Trustworthy data-driven prognostics in gas turbine engines are crucial for safety, cost-efficiency, and sustainability. Accurate predictions depend on data quality, model accuracy, uncertainty estimation, and practical implementation. This work discusses data quality attributes to build trust using anonymized real-world engine data, focusing on traceability, completeness, and representativeness. A significant challenge is handling missing data, which introduces bias and affects training and predictions. The study compares the accuracy of predictions using Exhaust Gas Temperature (EGT) margin, a key health indicator, by keeping missing values, using KNN-imputation, and employing a Generalized Additive Model (GAM). Preliminary results indicate that while KNN-imputation can be useful for identifying general trends, it may not be as effective for specific predictions compared to GAM, which considers the context of missing data. The choice of method depends on the study’s objective: broad trend forecasting or specific event prediction, each requiring different approaches to manage missing data.
DOCUMENT
Objective To systematically summarize the literature on the course of pain in patients with knee osteoarthritis (OA), prognostic factors that predict deterioration of pain, the course of physical functioning, and prognostic factors that predict deterioration of physical functioning in persons with knee OA. Methods A search was conducted in PubMed, CINAHL, Embase, Psych‐INFO, and SPORTDiscus up to January 2014. A meta‐analysis and a qualitative data synthesis were performed. Results Of the 58 studies included, 39 were of high quality. High heterogeneity across studies (I2 >90%) and within study populations (reflected by large SDs of change scores) was found. Therefore, the course of pain and physical functioning was interpreted to be indistinct. We found strong evidence for a number of prognostic factors predicting deterioration in pain (e.g., higher knee pain at baseline, bilateral knee symptoms, and depressive symptoms). We also found strong evidence for a number of prognostic factors predicting deterioration in physical functioning (e.g., worsening in radiographic OA, worsening of knee pain, lower knee extension muscle strength, lower walking speed, and higher comorbidity count). Conclusion Because of high heterogeneity across studies and within study populations, no conclusions can be drawn with regard to the course of pain and physical functioning. These findings support current research efforts to define subgroups or phenotypes within knee OA populations. Strong evidence was found for knee characteristics, clinical factors, and psychosocial factors as prognostics of deterioration of pain and physical functioning.
DOCUMENT
Estimating the remaining useful life (RUL) of an asset lies at the heart of prognostics and health management (PHM) of many operations-critical industries such as aviation. Mod- ern methods of RUL estimation adopt techniques from deep learning (DL). However, most of these contemporary tech- niques deliver only single-point estimates for the RUL without reporting on the confidence of the prediction. This practice usually provides overly confident predictions that can have severe consequences in operational disruptions or even safety. To address this issue, we propose a technique for uncertainty quantification (UQ) based on Bayesian deep learning (BDL). The hyperparameters of the framework are tuned using a novel bi-objective Bayesian optimization method with objectives the predictive performance and predictive uncertainty. The method also integrates the data pre-processing steps into the hyperparameter optimization (HPO) stage, models the RUL as a Weibull distribution, and returns the survival curves of the monitored assets to allow informed decision-making. We vali- date this method on the widely used C-MAPSS dataset against a single-objective HPO baseline that aggregates the two ob- jectives through the harmonic mean (HM). We demonstrate the existence of trade-offs between the predictive performance and the predictive uncertainty and observe that the bi-objective HPO returns a larger number of hyperparameter configurations compared to the single-objective baseline. Furthermore, we see that with the proposed approach, it is possible to configure models for RUL estimation that exhibit better or comparable performance to the single-objective baseline when validated on the test sets.
DOCUMENT
Materieelonderhoud vormt de ruggengraat van de operationele inzetbaarheid van Defensie. Het Commando Materieel en IT en de Directie Maritieme Instandhouding spelen hierbij een centrale rol, ondersteund door onderzoek van de Nederlandse Defensie Academie. Het verzamelen van betrouwbare faaldata is essentieel voor voorspellend onderhoud en prognostics, maar vaak schaars. Daarom is het Dutch Prognostics Lab (DPL) opgericht, een samenwerking tussen onder andere NLDA, Universiteit Twente, De Haagse Hogeschool en Hogeschool van Amsterdam, gericht op het genereren en standaardiseren van onderhoudsdata. In dit KIEM project ‘Defensie Datastraat voor Slim Onderhoud’ (DefDSO) zetten de NLDA, DMI HHS en de HvA het gedachtegoed van DPL voort in voorbereiding op een overkoepelend project. DefDSO beantwoordt de vraag: hoe kan Defensie voorspellend onderhoud verbeteren door gestandaardiseerde data en fysieke testsystemen? Het doel is het ontwikkelen van een uniforme infrastructuur voor Prognostics and Health Management, die onderhoud efficiënter maakt en uitvaltijd minimaliseert. In DefDSO ligt de focus op het automatiseren van het genereren, uitlezen, opslaan, en delen van onderhoudsdata en het invoeren van een uniforme metadata-standaard. Het project levert belangrijke resultaten op: een standaard voor datasets die interoperabiliteit binnen Defensie bevordert, de integratie van PHM in defensieonderdelen, een onderzoeksagenda voor PHM-technologieën en een kennisinfrastructuur die samenwerking tussen Defensie en kennisinstellingen versterkt. Om deze doelen te bereiken, omvat het project vier werkpakketten. Het eerste richt zich op het standaardiseren van sensordata en het ontwikkelen van protocollen. Het tweede werkpakket harmoniseert bestaande datasets naar deze nieuwe standaard. Het derde werkpakket stelt een onderzoeksagenda op voor verdere implementatie van PHM binnen Defensie. Met dit project zet Defensie een belangrijke stap richting toekomstbestendig onderhoud door innovatie en samenwerking centraal te stellen. Het legt niet alleen de basis voor efficiënter onderhoud, maar versterkt ook de structurele samenwerking tussen Defensie en kennisinstellingen, wat bijdraagt aan de operationele capaciteit en technologische vooruitgang.
