Advanced Engineering Informatics • Volume 74 • 2026 • Article 104685
Transferable Snippet Augmentation Network (TSAN)
Predicción de degradación específica por motor mediante ajuste fino agrupado por tendencia, reutilizando fragmentos transferibles de etapas de degradación similares cuando los datos son limitados.
Autores
Haoze Wu; Shisheng Zhong; Minghang Zhao; Yongjian Zhang; Xuyun Fu; Song Fu
Afiliaciones
- a. School of Mechatronics Engineering, Harbin Institute of Technology, Harbin 150001, China
- b. Department of Mechanical Engineering, Harbin Institute of Technology, Weihai 264209, China
- c. Weihai Key Laboratory of Intelligent Operation and Maintenance, Harbin Institute of Technology, Weihai 264209, China
Idea central
TSAN traslada la personalización desde un modelo por motor hacia un ajuste fino compartido por grupos de tendencia de degradación. Asi reutiliza fragmentos de motores en etapas de vida similares, reduce la carga de mantenimiento y mejora la precision y la estabilidad de la predicción.
TSAN de un vistazo
Un marco de dos etapas: primero se entrena un predictor base con todos los motores y despues se agrupan las representaciones de tendencia para especializar los predictores.
Fig. 2: TSAN reemplaza el ajuste fino motor por motor por un ajuste fino agrupado por tendencia.
Problema
El ajuste fino por motor es costoso y fragil cuando un motor nuevo tiene pocos datos historicos.
Idea clave
Compartir fragmentos cortos de degradación entre motores cuando muestran tendencias similares.
Representacion
TSAN aprende embeddings latentes de tendencia y agrupa muestras con un modelo de mezcla gaussiana.
Beneficio
Se necesitan menos modelos especializados y al mismo tiempo mejora la precision y la robustez.
Resumen general
Resumen
TSAN mueve la adaptación del nivel de motor al nivel de tendencia de degradación. Primero se entrena un modelo base con todos los motores; luego los fragmentos de degradación se representan y agrupan para construir predictores especializados. Los experimentos muestran mejoras del 36.0 %, 35.7 % y 34.1 % en MAE, MRE y RMSE, respectivamente, junto con menos modelos que mantener y mejor estabilidad.
Información del artículo
- Titulo
- Engine-specific degradation prediction of aviation engines via transferable snippet augmentation: A trend-grouped fine-tuning perspective
- Revista
- Advanced Engineering Informatics
- Volumen
- 74 (2026)
- Articulo
- 104685
- En linea
- 15 de abril de 2026
Palabras clave y conceptos
Metodo
TSAN combina aprendizaje de representación, agrupacion de tendencias y ajuste fino por grupo. El modelo base aprende estados ocultos sensibles a la degradación y despues construye predictores especializados con fragmentos que comparten una tendencia latente.
1. Entrenar un modelo base compartido
Todos los motores alimentan un predictor comun para aprender dinámicas generales de operación y degradación.
2. Aprender representaciones de tendencia
Un modulo de representación codifica los fragmentos de degradación y los alinea con el estado oculto predictivo.
3. Agrupar por tendencia
Una mezcla gaussiana reune fragmentos con tendencias similares y facilita la asignacion de nuevas muestras.
4. Ajustar por tendencia y no por motor
En inferencia se identifica el grupo mas cercano y se usa su modelo especializado para predecir.
Fig. 5: existen fragmentos localmente similares entre motores y entre etapas de vida distintas, lo que respalda la transferencia.
Cambio de perspectiva
De adaptación a nivel de motor a adaptación a nivel de tendencia de degradación.
Reutilizacion de datos
Los segmentos útiles de otros motores sirven como apoyo transferible para el motor objetivo.
Despliegue
Un modelo especializado puede servir a todo un grupo de tendencia en lugar de a un único motor.
Resultados
TSAN supera al ajuste fino a nivel de motor y a otros modelos secuenciales, especialmente cuando los motores disponen de pocos datos historicos.
Numero de modelos
-53 %
El número medio de modelos ajustados disminuye claramente al pasar de la perspectiva por motor a la perspectiva por grupo de tendencia.
Ganancias principales
36.0 % / 35.7 % / 34.1 %
Mejoras relativas en MAE, MRE y RMSE frente al mejor baseline de ajuste fino.
Estabilidad
+18.0 % / +11.1 % / +15.2 %
Menores desviaciones estandar entre motores indican predicciones mas estables.
Fig. 8: grupos representativos de vida temprana, media y tardia identificados por TSAN.
Fig. 9: TSAN logra el mejor perfil global de error entre siete métodos comparados.
Galeria de figuras
Algunos gráficos representativos del artículo para mostrar la idea de agrupacion por tendencia, los fragmentos transferibles y los resultados comparativos.
Ajuste fino agrupado por tendencia
TSAN organiza los fragmentos transferibles en grupos de tendencia antes de seleccionar el predictor especializado.
Fragmentos transferibles
La similitud local entre motores y entre etapas de vida favorece la transferencia.
Visualizacion de grupos
Diferentes rangos de EGTM corresponden a etapas interpretables de degradación.
Resultados comparativos
TSAN obtiene los mejores valores de MAE, MRE y RMSE entre los métodos evaluados.
Cita
Si este trabajo te resulta útil, por favor cita el artículo.
@article{wu2026tsan,
title = {Engine-specific degradation prediction of aviation engines via transferable snippet augmentation: A trend-grouped fine-tuning perspective},
author = {Wu, Haoze and Zhong, Shisheng and Zhao, Minghang and Zhang, Yongjian and Fu, Xuyun and Fu, Song},
journal = {Advanced Engineering Informatics},
volume = {74},
pages = {104685},
year = {2026},
doi = {10.1016/j.aei.2026.104685},
url = {https://doi.org/10.1016/j.aei.2026.104685}
}DOI
https://doi.org/10.1016/j.aei.2026.104685
Author share link
https://authors.elsevier.com/c/1mxnI5FA1kHGCw
Contacto
- Shisheng Zhong: zhongss#hit.edu.cn
- Yongjian Zhang: zhangyj#hitwh.edu.cn