무인항공기(UAV)의 광범위한 활용과 함께 그 안전성과 신뢰성을 보장하는 것이 점점 중요해지고 있습니다. 데이터 기반 이상 탐지 방법은 UAV 건강 모니터링 분야에서 뛰어난 성능을 보여주고 있습니다. 기존 연구들은 고차원 비행 데이터에서 시공간 특성을 추출할 수 있으나, 종종 복잡한 다차원 상관관계에 집중하여 단일 변수 데이터의 내재적 특성을 간과함으로써 단변량 내재 정보에 대한 감독이 부족한 문제가 있습니다. 따라서 개별 비행 변수의 미세한 편차가 지배적인 다차원 특성에 의해 가려질 수 있어 모델이 세밀한 이상과 정상 비행 상태를 구분하는 능력이 제한됩니다. 이러한 문제를 해결하기 위해 본 논문에서는 세밀한 UAV 이상 탐지를 위한 새로운 동적 추세 인지 프레임워크인 F-UAD를 제안합니다. F-UAD는 단변량 특성 보존, 다차원 결합 특성 추출 및 동적 추세 인지를 협력적으로 수행하여 UAV 비행 데이터에서 미세한 편차를 탐지하고 세밀한 이상을 식별할 수 있도록 합니다. 학습 단계에서 동적 추세 인지 모듈은 (1) 독립적인 단변량 특성 보존과 포괄적인 다차원 결합 특성 추출의 균형을 맞추기 위한 다중 스케일 시공간 특성 재구성, (2) 복잡한 시간 진화 과정을 인지하기 위한 분해된 비행 추세 기반 동적 추세 예측을 포함합니다. 테스트 단계에서 본 프레임워크는 재구성 일관성과 동적 추세 일관성을 결합하여 이상 점수를 계산함으로써 정상 및 이상 비행 상태 간의 구분도를 향상시킵니다. 실험 결과, AirLab 고장 및 이상(ALFA) 실제 비행 데이터셋의 6개 하위 집합에서 F-UAD 프레임워크가 최신 최고 기법보다 뛰어난 성능으로 UAV의 신뢰성을 효과적으로 향상시킴을 보여줍니다.

이상 탐지;다변량 시계열;비지도 이상 탐지;무인항공기(UAV);비행 데이터