A Dual-Track Cloud–Edge Digital Twin for Gas Turbine Predictive Maintenance

Abstract

Problem: The unexpected failure of heavy industrial gas turbines results in catastrophic financial and safety hazards. Accurate Remaining Useful Life (RUL) prediction is critical for predictive maintenance in strict, zero-trust industrial environments. State of the Art: Current deep learning models achieve high accuracy on benchmark datasets but produce risky point-predictions, suffer from quadratic memory bottlenecks on edge hardware, and often violate fundamental thermodynamic laws. Solution: We propose a Dual-Track Cloud–Edge Digital Twin framework. The architecture leverages a Spatio-Temporal Koopman-Distributed Transformer (ST-KDFormer) in the Cloud, and a quantized Temporal Convolutional Network alongside a Selective State-Space Model (MambaTS) at the Edge. Contributions: Key contributions include augmenting the ST-KDFormer with a Conformal Prediction Head to yield guaranteed 95% confidence intervals, utilizing Meta- Learning (MAML) for fleet generalization, and enforcing physics constraints using BSpline Kolmogorov-Arnold Networks (KAN). We also document the ”Mamba Hardware Paradox,” proving its CUDA dependency relegates it to Edge Gateways over CPU-based PLCs. Results: Empirical results demonstrate state-of-the-art diagnostic accuracy on the NCMAPSS dataset while reducing the model footprint by 400% for deep edge deployment. The system is containerized within an air-gapped React application featuring a Generative AI RAG Copilot for explainable maintenance.***

Problématique: La défaillance inattendue des turbines à gaz industrielles entraîne des risques financiers et sécuritaires majeurs. La prédiction de la durée de vie restante (RUL) est essentielle pour la maintenance prédictive dans des environnements isolés. État de l’art: Les modèles d’apprentissage profond actuels produisent des prédictions ponctuelles risquées, souffrent de goulots d’étranglement de mémoire sur le matériel Edge, et violent souvent les lois de la thermodynamique. Solution: Nous proposons un Jumeau Numérique ”Dual-Track” Cloud–Edge. L’architecture exploite un Transformer Spatio-Temporel (ST-KDFormer) dans le Cloud, et un réseau MambaTS avec un TCN quantifié au niveau de l’Edge. Contributions: Les contributions incluent l’ajout d’un module de Prédiction Conforme pour garantir des intervalles de confiance de 95%, l’utilisation du Meta-Learning (MAML) pour la généralisation, et l’intégration de réseaux KAN pour contraindre la physique. Nous documentons également le ”Paradoxe Matériel Mamba” limitant son déploiement aux passerelles Edge. Résultats: Les résultats montrent une précision de diagnostic de pointe sur N-CMAPSS, réduisant l’empreinte de 400% pour le Edge. Le système est encapsulé dans une application React hors-ligne avec un Copilote RAG d’IA Générative.