I-GLIDE: Eingabegruppen für latente Gesundheitsindikatoren in der Degradationsschätzung
I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation
November 26, 2025
papers.authors: Lucas Thil, Jesse Read, Rim Kaddah, Guillaume Doquet
cs.AI
papers.abstract
Eine genaue Vorhersage der verbleibenden Nutzungsdauer (RUL) hängt von der Qualität von Gesundheitsindikatoren (HIs) ab, doch bestehende Methoden scheitern oft daran, komplexe Degradationsmechanismen in Multi-Sensor-Systemen zu entwirren oder die Unsicherheit in der HI-Zuverlässigkeit zu quantifizieren. Dieses Papier stellt einen neuartigen Rahmen für die Konstruktion von HIs vor und leistet drei wesentliche Beiträge. Erstens adaptieren wir Reconstruction along Projected Pathways (RaPP) erstmals als Gesundheitsindikator (HI) für die RUL-Vorhersage und zeigen, dass dieser traditionelle Rekonstruktionsfehlermetriken übertrifft. Zweitens zeigen wir, dass die Erweiterung von RaPP-abgeleiteten HIs um aleatorische und epistemische Unsicherheitsquantifizierung (UQ) mittels Monte-Carlo-Dropout und probabilistischen latenten Räumen die Robustheit der RUL-Vorhersage signifikant verbessert. Drittens und entscheidend schlagen wir Indikatorengruppen vor, ein Paradigma, das Sensoruntergruppen isoliert, um systemspezifische Degradationen zu modellieren, was zu unserer neuartigen Methode I-GLIDE führt, die interpretierbare, mechanismspezifische Diagnosen ermöglicht. Evaluierungen an Daten aus Luft- und Raumfahrt sowie Fertigungssystemen zeigen, dass unser Ansatz im Vergleich zu modernsten HI-Methoden deutliche Verbesserungen in Genauigkeit und Generalisierbarkeit erzielt, während er gleichzeitig umsetzbare Einblicke in Systemausfallpfade bietet. Diese Arbeit schließt die Lücke zwischen Anomalieerkennung und Prognostik und bietet einen prinzipienbasierten Rahmen für unsicherheitsbewusste Degradationsmodellierung in komplexen Systemen.
English
Accurate remaining useful life (RUL) prediction hinges on the quality of health indicators (HIs), yet existing methods often fail to disentangle complex degradation mechanisms in multi-sensor systems or quantify uncertainty in HI reliability. This paper introduces a novel framework for HI construction, advancing three key contributions. First, we adapt Reconstruction along Projected Pathways (RaPP) as a health indicator (HI) for RUL prediction for the first time, showing that it outperforms traditional reconstruction error metrics. Second, we show that augmenting RaPP-derived HIs with aleatoric and epistemic uncertainty quantification (UQ) via Monte Carlo dropout and probabilistic latent spaces- significantly improves RUL-prediction robustness. Third, and most critically, we propose indicator groups, a paradigm that isolates sensor subsets to model system-specific degradations, giving rise to our novel method, I-GLIDE which enables interpretable, mechanism-specific diagnostics. Evaluated on data sourced from aerospace and manufacturing systems, our approach achieves marked improvements in accuracy and generalizability compared to state-of-the-art HI methods while providing actionable insights into system failure pathways. This work bridges the gap between anomaly detection and prognostics, offering a principled framework for uncertainty-aware degradation modeling in complex systems.