噪声感知动态图重校准用于可解释的航空发动机异常检测

在航空发动机中，异常的早期检测对于飞行安全至关重要。然而，在实际操作环境中，动态噪声干扰扭曲传感器网络的拓扑结构，从而削弱了图神经网络中特征传播的可靠性。现有模型在嘈杂条件下缺乏动态图优化能力，并且可解释性有限，因为它们未能明确建模噪声强度与图结构演变之间的关系。为克服这些局限性，本文提出了一种基于噪声引导的动态图阈值重校准框架。具体而言，该框架包含一个噪声感知的图重校准器，利用特征分散统计推断噪声水平，以动态调整连接阈值；以及一个特征保真卷积层，限制邻域聚合以防止噪声累积和减轻特征降级。对公共数据集和真实航空发动机操作数据的实验表明，该框架在检测准确性和抗噪声能力方面显著优于最先进的方法。定量和可视化分析确认其噪声感知特性，生成可解释的边选择，并建立内部动态阈值与外部物理干扰之间的严格因果联系。在真实世界数据上的验证进一步证实了该框架在早期异常检测中的实际工程应用潜力.