Advanced Engineering Informatics • Volume 74 • 2026 • Article 104685
Transferable Snippet Augmentation Network (TSAN)
Prediction de dégradation spécifique au moteur via un réglage fin groupe par tendance, en reutilisant des fragments transférables provenant de stades de dégradation similaires lorsque les données sont limitees.
Auteurs
Haoze Wu; Shisheng Zhong; Minghang Zhao; Yongjian Zhang; Xuyun Fu; Song Fu
Affiliations
- 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
Idee centrale
TSAN deplace la personnalisation d’un modèle par moteur vers un réglage fin partage par groupes de tendances de dégradation. Des fragments issus de moteurs se trouvant à des stades de vie similaires sont reutilises pour ameliorer la précision et la stabilité tout en reduisant la charge de maintenance des modèles.
TSAN en bref
Un cadre en deux etapes : un modèle de base est appris sur tous les moteurs, puis des groupes de tendances de dégradation sont formes pour specialiser les predicteurs.
Fig. 2 : TSAN remplace le réglage fin moteur par moteur par un réglage fin groupe par tendance.
Probleme
Le réglage fin par moteur est couteux et fragile lorsque l’historique d’un nouveau moteur est limite.
Idee clé
Partager de courts fragments de dégradation entre moteurs quand leurs tendances sont similaires.
Representation
TSAN apprend des embeddings de tendance latente puis groupe les echantillons avec un melange gaussien.
Gain
Moins de modèles spécialisés, avec une meilleure précision et une meilleure robustesse.
Vue d’ensemble
Resume
TSAN deplace l’adaptation du niveau moteur vers le niveau tendance de dégradation. Un modèle de base est d’abord entraine sur l’ensemble des moteurs, puis les fragments de dégradation sont projetes et regroupes afin de construire des predicteurs spécialisés. Les experiences montrent des gains de 36.0 %, 35.7 % et 34.1 % sur le MAE, le MRE et le RMSE, avec moins de modèles a maintenir et une meilleure stabilité.
Informations sur l’article
- Titre
- Engine-specific dégradation prédiction of aviation engines via transferable snippet augmentation: A trend-grouped fine-tuning perspective
- Journal
- Advanced Engineering Informatics
- Volume
- 74 (2026)
- Article
- 104685
- En ligne
- 15 avril 2026
Mots-clés et concepts
Methode
TSAN combine apprentissage de représentation, groupement des tendances et réglage fin par groupe. Le modèle de base apprend des etats caches sensibles à la dégradation, puis construit des predicteurs spécialisés à partir de fragments partageant une meme tendance latente.
1. Entrainer un modèle de base partage
Tous les moteurs alimentent un predicteur commun afin de capter les dynamiques generales d’exploitation et de dégradation.
2. Apprendre les representations de tendance
Un module de représentation encode les fragments de dégradation et les aligne avec l’état cache predictif.
3. Former des groupes de tendance
Un melange gaussien regroupe les fragments ayant des trajectoires de dégradation similaires et facilite l’affectation de nouveaux echantillons.
4. Regler finement par tendance
En inference, le groupe le plus proche est identifie puis son modèle spécialisé est utilise.
Fig. 5 : des fragments localement similaires existent entre moteurs et entre stades de vie différents, ce qui rend le transfert pertinent.
Changement de perspective
Du moteur individuel vers la tendance de dégradation.
Reutilisation des données
Les fragments utiles d’autres moteurs servent de support transferable.
Deploiement
Un modèle spécialisé peut servir un groupe de tendance entier plutot qu’un seul moteur.
Resultats
TSAN surpasse le réglage fin au niveau moteur ainsi que d’autres modèles de séquence, en particulier lorsque les moteurs disposent de peu de données historiques.
Nombre de modèles
-53 %
Le nombre moyen de modèles affines chute fortement lorsque l’on passe de l’echelle moteur a l’echelle groupe de tendance.
Gains principaux
36.0 % / 35.7 % / 34.1 %
Ameliorations relatives sur le MAE, le MRE et le RMSE par rapport au meilleur baseline de réglage fin.
Stabilite
+18.0 % / +11.1 % / +15.2 %
Les ecarts-types sur les moteurs diminuent, ce qui traduit une prédiction plus stable.
Fig. 8 : groupes representatives de début, milieu et fin de vie identifies par TSAN.
Fig. 9 : TSAN presente le meilleur profil global d’erreur parmi sept méthodes comparees.
Galerie de figures
Quelques visuels representatives illustrant l’idee de regroupement par tendance, les fragments transférables et la comparaison expérimentale.
Réglage fin groupe par tendance
TSAN organise les fragments transférables par groupes de tendances avant de selectionner le predicteur spécialisé.
Fragments transférables
Des similarites locales apparaissent entre moteurs et entre stades de vie, ce qui soutient le transfert.
Visualisation des groupes
Des niveaux EGTM distincts correspondent à des stades de dégradation interpretable.
Resultats de benchmark
TSAN obtient les meilleurs scores MAE, MRE et RMSE parmi les méthodes evaluees.
Citation
Si ce travail vous est utile, merci de citer l’article.
@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
Contact
- Shisheng Zhong: zhongss#hit.edu.cn
- Yongjian Zhang: zhangyj#hitwh.edu.cn