Con la amplia aplicación de vehículos aéreos no tripulados (UAV), garantizar su seguridad y fiabilidad se vuelve cada vez más importante. Los métodos de detección de anomalías basados en datos han demostrado un excelente rendimiento en el monitoreo de la salud de los UAV. Aunque los estudios existentes pueden extraer características espaciotemporales de datos de vuelo multidimensionales, a menudo se centran en complejas correlaciones multidimensionales, descuidando las propiedades intrínsecas de los datos univariados, lo que conduce a una supervisión insuficiente de la información intrínseca univariable. Por lo tanto, las pequeñas desviaciones en una sola variable de vuelo pueden ser enmascaradas por las características multidimensionales dominantes, limitando la capacidad del modelo para distinguir entre anomalías de grano fino y estados de vuelo normales. Para abordar este problema, este artículo propone un novedoso marco de percepción de tendencias dinámicas para la detección de anomalías UAV de grano fino: F-UAD. F-UAD está diseñado para lograr de manera colaborativa la conservación de características univariadas, la extracción de características acopladas multidimensionales y la percepción de tendencias dinámicas, pudiendo así detectar desviaciones sutiles e identificar anomalías de grano fino en los datos de vuelo UAV. En la etapa de entrenamiento, el módulo de percepción de tendencias dinámicas incluye (1) reconstrucción de características espaciotemporales multiescala para equilibrar la conservación independiente de características univariadas con una extracción completa de características acopladas multidimensionales, y (2) predicción dinámica de tendencias basada en la descomposición de tendencias de vuelo para mejorar la capacidad de percepción de procesos complejos de evolución temporal. En la etapa de prueba, este marco combina la coherencia de reconstrucción con la coherencia de tendencias dinámicas para calcular puntuaciones de anomalía, mejorando así la diferenciación entre estados de vuelo normales y anormales. Los resultados experimentales demuestran que el marco F-UAD supera a los métodos avanzados actuales en 6 subconjuntos del conjunto de datos reales AirLab Faults and Anomalies (ALFA), mejorando efectivamente la fiabilidad de UAV.

detección de anomalías;series de tiempo multivariadas;detección de anomalías no supervisada;vehículos aéreos no tripulados (UAV);datos de vuelo