I-GLIDE: 劣化推定における潜在的健康指標のための入力グループ

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

November 26, 2025

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

cs.AI

要旨

信頼性の高い残存耐用年数（RUL）予測は、ヘルスインジケータ（HI）の質に大きく依存する。しかし、既存手法では、マルチセンサーシステムにおける複雑な劣化メカニズムの分離や、HIの信頼性に関する不確実性の定量化が不十分な場合が多い。本論文は、HI構築のための新たなフレームワークを提案し、以下の3つの主要な貢献をもたらす。第一に、再構成誤差に基づく健康指標（HI）としてReconstruction along Projected Pathways（RaPP）を初めてRUL予測に適用し、従来の再構成誤差指標を凌駕する性能を示す。第二に、モンテカルロドロップアウトと確率的潜在空間によるアレタリックおよびエピステミック不確実性定量化（UQ）をRaPP由来のHIに組み込むことで、RUL予測のロバスト性が大幅に向上することを実証する。第三に、最も重要な貢献として、センサーサブセットを分離してシステム固有の劣化をモデル化する新パラダイムである「インジケータグループ」を提案し、解釈可能なメカニズム固有の診断を可能にする新手法I-GLIDEを開発する。航空宇宙および製造システムのデータを用いた評価により、本手法は最新のHI手法と比較して精度と一般性において顕著な改善を達成するとともに、システムの故障経路に関する実践的な知見を提供する。本研究は、異常検知と予兆診断の間の隔たりを埋め、複雑系システムにおける不確実性を考慮した劣化モデリングの確立されたフレームワークを提示する。

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.