项目30余项，在国际重要刊物和国际权威会议上发表论文200余篇。

通信作者

王常玺，匹兹堡学院副教授、可靠性与智能风险管理实验室负责人，四川省海外高层次引进人才，入选四川省委人才计划项目，教育部本科教育教学评估专家组成员，美国罗格斯大学博士，从事医疗领域的可靠性研究。主持多项国家自然科学基金、国家重点研发计划、四川省科技计划、四川大学“医学+信息”项目、华西医院“1·3·5工程”人工智能项目等课题及子课题。在IISE Trans、RESS、IEEE系列等期刊上发表论文20余篇。获全国工业工程博士生优秀论文奖（教师）、美国工业与系统工程师学会（IISE）会刊IISE Trans最佳论文、2019/2020年IISE数据大赛第一/二名、2017/2019年国际运筹与管理科学学会（INFORMS NJ）/IISE最佳学生论文提名奖等奖项。实验室培养的学生中，有多人赴美国密歇根大学安娜堡分校、佐治亚理工学院、普渡大学、伊利诺伊大学厄巴纳–香槟分校、宾夕法尼亚州立大学等继续深造。