I-GLIDE: Grupos de Entrada para Indicadores de Salud Latentes en la Estimación de Degradación
I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation
November 26, 2025
Autores: Lucas Thil, Jesse Read, Rim Kaddah, Guillaume Doquet
cs.AI
Resumen
La predicción precisa del tiempo de vida útil restante (RUL) depende de la calidad de los indicadores de salud (HI), sin embargo, los métodos existentes a menudo no logran desentrañar los mecanismos de degradación complejos en sistemas multisensor ni cuantificar la incertidumbre en la fiabilidad de los HI. Este artículo presenta un marco novedoso para la construcción de HI, avanzando en tres contribuciones clave. Primero, adaptamos la Reconstrucción a lo Largo de Trayectorias Proyectadas (RaPP) como un indicador de salud (HI) para la predicción de RUL por primera vez, demostrando que supera a las métricas tradicionales de error de reconstrucción. Segundo, mostramos que aumentar los HI derivados de RaPP con la cuantificación de incertidumbre aleatoria y epistémica (UQ) mediante "dropout" de Monte Carlo y espacios latentes probabilísticos mejora significativamente la robustez de la predicción de RUL. Tercero, y más críticamente, proponemos los grupos de indicadores, un paradigma que aísla subconjuntos de sensores para modelar degradaciones específicas del sistema, dando lugar a nuestro nuevo método, I-GLIDE, que permite diagnósticos interpretables y específicos del mecanismo. Evaluado en datos procedentes de sistemas aeroespaciales y de fabricación, nuestro enfoque logra mejoras notables en precisión y generalización en comparación con los métodos HI más avanzados, al tiempo que proporciona información procesable sobre las vías de fallo del sistema. Este trabajo cierra la brecha entre la detección de anomalías y la prognóstica, ofreciendo un marco fundamentado para el modelado de la degradación consciente de la incertidumbre en sistemas complejos.
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.