I-GLIDE: Gruppi di Input per Indicatori Latenti di Salute nella Stima del Degradamento

I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation

November 26, 2025

Autori: Lucas Thil, Jesse Read, Rim Kaddah, Guillaume Doquet

cs.AI

Abstract

La previsione accurata della vita utile residua (RUL) dipende dalla qualità degli indicatori di salute (HI), tuttavia i metodi esistenti spesso non riescono a districare i complessi meccanismi di degrado nei sistemi multi-sensore o a quantificare l'incertezza nell'affidabilità degli HI. Questo articolo introduce un nuovo framework per la costruzione di HI, avanzando tre contributi chiave. In primo luogo, adattiamo la Ricostruzione lungo Percorsi Proiettati (RaPP) come indicatore di salute (HI) per la previsione della RUL per la prima volta, dimostrando che supera le metriche tradizionali dell'errore di ricostruzione. In secondo luogo, mostriamo che l'arricchimento degli HI derivati da RaPP con la quantificazione dell'incertezza aleatoria ed epistemica (UQ) tramite dropout Monte Carlo e spazi latenti probabilistici migliora significativamente la robustezza della previsione della RUL. In terzo luogo, e più criticamente, proponiamo i *gruppi di indicatori*, un paradigma che isola sottoinsiemi di sensori per modellare degradazioni specifiche del sistema, dando vita al nostro nuovo metodo, I-GLIDE, che abilita diagnosi interpretabili e specifiche per meccanismo. Valutato su dati provenienti da sistemi aerospaziali e manifatturieri, il nostro approccia consegue miglioramenti marcati in accuratezza e generalizzabilità rispetto ai metodi HI allo stato dell'arte, fornendo al contempo insight azionabili sui percorsi di guasto del sistema. Questo lavoro colma il divario tra il rilevamento di anomalie e la prognostica, offrendo un framework principiato per la modellazione del degrado consapevole dell'incertezza in sistemi complessi.

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.