I-GLIDE: Группы входных данных для латентных индикаторов состояния в оценке деградации

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

November 26, 2025

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

cs.AI

Аннотация

Точное прогнозирование остаточного ресурса (RUL) критически зависит от качества индикаторов состояния (HI), однако существующие методы часто не способны разделить сложные механизмы деградации в мультисенсорных системах или количественно оценить неопределенность надежности HI. В данной статье представлена новая концепция построения индикаторов состояния с тремя ключевыми вкладами. Во-первых, мы впервые адаптируем метод Reconstruction along Projected Pathways (RaPP) в качестве индикатора состояния для прогнозирования RUL, демонстрируя его превосходство над традиционными метриками ошибки реконструкции. Во-вторых, мы показываем, что дополнение HI, полученных на основе RaPP, количественной оценкой алеаторной и эпистемической неопределенности (UQ) с помощью метода Монте-Карло с dropout и вероятностных латентных пространств, значительно повышает устойчивость прогнозирования RUL. В-третьих, и это наиболее важно, мы предлагаем парадигму групп индикаторов, которая изолирует подмножества датчиков для моделирования специфических для системы видов деградации, что приводит к созданию нашего нового метода I-GLIDE, обеспечивающего интерпретируемую диагностику для конкретных механизмов. Проведенная оценка на данных аэрокосмических и производственных систем показывает значительное улучшение точности и обобщающей способности по сравнению с современными методами HI, одновременно предоставляя практическую информацию о путях отказов системы. Данная работа преодолевает разрыв между обнаружением аномалий и прогнозированием, предлагая принципиальную концепцию для моделирования деградации с учетом неопределенности в сложных системах.

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.