論文の概要: Liquid Latent State Dynamics for Interpretable Turbofan Degradation Modeling

• arxiv url: http://arxiv.org/abs/2607.01986v1
• Date: Thu, 02 Jul 2026 10:15:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.786686
• Title: Liquid Latent State Dynamics for Interpretable Turbofan Degradation Modeling
• Title（参考訳）: 解釈可能なターボファン劣化モデリングのための液体潜時状態ダイナミクス
• Authors: Weizhi Nie, Weijie Wang, Yuting Su,
• Abstract要約: 本研究では,航空機エンジンの健康モニタリングのための潜時力学モデルとして,液体ニューラルネットワークについて検討する。 提案モデルは履歴ウィンドウを潜時状態にエンコードし、液体遷移モデルでその状態を進化させ、将来のセンサ観測をデコードする。
• 参考スコア（独自算出の注目度）: 34.44546987186952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multivariate time-series models for prognostics are often evaluated by point prediction accuracy, yet their internal states rarely expose a coherent degradation process. We study liquid neural networks as latent dynamics models for aircraft engine health monitoring on the C-MAPSS benchmark. The proposed model encodes a history window into a latent state, evolves that state with a liquid transition model, and decodes future sensor observations. To separate health evolution from operating-condition variation, the latent state is factorized into degradation and condition components. Remaining useful life, monotonic risk, and latent-consistency losses supervise the degradation component, while condition prediction and decorrelation losses discourage operating-condition leakage. Across FD001--FD004, the full disentangled model improves overall sensor forecasting RMSE from 0.2438 for a GRU baseline to 0.2266, with the largest gains on the multi-condition subsets FD002 and FD004. The learned degradation state also forms a clearer temporal degradation axis, reaching an average state-speed Spearman correlation of 0.5960. Direct remaining-useful-life regression remains stronger for the GRU baseline, indicating that the proposed representation is currently more effective as an interpretable world model for degradation dynamics than as a calibrated lifetime regressor. These results suggest that liquid latent dynamics can bridge predictive maintenance forecasting and inspectable health-state modeling.
• Abstract（参考訳）: 多変量時系列モデルは、しばしば点予測精度によって評価されるが、内部状態がコヒーレントな劣化過程を公開することは滅多にない。 我々は,C-MAPSSベンチマークを用いた航空機エンジンの健康モニタリングのための潜時力学モデルとして,液体ニューラルネットワークについて検討した。 提案モデルは履歴ウィンドウを潜時状態にエンコードし、液体遷移モデルでその状態を進化させ、将来のセンサ観測をデコードする。 状態変化から健康進化を分離するため、潜伏状態は劣化成分と条件成分に分解される。 有用寿命、単調リスク、潜時不整合損失の維持は劣化成分を監督し、条件予測とデコリレーション損失は手術条件リークを抑制する。 FD001--FD004全体では、フルアンタングルモデルにより、GRUベースラインのRMSEを0.2438から0.2266に改善し、マルチ条件サブセットのFD002とFD004で最大の利益を得ている。 学習された劣化状態はまた、より鮮明な時間分解軸を形成し、平均的な状態-速度のスピアマン相関0.5960に達する。 GRUベースラインでは, 直接使用寿命回帰は依然として強く, キャリブレーションされた寿命回帰器よりも, 現在, 劣化ダイナミクスの解釈可能な世界モデルとして有効であることが示唆された。 これらの結果から,液体潜水力学は予測的メンテナンス予測と検査可能な健康状態モデリングを橋渡しできる可能性が示唆された。

関連論文リスト

• Physically-Constrained Mamba-SDE for Remaining Useful Life Prediction under Irregular Observations [26.807602340696047]
  不規則な観測下でのロバストなRUL予測のための統合連続時間フレームワークであるPC-MambaSDEを提案する。 具体的には、パラメトリック整合ハイブリッドドリフトを用いた物理誘導潜水SDEを設計する。 また,現実的な産業不完全性をシミュレートするハイブリッド不規則性生成手法を開発した。
  論文  参考訳（メタデータ） (2026-06-01T08:37:38Z)
• Bifurcated Remaining Useful Life Prediction: A Hybrid Approach for Realistic Uncertainty Characterization [1.679937788852769]
  この枠組みは、エンジンの運用寿命を「健康」と「劣化」の体制に二分する国家認識戦略を採用している。 この枠組みの最大の強みは、物理的に一貫した不確実帯の生成であり、寿命の終わり近くで高信頼な予測をもたらす。
  論文  参考訳（メタデータ） (2026-05-29T12:42:07Z)
• Improving Model Performance by Adapting the KGE Metric to Account for System Non-Stationarity [0.0]
  地質学的システムは時間的非定常性によって特徴づけられる傾向がある。 従来のメトリクスは、システムのダイナミクスの時間的シフトを適切に説明できない。
  論文  参考訳（メタデータ） (2026-04-05T00:17:10Z)
• When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
  時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。 トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-04T22:21:54Z)
• Variability Aware Recursive Neural Network (VARNN): A Residual-Memory Model for Capturing Temporal Deviation in Sequence Regression Modeling [22.047991116744104]
  本稿では,教師付き時系列回帰のための新しい残差認識アーキテクチャである変数認識再帰ニューラルネットワーク(VARNN)を紹介する。 VARNNは、変化とドリフトの信号として、短いコンテキストステップ上の残差から更新される学習されたエラーメモリ状態でフィードフォワード予測を増強する。 以上の結果から,VARNNモデルはドリフトおよびボラティリティ環境下での堅牢な予測を提供し,時系列学習のフレームワークとしての可能性を強調した。
  論文  参考訳（メタデータ） (2025-10-10T02:50:50Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。