I-GLIDE : Groupes d'entrées pour les indicateurs de santé latents dans l'estimation de la dégradation

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

La prédiction précise de la durée de vie résiduelle (RUL) dépend de la qualité des indicateurs de santé (HI), mais les méthodes existantes échouent souvent à démêler les mécanismes de dégradation complexes dans les systèmes multi-capteurs ou à quantifier l'incertitude quant à la fiabilité des HI. Cet article présente un nouveau cadre pour la construction d'indicateurs de santé, en proposant trois contributions principales. Premièrement, nous adaptons la Reconstruction le long des Voies de Projection (RaPP) comme indicateur de santé (HI) pour la prédiction de la RUL pour la première fois, en démontrant qu'elle surpasse les métriques d'erreur de reconstruction traditionnelles. Deuxièmement, nous montrons que l'enrichissement des HI dérivés de RaPP par une quantification de l'incertitude (UQ) aléatoire et épistémique, via du "dropout" de Monte Carlo et des espaces latents probabilistes, améliore significativement la robustesse de la prédiction de la RUL. Troisièmement, et c'est le plus important, nous proposons les "groupes d'indicateurs", un paradigme qui isole des sous-ensembles de capteurs pour modéliser des dégradations spécifiques au système, donnant naissance à notre nouvelle méthode, I-GLIDE, qui permet des diagnostics interprétables et spécifiques aux mécanismes. Évaluée sur des données provenant de systèmes aérospatiaux et manufacturiers, notre approche obtient des améliorations marquées en termes de précision et de généralisabilité par rapport aux méthodes HI de pointe, tout en fournissant des informations exploitables sur les chemins de défaillance du système. Ces travaux comblent le fossé entre la détection d'anomalies et la pronostique, en offrant un cadre rigoureux pour la modélisation de la dégradation prenant en compte l'incertitude dans les systèmes complexes.

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.