Detección de anomalías en datos de aeronaves utilizando Redes Neuronales Recurrentes (RNN)

La detección de anomalías en datos multivariantes de series temporales recopilados del Registrador de Datos de Vuelo (FDR) o datos de Aseguramiento de Calidad Operacional de Vuelo (FOQA) proporciona un medio poderoso para identificar eventos y tendencias que reducen los márgenes de seguridad. El algoritmo estándar de la industria “Detección de Excedencias” utiliza una lista de parámetros especificados y sus umbrales para identificar desviaciones conocidas. En contraste, los algoritmos de Aprendizaje Automático detectan patrones inusuales no conocidos en los datos a través de aprendizaje semi-supervisado o no supervisado. El algoritmo de Detección de Anomalías con Múltiples Núcleos (MKAD) basado en SVM de una clase identificó 6 de 11 anomalías canónicas en un gran conjunto de datos, pero está limitado por la necesidad de reducción de dimensionalidad, baja sensibilidad a anomalías a corto plazo e incapacidad para detectar anomalías en características latentes. Este documento describe la aplicación de Redes Neuronales Recurrentes (RNN) con arquitecturas de Memoria a Largo Plazo y Corto Plazo (LTSM) y Unidades Recurrentes Con Puerta (GRU) que pueden superar las limitaciones mencionadas anteriormente. Los algoritmos RNN detectaron 9 de las 11 anomalías en el conjunto de datos de prueba con Precisión = 1, Recuperación = 0.818 y puntuación F1 = 0.89. Las arquitecturas RNN, diseñadas para datos de series temporales, son adecuadas para su implementación en la cabina de vuelo para proporcionar detección de anomalías en tiempo real. Se discuten las implicaciones de estos resultados.