.png){kind=icon}
.png){kind=icon}
返回
Unsupervised anomaly detection method for aero engine gas path based on Memory-AAE
.png){kind=icon}
PRE
AI
DOI：10.1784/insi.2026.68.4.251.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
航空发动机气路异常检测是保障飞机正常运行的关键措施。航空发动机气路数据包含大量正常数据和少量异常数据，并具有高维性和强耦合特性。现有方法难以从原始数据中有效提取深层特征信息，导致正常与异常数据区分不足，从而严重降低异常检测精度。为解决此问题，提出了一种基于记忆对抗自动编码器（Memory-AAE）的无监督异常检测方法。首先，通过整合记忆网络和对抗训练机制构建Memory-AAE模型，有效增强深层特征信息提取能力。然后，设计正常样本筛选策略，利用K-means算法对原始数据的重构误差进行聚类，得到精炼的正常样本数据集。最后，采用基于欧氏距离和平均绝对误差的异常评分机制，从全局和局部维度量化异常程度，有效提升复杂异常的检测能力。本文气路异常检测实验表明，所提方法的精度、召回率和F1分数分别达到0.923、0.915和0.919，且对噪声具有优异的鲁棒性，显著优于其他方法。
Keyword:
aero engine
gas path
unsupervised anomaly detection
Memory-AAE