I-GLIDE: Grupos de Entrada para Indicadores Latentes de Saúde na Estimação de Degradação
I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation
November 26, 2025
Autores: Lucas Thil, Jesse Read, Rim Kaddah, Guillaume Doquet
cs.AI
Resumo
A previsão precisa da vida útil restante (RUL) depende criticamente da qualidade dos indicadores de saúde (HI), mas os métodos existentes frequentemente falham em separar os mecanismos complexos de degradação em sistemas multi-sensor ou quantificar a incerteza na confiabilidade dos HI. Este artigo introduz uma nova estrutura para a construção de HI, apresentando três contribuições principais. Primeiro, adaptamos o *Reconstruction along Projected Pathways* (RaPP) como um indicador de saúde (HI) para previsão de RUL pela primeira vez, demonstrando que ele supera as métricas tradicionais de erro de reconstrução. Segundo, mostramos que o aumento dos HI derivados do RaPP com a quantificação de incerteza aleatória e epistêmica (UQ) por meio de *Monte Carlo dropout* e espaços latentes probabilísticos melhora significativamente a robustez da previsão de RUL. Terceiro, e mais crucialmente, propomos *indicator groups*, um paradigma que isola subconjuntos de sensores para modelar degradações específicas do sistema, dando origem ao nosso novo método, I-GLIDE, que permite diagnósticos interpretáveis e específicos do mecanismo. Avaliada em dados provenientes de sistemas aeroespaciais e de manufatura, nossa abordagem alcança melhorias marcantes em precisão e generalização em comparação com os métodos HI mais avançados, ao mesmo tempo que fornece insights acionáveis sobre os caminhos de falha do sistema. Este trabalho preenche a lacuna entre a detecção de anomalias e a prognóstica, oferecendo uma estrutura fundamentada para a modelagem da degradação com consciência da incerteza em sistemas complexos.
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.