Liquid Latent State Dynamics for Interpretable Turbofan Degradation Modeling

📄 arXiv: 2607.01986v1 📥 PDF

作者: Weizhi Nie, Weijie Wang, Yuting Su

分类: cs.LG, cs.CV

发布日期: 2026-07-02

备注: Preprint. 37 references, 8 figures

💡 一句话要点

提出液态潜在状态动态模型以解决涡扇发动机健康监测问题

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 液态神经网络 潜在动态模型 航空发动机监测 健康状态建模 预测维护 多变量时间序列 C-MAPSS基准

📋 核心要点

  1. 现有的多变量时间序列模型在预测准确性上表现良好，但缺乏对退化过程的清晰解释，限制了其在实际应用中的有效性。
  2. 本文提出了一种液态神经网络模型，通过编码历史数据为潜在状态，并将其分解为退化和条件组件，以实现更好的健康监测。
  3. 在C-MAPSS基准测试中，所提模型的传感器预测RMSE从GRU基线的0.2438提升至0.2266，尤其在多条件子集上表现出显著改进。

📝 摘要（中文）

多变量时间序列模型在预测中的评估通常侧重于点预测准确性，但其内部状态很少揭示一致的退化过程。本文研究了液态神经网络作为潜在动态模型在C-MAPSS基准上的应用，旨在对航空发动机健康进行监测。所提模型将历史窗口编码为潜在状态，通过液态转移模型演变该状态，并解码未来传感器观测。为了将健康演变与操作条件变化分离，潜在状态被分解为退化和条件组件。实验结果表明，所提模型在多个条件子集上显著提高了传感器预测的均方根误差（RMSE），并形成了更清晰的时间退化轴。

🔬 方法详解

问题定义：本文旨在解决现有多变量时间序列模型在航空发动机健康监测中缺乏对退化过程的清晰解释的问题。现有方法往往只关注预测准确性，而忽视了内部状态的可解释性。

核心思路：提出的液态神经网络模型通过将历史窗口编码为潜在状态，并利用液态转移模型演变该状态，从而实现对退化过程的有效建模。潜在状态被分解为退化和条件组件，以便更好地分离健康演变与操作条件变化。

技术框架：整体架构包括三个主要模块：首先是历史数据的编码模块，将输入的时间序列数据转化为潜在状态；其次是液态转移模块，负责潜在状态的演变；最后是解码模块，将潜在状态转化为未来的传感器观测。

关键创新：最重要的技术创新在于潜在状态的分解设计，这一设计使得模型能够有效地将退化过程与操作条件变化分离，从而提高了模型的可解释性和预测能力。

关键设计：模型采用了多种损失函数，包括剩余使用寿命、单调风险和潜在一致性损失来监督退化组件，同时使用条件预测和去相关损失来抑制操作条件泄漏。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提的液态潜在动态模型在C-MAPSS基准测试中显著提高了传感器预测的均方根误差（RMSE），从GRU基线的0.2438提升至0.2266，尤其在多条件子集FD002和FD004上表现出最大的提升。此外，学习到的退化状态形成了更清晰的时间退化轴，Spearman相关系数达到0.5960。

🎯 应用场景

该研究的潜在应用领域包括航空发动机的健康监测和预测维护。通过提供可解释的退化动态模型，能够帮助工程师更好地理解和预测发动机的健康状态，从而提高维护效率，降低运营成本。未来，该模型的设计理念也可能扩展到其他工业设备的健康监测中。

📄 摘要（原文）

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.