Com a ampla aplicação de veículos aéreos não tripulados (UAV), garantir sua segurança e confiabilidade torna-se cada vez mais importante. Métodos de detecção de anomalias baseados em dados têm apresentado excelente desempenho no monitoramento da saúde dos UAVs. Pesquisas existentes podem extrair características espaço-temporais de dados de voo multidimensionais, mas geralmente se concentram em correlações multidimensionais complexas, negligenciando as propriedades intrínsecas dos dados univariados, resultando em supervisão insuficiente da informação intrínseca das variáveis univariadas. Portanto, desvios sutis em uma única variável de voo podem ser mascarados pelas características multidimensionais dominantes, limitando a capacidade do modelo de distinguir anomalias granulares finas do estado de voo normal. Para abordar essa questão, este artigo propõe uma nova estrutura de percepção de tendências dinâmicas para a detecção de anomalias UAV de granularidade fina — F-UAD. O F-UAD visa cooperar para realizar a preservação de características univariadas, extração de características acopladas multidimensionais e percepção de tendências dinâmicas, permitindo detectar desvios sutis e identificar anomalias granulares finas nos dados de voo dos UAVs. Na fase de treinamento, o módulo de percepção de tendências dinâmicas inclui (1) reconstrução de características espaço-temporais em múltiplas escalas para equilibrar a preservação independente de características univariadas com a extração completa de características acopladas multidimensionais e (2) previsão dinâmica de tendências baseada na decomposição das tendências de voo para fortalecer a capacidade de percepção dos processos complexos de evolução temporal. Na fase de teste, essa estrutura combina a consistência da reconstrução com a consistência das tendências dinâmicas para calcular pontuações de anomalia, melhorando a distinção entre estados de voo normais e anormais. Os resultados experimentais mostram que a estrutura F-UAD supera os métodos avançados atuais em 6 subconjuntos do conjunto de dados real AirLab Faults and Anomalies (ALFA), melhorando efetivamente a confiabilidade dos UAVs.

detecção de anomalias;séries temporais multivariadas;detecção de anomalias não supervisionada;veículos aéreos não tripulados (UAV);dados de voo