La detección de anomalías en la trayectoria de gas de motores aeroespaciales sirve como una salvaguarda crítica para la operación normal de las aeronaves. Los datos de la trayectoria de gas del motor aeroespacial comprenden un volumen sustancial de datos normales y un número limitado de datos anómalos, y presentan características de alta dimensionalidad y fuerte acoplamiento. Los métodos existentes tienen dificultades para extraer eficazmente información de características a nivel profundo a partir de los datos originales, lo que conduce a una diferenciación insuficiente entre datos normales y anormales, reduciendo gravemente la precisión de la detección de anomalías. Para abordar este problema, se propone un método de detección no supervisada de anomalías basado en el autoencoder adversarial con memoria (Memory-AAE). Primero, se construye el modelo Memory-AAE integrando la red de memoria y el mecanismo de entrenamiento adversarial, que mejora efectivamente la capacidad para extraer información de características a nivel profundo. Luego, se diseña una estrategia de selección de muestras normales que agrupa los errores de reconstrucción de los datos originales mediante el algoritmo K-means para obtener un conjunto de datos refinado de muestras normales. Finalmente, se adopta un mecanismo de puntuación de anomalías basado en la distancia euclidiana y el error absoluto medio para cuantificar el grado de anomalía desde dimensiones globales y locales, lo que mejora eficazmente la capacidad de detección de anomalías complejas. En este trabajo, los experimentos de detección de anomalías en la trayectoria de gas indican que la precisión, sensibilidad y puntaje F1 del método propuesto alcanzan 0.923, 0.915 y 0.919, respectivamente, y muestran una excelente robustez frente al ruido, superando significativamente a otros métodos.
Liu et al. (miércoles) estudiaron esta cuestión.