I-GLIDE: Invoergroepen voor Latente Gezondheidsindicatoren in Degradatieschatting

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

November 26, 2025

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

cs.AI

Samenvatting

Nauwkeurige voorspelling van de resterende levensduur (RUL) hangt af van de kwaliteit van gezondheidsindicatoren (HI's), maar bestaande methoden slagen er vaak niet in complexe degradatiemechanismen in multi-sensorsystemen te ontrafelen of de onzekerheid in de betrouwbaarheid van HI's te kwantificeren. Dit artikel introduceert een nieuw raamwerk voor HI-constructie, met drie belangrijke bijdragen. Ten eerste passen we Reconstruction along Projected Pathways (RaPP) voor het eerst aan als gezondheidsindicator (HI) voor RUL-voorspelling, en tonen aan dat deze traditionele reconstructiefoutmetingen overtreft. Ten tweede laten we zien dat het verrijken van RaPP-afgeleide HI's met aleatorische en epistemische onzekerheidskwantificering (UQ) via Monte Carlo dropout en probabilistische latente ruimtes de robuustheid van RUL-voorspelling aanzienlijk verbetert. Ten derde, en het meest cruciaal, stellen we indicatorgroepen voor, een paradigma dat sensorsubsets isoleert om systeemspecifieke degradaties te modelleren, wat leidt tot onze nieuwe methode, I-GLIDE, die interpreteerbare, mechanismespecifieke diagnostiek mogelijk maakt. Evaluatie op gegevens afkomstig uit lucht- en ruimtevaart- en productiesystemen toont aan dat onze aanpak aanzienlijke verbeteringen bereikt in nauwkeurigheid en generaliseerbaarheid in vergelijking met state-of-the-art HI-methoden, terwijl het actiegerichte inzichten biedt in systeemfaalwegen. Dit werk overbrugt de kloof tussen anomaliedetectie en prognostiek, en biedt een principieel raamwerk voor onzekerheidsbewust degradatiemodelleren in complexe systemen.

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.