Avec la large adoption des drones (UAV), assurer leur sécurité et leur fiabilité devient de plus en plus important. Les méthodes de détection d'anomalies basées sur les données excellent dans le domaine de la surveillance de la santé des UAV. Bien que les recherches existantes puissent extraire des caractéristiques spatio-temporelles à partir de données de vol multidimensionnelles, elles se concentrent souvent sur la complexité des corrélations multidimensionnelles, négligeant les caractéristiques intrinsèques des données univariées, ce qui conduit à une supervision insuffisante des informations intrinsèques univariées. Par conséquent, les petites déviations dans une seule variable de vol peuvent être masquées par des caractéristiques multidimensionnelles dominantes, limitant ainsi la capacité du modèle à distinguer les anomalies fines des états de vol normaux. Pour résoudre ce problème, cet article propose un nouveau cadre de détection d'anomalies UAV à granularité fine sensible aux tendances dynamiques — F-UAD. F-UAD vise à coopérer pour réaliser la conservation des caractéristiques univariées, l'extraction des caractéristiques couplées multidimensionnelles et la perception des tendances dynamiques, permettant ainsi de détecter les petites déviations et d'identifier les anomalies fines dans les données de vol UAV. Pendant la phase d'entraînement, le module de perception des tendances dynamiques comprend (1) la reconstruction des caractéristiques spatio-temporelles à multi-échelle pour équilibrer la conservation indépendante des caractéristiques univariées et l'extraction complète des caractéristiques couplées multidimensionnelles, et (2) la prédiction dynamique des tendances basée sur la décomposition des tendances de vol pour renforcer la perception des processus d'évolution temporelle complexes. Lors de la phase de test, ce cadre combine la cohérence de reconstruction et la cohérence des tendances dynamiques pour calculer les scores d'anomalie, améliorant ainsi la distinction entre les états de vol normaux et anormaux. Les résultats expérimentaux montrent que le cadre F-UAD dépasse les méthodes de pointe actuelles sur 6 sous-ensembles du jeu de données réel AirLab Faults and Anomalies (ALFA), améliorant efficacement la fiabilité des UAV.

détection d'anomalies;séries temporelles multivariées;détection d'anomalies non supervisée;drones (UAV);données de vol