I-GLIDE：用于退化估计中的潜在健康指标输入组
机器学习
2025-12-01 v1
摘要
准确的剩余有用寿命(RUL)预测取决于健康指标(HIs)的质量，但现有方法往往无法在多传感器系统中分离复杂的退化机制或量化 HI 可靠性的不确定性。本文引入一种新框架用于 HI 构建，推进了三个关键贡献。首先，我们首次将 Reconstruction along Projected Pathways(RaPP)适应作为健康指标(HI)用于RUL预测，表明其优于传统的重建误差度量。其次，我们表明通过蒙特卡罗 dropout 和概率潜在空间的aleatoric 和 epistemic 不确定性量化(UQ)来扩充 RaPP-派生 HIs,显著提高了RUL预测的鲁棒性。第三且最关键的是，我们提出指标组，隔离传感器子集以建模系统特定的退化，致使我们新颖的方法I-GLIDE实现可解释的、机制特定的诊断。我们的方法在来自航空航天和制造业的数据上实现了在准确性和通用性方面较state-of-the-art HI 方法显著的改进，同时提供关于系统故障路径的可操作性见解。本工作填补了异常检测与预测学术领域之间的鸿沟，提供了一个原则框架，用于复杂系统中不确定性感知的退化建模。
引用
@article{arxiv.2511.21208,
title = {I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation},
author = {Lucas Thil and Jesse Read and Rim Kaddah and Guillaume Doquet},
journal= {arXiv preprint arXiv:2511.21208},
year = {2025}
}
备注
Included in the conference series: Joint European Conference on Machine Learning and Knowledge Discovery in Databases