RLG是一种惯性旋转传感器，以其宽动态范围、高可靠性和高精度而著称[1]。这些特性使其特别适合用于惯性导航系统（INS）。RLG还具有其他优势，如恒定的比例因子、抗振动能力、数字输出以及轻量级设计。然而，设备温度变化可能导致RLG出现不规则的偏差误差[2]，从而影响其在航空航天应用或实际商业环境中的运行效率。多传感器网络收集的大量数据为RUL预测提供了丰富的信息资源。不过，这些大数据也为RUL预测带来了技术挑战，因为需要在不同传感器信号之间进行信息融合[3]。RLG的数字输出对重力不敏感，能够在广泛的动态范围内提高精度[4]。惯性导航系统（SINS）的运行受到温度、温度梯度和激励电压等因素的影响[5]。
退化信号被用于预测工业系统的剩余使用寿命（RUL），进而为维护相关决策提供依据。从原始传感器信号中提取退化信号通常需要多种信号转换方法[6]。以往的研究主要集中在单一退化信号的建模上[3]。该领域采用了多种建模方法，包括随机过程和人工智能模型。随着物联网（IoT）的快速发展，传感器越来越多地被用于工业系统的状态监测[7]。大多数传统的退化建模分析采用多传感器融合技术，试图得出单一的综合指标（HI），并利用上述技术将其设计为单一的退化信号[8]。尽管某些方法在特定应用中表现出良好的效率，但它们在可扩展性和通用性方面仍存在局限性[9]。为了在实际应用中成功实施预测性维护（PHM）系统并实现持续决策，准确预测RUL至关重要[10]。基于深度学习的RUL预测技术在最近的RUL预测方法发展中取得了显著进展[11],[12]。由于多传感器信号能提供丰富的退化信息，利用这些信号进行RUL预测可以生成更高精度和可靠的结果。然而，在多传感器信号中，由于复杂的空间和时间依赖性，融合多传感器信息以构建稳健准确的基于深度学习的RUL预测模型面临挑战[1],[13],[14]。
对于RUL预测，传统的基于深度学习的方法（如TCN、GRU、CNN和LSTM网络）通常将多传感器信号视为序列或网格结构数据来分析其退化特性[15]。这些方法忽略了传感器节点或时间戳之间的内在相关性[16]。此外，CNN模型在捕捉数据中的长距离依赖性方面存在局限性，因为它们的感受野较为局部[17],[18]。RNN（如LSTM和GRU）的记忆能力会随时间迅速减弱，导致其保留远距离信息的能力较差[19]。这些限制影响了基于深度学习的传统RUL预测模型的效果[20],[21],[10],[22]。图神经网络（GNN）是一类专门处理图结构数据的神经网络，能够利用数据中的结构信息[23]。基于GNN的RUL预测方法能够通过设计图结构表示来捕捉多传感器信号中的空间相关性，从而有效整合多传感器退化数据进行RUL预测[1],[24],[25]。最近基于深度学习的RUL预测方法还考虑了混合方法，结合了注意力机制来有效评估各种传感器数据的相对重要性[26],[27],[28]。变压器模型的使用有效克服了RNN的一些固有局限性，能够通过自注意力机制有效捕捉数据中的长距离依赖性[29],[30],[31]。此外，最近的研究还考虑了特征融合、领域适应和迁移学习在RUL预测中的应用[32],[33]。尽管取得了这些进展，但高计算复杂性、数据获取难度以及噪声敏感性等问题仍然存在，因此需要进一步研究更可靠的框架，包括集成GNN的深度学习框架，以改进RUL预测[13],[34],[35]。
本研究提出了一种利用深度学习模型进行传感器RUL预测的新方法。首先，通过Box-Cox变换对传感器数据进行预处理，然后基于相关性分析进行特征融合。特征融合的优势在于能够检测相关特征值，从而识别出一组关键特征，提高预测精度。接下来，利用DR-MN模型进行RUL预测，该模型结合了DRN和DMN的优点。DRN模型通过建立多种梯度传播路径来缓解梯度消失问题，而DMN相比传统的修正线性网络和Sigmoid网络更易于优化。
本文的贡献如下：
•采用相关性分析进行特征融合，有助于识别相关特征。特征之间的高相关性可以指出冗余部分，从而选择有信息量的特征子集用于模型训练。
•提出了一种新的DR-MN模型用于预测传感器RUL，以便在空间项目中选择最优传感器执行关键任务。
•通过MSE、MAE和RMSE等指标评估了所提模型的性能，结果表明该模型优于传统模型。
本文结构如下：第2节介绍相关研究；第3节阐述传感器RUL预测方法；第4节展示结果与分析；第5节总结全文。
