Détection d'anomalies dans les données des aéronefs utilisant des Réseaux de Neurones Récurrents (RNN)

La détection d'anomalies dans des données multivariées en séries chronologiques collectées à partir de l'enregistreur de données de vol (FDR) ou des données d'assurance qualité opérationnelle de vol (FOQA) fournit un moyen puissant pour identifier des événements et des tendances qui réduisent les marges de sécurité. L'algorithme standard de l'industrie "Détection de dépassement" utilise une liste de paramètres spécifiés et leurs seuils pour identifier des déviations connues. En revanche, les algorithmes d'apprentissage automatique détectent des motifs inhabituels inconnus dans les données soit par apprentissage semi-supervisé soit par apprentissage non supervisé. L'algorithme de détection d'anomalies à noyaux multiples (MKAD) basé sur SVM à une classe a identifié 6 des 11 anomalies canoniques dans un grand ensemble de données mais est limité par le besoin de réduction de dimensionnalité, une sensibilité faible aux anomalies à court terme et l'incapacité à détecter des anomalies dans les caractéristiques latentes. Cet article décrit l'application des réseaux de neurones récurrents (RNN) avec des architectures de mémoire à court et long terme (LTSM) et d'unités récurrentes à portes (GRU) qui peuvent surmonter les limitations décrites ci-dessus. Les algorithmes RNN ont détecté 9 des 11 anomalies dans l'ensemble de test avec Précision = 1, Rappel = 0.818 et score F1 = 0.89. Les architectures RNN, conçues pour des données de séries chronologiques, sont adaptées à une mise en œuvre sur le cockpit pour fournir une détection d'anomalies en temps réel. Les implications de ces résultats sont discutées.