Mit der weiten Verbreitung von Drohnen (UAV) wird die Gewährleistung ihrer Sicherheit und Zuverlässigkeit zunehmend wichtig. Datengetriebene Anomalieerkennungsmethoden zeigen hervorragende Leistungen im Bereich der UAV-Zustandsüberwachung. Vorhandene Forschungen können zwar raumzeitliche Merkmale aus hochdimensionalen Flugdaten extrahieren, konzentrieren sich jedoch oft auf komplexe mehrdimensionale Zusammenhänge und vernachlässigen die intrinsischen Eigenschaften eindimensionaler Daten, was zu unzureichender Überwachung der intrinsischen Informationen einzelner Variablen führt. Daher können feine Abweichungen in einzelnen Flugvariablen durch dominante mehrdimensionale Merkmale verdeckt werden, was die Fähigkeit des Modells einschränkt, grobkörnige Anomalien von normalen Flugzuständen zu unterscheiden. Zur Lösung dieses Problems schlägt diese Arbeit einen neuartigen dynamischen Trendbewusstseinsrahmen zur feinkörnigen UAV-Anomalieerkennung - F-UAD - vor. F-UAD zielt darauf ab, die Erhaltung univariater Merkmale, die Extraktion mehrdimensional gekoppelter Merkmale und die Wahrnehmung dynamischer Trends zu koordinieren, um feine Abweichungen in UAV-Flugdaten zu erkennen und grobkörnige Anomalien zu identifizieren. In der Trainingsphase umfasst das dynamische Trendbewusstseinsmodul (1) eine multiskalige raumzeitliche Merkmalsrekonstruktion zur Balance zwischen unabhängiger Erhaltung univariater Merkmale und umfassender Extraktion mehrdimensional gekoppelter Merkmale sowie (2) eine dynamische Trendvorhersage basierend auf der Zerlegung von Flugtrends zur Verstärkung der Wahrnehmung komplexer zeitlicher Entwicklungsprozesse. In der Testphase kombiniert der Rahmen Rekonstruktionskonsistenz und dynamische Trendkonsistenz zur Berechnung von Anomaliewerten, um die Unterscheidung zwischen normalen und anomalen Flugzuständen zu verbessern. Die experimentellen Ergebnisse zeigen, dass der F-UAD-Rahmen auf 6 Teildatensätzen des realen AirLab Faults and Anomalies (ALFA)-Datensatzes die aktuellen fortschrittlichen Methoden übertrifft und die Zuverlässigkeit von UAVs effektiv verbessert.

Anomalieerkennung;multivariate Zeitreihen;unüberwachte Anomalieerkennung;Drohnen (UAV);Flugdaten