Liquid Latent State Dynamics for Interpretable Turbofan Degradation Modeling

📄 arXiv: 2607.01986 📥 PDF

作者: Weizhi Nie, Weijie Wang, Yuting Su

分类: cs.LG, cs.CV

发布日期: 2026-07-05

💡 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退化建模问题

🎯 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 退化建模 预测性维护 多变量时间序列 健康状态可解释性

📋 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，但难以揭示清晰的退化过程，影响了健康监测的可解释性。
  2. 本文提出液态神经网络作为潜在动态模型，通过编码历史数据、演化潜在状态和解码未来观测来实现退化建模。
  3. 实验结果显示，所提模型在多个数据集上显著提升了传感器预测的准确性，尤其在多条件情况下表现更佳。

📝 摘要（中文）

多变量时间序列模型在预测中的评估通常依赖于点预测准确性，但其内部状态往往无法清晰揭示退化过程。本文研究了液态神经网络作为潜在动态模型，用于航空发动机健康监测，基于C-MAPSS基准数据集。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化该状态，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，完整的解耦模型在FD001至FD004数据集上，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FD002和FD004上表现出显著提升。

🔬 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无法清晰揭示退化过程的问题。现有方法往往只关注点预测准确性，忽视了内部状态的可解释性。

核心思路：论文提出使用液态神经网络作为潜在动态模型，通过将历史数据编码为潜在状态，并利用液态转移模型演化该状态，从而实现对未来传感器观测的解码。该设计旨在将健康演变与操作条件变化分离，提高模型的可解释性。

技术框架：整体架构包括三个主要模块：历史数据编码、潜在状态演化和未来观测解码。潜在状态被分解为退化和条件两个组件，以便分别处理健康演变和操作条件的变化。

关键创新：最重要的技术创新在于将潜在状态解耦为退化和条件组件，这一方法与现有的单一状态模型本质上不同，提供了更清晰的退化过程表示。

关键设计：模型采用了剩余使用寿命、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的泄漏。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提的解耦模型在FD001至FD004数据集上，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FD002和FD004的多条件子集上获得了显著的提升。此外，学习到的退化状态形成了更清晰的时间退化轴，平均状态速度的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性维护。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，从而优化维护策略，降低运营成本，提升安全性。未来，该方法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.