1. 航空发动机异常检测面临的失衡与重叠挑战针对航空燃气涡轮发动机的运行监测与故障预警需求学术期刊 Computers in Industry 发表了题为《Deep attention SMOTE: Data augmentation with a learnable interpolation factor for imbalanced anomaly detection of gas turbines》的研究成果。在实际飞行工况下燃气涡轮发动机长时间处于正常运行状态故障样本发生频率极低导致采集的多维时序数据呈现出极高的数据类别不平衡特性同时早期异常数据与邻近正常状态的数据特征高度相似在特征空间中存在严重的类间重叠现象增加了直接应用深度学习模型进行特征提取与分类判别的难度。传统的数据级处理方法通常采用欠采样或过采样策略但直接欠采样会导致大量正常运行工况信息的丢失而以传统SMOTE为代表的过采样方法依靠随机插值因子生成合成样本容易在类间重叠的危险区域引入噪声数据。为了兼顾多数类信息的保留并抑制合成噪声的生成构建结合聚类欠采样与自适应特征空间过采样的混合重采样机制成为解决燃气涡轮发动机多维时序监测数据不平衡异常检测的潜在途径。2. 基于编码-解码结构与自注意力的端到端异常检测框架该研究所提出的整体框架包含聚类欠采样、深度注意力过采样以及基于自注意力网络SANet的异常分类三个核心阶段。首先利用K-Means算法对多数类正常样本进行聚类划分通过提取聚类中心代替原始海量正常样本从而在保留全局分布信息的前提下降低多数类样本规模构建初步的欠采样数据集随后欠采样数据集被送入集成有编码器、注意力插值模块与解码器的生成网络中完成特征映射与样本扩充最终构筑类别平衡的训练集以供自注意力分类器进行状态推断。在数据增强的核心结构中编码器与解码器均基于多头自注意力Transformer Encoder层构建用于充分捕捉多维时间序列中的复杂时序依赖与关联属性。编码网络负责将原始时序信号映射到低维可分特征空间中利用注意力机制自适应分配特征权重以扩大类间距离解码网络则在特征空间生成合成少数类表征后通过多层自注意力变换与线性映射将其精准重构回原始数据空间在一定程度上保证了生成样本与原始输入在数据维度和物理属性上的一致性。3. 可学习插值因子的DA-SMOTE与联合损失优化机制在特征空间的样本合成环节该研究设计了深度注意力合成少数类过采样技术DA-SMOTE。该模块改变了传统SMOTE在异常样本与其近邻之间进行随机线性插值的做法而是将少数类样本对拼接后输入至包含降维线性层、ReLU激活层、升维线性层及Sigmoid函数的非线性注意力子网络中从而根据数据局部几何分布自适应计算可学习的插值因子驱使生成的异常样本在特征空间中有向远离多数类聚集区。为了实现端到端的网络训练模型采用了类别平衡重构损失与三元组中心损失Triplet-Center Loss相结合的联合优化目标。类别平衡重构损失利用加权范数确保生成数据保留输入时序的主要信息而三元组中心损失则同时约束正常样本、异常样本以及合成样本在特征空间中的类内紧凑度与类间分离度动态引导合成少数类向异常类中心靠拢并远离正常类中心此外该损失函数与网络架构亦可通过中心向量的拓展支持多分类故障识别场景。来源文献Deep attention SMOTE: Data augmentation with a learnable interpolation factor for imbalanced anomaly detection of gas turbines[J]. Computers in Industry, 2023, 151: 103972.https://www.sciencedirect.com/science/article/abs/pii/S0166361523001227
1. 航空发动机异常检测面临的失衡与重叠挑战针对航空燃气涡轮发动机的运行监测与故障预警需求学术期刊 Computers in Industry 发表了题为《Deep attention SMOTE: Data augmentation with a learnable interpolation factor for imbalanced anomaly detection of gas turbines》的研究成果。在实际飞行工况下燃气涡轮发动机长时间处于正常运行状态故障样本发生频率极低导致采集的多维时序数据呈现出极高的数据类别不平衡特性同时早期异常数据与邻近正常状态的数据特征高度相似在特征空间中存在严重的类间重叠现象增加了直接应用深度学习模型进行特征提取与分类判别的难度。传统的数据级处理方法通常采用欠采样或过采样策略但直接欠采样会导致大量正常运行工况信息的丢失而以传统SMOTE为代表的过采样方法依靠随机插值因子生成合成样本容易在类间重叠的危险区域引入噪声数据。为了兼顾多数类信息的保留并抑制合成噪声的生成构建结合聚类欠采样与自适应特征空间过采样的混合重采样机制成为解决燃气涡轮发动机多维时序监测数据不平衡异常检测的潜在途径。2. 基于编码-解码结构与自注意力的端到端异常检测框架该研究所提出的整体框架包含聚类欠采样、深度注意力过采样以及基于自注意力网络SANet的异常分类三个核心阶段。首先利用K-Means算法对多数类正常样本进行聚类划分通过提取聚类中心代替原始海量正常样本从而在保留全局分布信息的前提下降低多数类样本规模构建初步的欠采样数据集随后欠采样数据集被送入集成有编码器、注意力插值模块与解码器的生成网络中完成特征映射与样本扩充最终构筑类别平衡的训练集以供自注意力分类器进行状态推断。在数据增强的核心结构中编码器与解码器均基于多头自注意力Transformer Encoder层构建用于充分捕捉多维时间序列中的复杂时序依赖与关联属性。编码网络负责将原始时序信号映射到低维可分特征空间中利用注意力机制自适应分配特征权重以扩大类间距离解码网络则在特征空间生成合成少数类表征后通过多层自注意力变换与线性映射将其精准重构回原始数据空间在一定程度上保证了生成样本与原始输入在数据维度和物理属性上的一致性。3. 可学习插值因子的DA-SMOTE与联合损失优化机制在特征空间的样本合成环节该研究设计了深度注意力合成少数类过采样技术DA-SMOTE。该模块改变了传统SMOTE在异常样本与其近邻之间进行随机线性插值的做法而是将少数类样本对拼接后输入至包含降维线性层、ReLU激活层、升维线性层及Sigmoid函数的非线性注意力子网络中从而根据数据局部几何分布自适应计算可学习的插值因子驱使生成的异常样本在特征空间中有向远离多数类聚集区。为了实现端到端的网络训练模型采用了类别平衡重构损失与三元组中心损失Triplet-Center Loss相结合的联合优化目标。类别平衡重构损失利用加权范数确保生成数据保留输入时序的主要信息而三元组中心损失则同时约束正常样本、异常样本以及合成样本在特征空间中的类内紧凑度与类间分离度动态引导合成少数类向异常类中心靠拢并远离正常类中心此外该损失函数与网络架构亦可通过中心向量的拓展支持多分类故障识别场景。来源文献Deep attention SMOTE: Data augmentation with a learnable interpolation factor for imbalanced anomaly detection of gas turbines[J]. Computers in Industry, 2023, 151: 103972.https://www.sciencedirect.com/science/article/abs/pii/S0166361523001227
