ドローン（UAV）の広範な利用に伴い、その安全性と信頼性の確保がますます重要になっています。データ駆動型の異常検知手法はUAVの健康監視分野で優れた成果を示しています。既存の研究は高次元飛行データから時空間特徴を抽出できる一方で、複雑な多次元相関に注目しがちであり、単一変数データの内在的特性を軽視し、単変量内在情報の監督が不足していることが多いです。したがって、個々の飛行変数における微細な偏差が支配的な多次元特徴に覆い隠され、モデルが細粒度の異常と正常飛行状態を区別する能力が制限される可能性があります。この問題に対処するため、本論文では細粒度UAV異常検知のための新たな動的傾向認識フレームワーク「F-UAD」を提案します。F-UADは単変量特徴の保持、多次元結合特徴の抽出、動的傾向認識を協調的に実現し、UAV飛行データ中の微細な偏差を検出し、細粒度異常を識別可能にします。訓練段階では、動的傾向認識モジュールは（1）独立した単変量特徴保持と包括的な多次元結合特徴抽出のバランスを取る多スケール時空間特徴再構築、（2）複雑な時間変化過程の認識能力を強化するための分解された飛行傾向に基づく動的傾向予測を含みます。テスト段階では、本フレームワークは再構築整合性と動的傾向整合性を組み合わせて異常スコアを計算し、正常飛行状態と異常飛行状態の区別度を高めます。実験結果は、AirLab障害および異常（ALFA）実飛行データセットの6つのサブセットにおいて、F-UADフレームワークが最先端手法より優れており、UAVの信頼性を効果的に向上させていることを示しています。

異常検知;多変量時系列;教師なし異常検知;無人航空機（UAV）;飛行データ