I-GLIDE: 열화 추정에서 잠재 건강 지표를 위한 입력 그룹

초록

정확한 잔여수명(Remaining Useful Life, RUL) 예측은 건강 지표(Health Indicator, HI)의 품질에 달려 있으나, 기존 방법론들은 다중 센서 시스템 내 복잡한 성능 저하 메커니즘을 분리하거나 HI 신뢰도에 대한 불확실성을 정량화하는 데 종종 실패한다. 본 논문은 HI 구축을 위한 새로운 프레임워크를 제시하며, 세 가지 핵심 기여점을 제안한다. 첫째, 예측된 경로를 따른 재구성(Reconstruction along Projectied Pathways, RaPP) 기법을 RUL 예측을 위한 건강 지표로 최초로 적용하며, 이가 기존 재구성 오류 지표보다 성능이 우수함을 입증한다. 둘째, 몬테카를로 드롭아웃 및 확률적 잠재 공간을 통한 알레아토릭 및 에피스테믹 불확실성 정량화를 RaPP 기반 HI에 적용하면 RUL 예측의 강건성이 크게 향상됨을 보인다. 셋째, 가장 핵심적으로, 시스템 특정 성능 저하를 모델링하기 위해 센서 하위 집합을 분리하는 패러다임인 지표 그룹(Indicator Groups)을 제안한다. 이를 통해 우리의 새로운 방법론인 I-GLIDE가 탄생하여 해석 가능하고 메커니즘 특정 진단이 가능해진다. 항공우주 및 제조 시스템 데이터를 활용한 평가 결과, 본 접근법은 최첨단 HI 방법론 대비 정확도와 일반화 성능에서 현저한 개선을 달성함과 동시에 시스템 고장 경로에 대한 실질적인 통찰력을 제공한다. 본 연구는 이상 감지와 예지 정비 간의 간극을 메우며, 복잡 시스템에서 불확실성을 고려한 성능 저하 모델링을 위한 체계적인 프레임워크를 제시한다.

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.

I-GLIDE: 열화 추정에서 잠재 건강 지표를 위한 입력 그룹

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

초록

Support