基于一维选择性核卷积自编码器（1-D SKCAE）和贝叶斯优化的无人机无监督异常检测方法

《Machines》：An Unsupervised Anomaly Detection Method for Drones Based on a 1-D Selective Kernel Convolutional Autoencoder with Bayesian Optimization

　　

无人机在复杂环境中的广泛应用对飞行安全提出了更高要求。然而，传统的异常检测方法通常依赖于数学模型或大量标记样本，这使得它们难以应对无人机系统（UAV）等实际挑战，这些系统表现出强非线性特性、故障样本稀缺以及运行条件高度多变。为克服上述困难，本研究提出了一种基于贝叶斯优化的一维选择性核卷积自编码器（1-D SKCAE）用于无人机无监督异常检测。该模型仅依赖正常运行数据，通过利用重构误差的突变实现准确的异常识别。在模型架构方面，研究人员设计了一个多尺度选择性核卷积模块，并结合注意力机制（attention mechanism）实现对不同感受野（receptive field）的适应性特征加权。该方法有效提升了模型对复杂运行条件和细微故障特征的表征能力。同时，贝叶斯优化（Bayesian optimization）作为超参数搜索策略被嵌入模型训练过程，实现关键超参数的适应性配置，以进一步提升检测性能。研究人员使用RflyMAD仿真数据集和3DR Solo真实飞行数据集进行了大量实验。结果表明，1-D SKCAE优于多个对比模型，尤其在混合多故障叠加等复杂场景中表现出卓越的鲁棒性。该方法无需故障标签即可实现无人机异常检测，展现出强大的工程应用潜力。

**基于一维选择性核卷积自编码器与贝叶斯优化的无人机无监督异常检测方法解读**

**研究背景与问题**
无人机在复杂环境（如强风、长时间飞行、超载）中执行高精度测绘、实时监控、军事侦察和应急救援等任务时，飞行安全是首要挑战。关键部件（如螺旋桨、电池、动力系统、传感器或通信模块）的故障可能导致失控或坠毁，对人员和设备造成严重威胁。传统异常检测方法主要分为基于模型和基于知识的方法。基于模型的方法依赖物理规律或系统辨识构建数学模型，具有实时性好、可解释性强的优点，但无人机系统具有多变量、时变、强耦合和高非线性等复杂特征，难以建立鲁棒、高精度的数学诊断模型。基于知识的方法依赖专家经验或大量历史数据，但泛化能力和对工况变化的适应性有限。近年来，数据驱动方法通过自动挖掘历史运行数据中的潜在故障特征，成为研究热点。然而，监督学习方法需要大量精确标注的异常样本，实际中故障事件低频、高风险、模式多样且边界模糊，标注成本高且易引入主观偏差，导致模型对未见异常类型泛化能力差。此外，现有卷积自编码器（CAE）使用固定尺寸卷积核，感受野静态，无法根据输入信号局部上下文自适应调整，限制了多尺度信息的动态感知和有效聚合。同时，模型性能对超参数配置高度敏感，传统手动调参或粗粒度网格搜索计算成本高、效率低，难以保证全局最优。现有研究大多孤立地解决上述问题，缺乏将自适应多尺度特征提取、无监督自编码器架构和自动超参数优化系统集成到统一框架中的工作。为此，该研究提出基于贝叶斯优化的1-D SKCAE无监督异常检测模型，旨在实现自适应特征提取和自动超参数优化。

**研究内容与结论**
研究人员构建了基于一维选择性核卷积自编码器（1-D SKCAE）的无人机无监督异常检测方法。该方法仅使用正常运行数据作为训练样本，通过无监督学习构建高维特征表示，利用离散傅里叶变换（DFT）将时域信号映射到频域，增强故障特征的可分离性。模型在编码器和解码器中嵌入多尺度卷积分支，通过注意力机制对不同感受野的特征进行自适应加权，有效捕捉多时间尺度特征。同时，采用基于树结构Parzen估计器（TPE）的贝叶斯优化自动搜索关键超参数（学习率、网络深度、通道数、选择性核参数），减少手动调参的不确定性。通过RflyMAD仿真数据集（软件在环SIL和硬件在环HIL）和3DR Solo真实飞行数据集进行验证，实验结果表明：

- 在SIL和HIL场景下，1-D SKCAE的准确率分别达到91.80%和90.88%，F1分数分别达到93.10%和95.57%，显著优于传统自编码器（AE）、卷积自编码器（CAE）、记忆增强自编码器（MAE）、去噪卷积自编码器（DCAE）、稀疏卷积自编码器（SCAE）、长短期记忆自编码器（LSTMAE）和混合鲁棒卷积自编码器（HRCAE）等对比模型，尤其在混合多故障叠加场景中表现出卓越的鲁棒性。
- 在单故障和混合多故障真实飞行数据实验中，1-D SKCAE的AUC（曲线下面积）分别达到0.9783和0.9400，高于HRCAE的0.9122和0.8950，验证了其在不同故障复杂度下的泛化能力。
- 贝叶斯优化进一步提升了模型性能：优化后的1-D SKCAE在SIL场景下准确率提升至97.00%，在混合多故障场景下F1分数提升至89.64%，且标准偏差较小，表明检测稳定性增强。
- 消融实验表明，仅引入贝叶斯优化到传统CAE（Bayes CAE）提升不足2%，而1-D SKCAE（无贝叶斯优化）相比CAE提升超过26%，联合贝叶斯优化后达到最佳，证实了选择性核卷积模块和贝叶斯优化的协同增效作用。

该研究的意义在于：提出了一种无需故障标签的无人机异常检测方法，在仿真和实际数据中均验证了其有效性，为工程应用提供了高精度、强鲁棒且轻量化的解决方案。论文发表在《Machines》。

**主要关键技术方法**（不超过250字）
研究人员采用以下关键方法：1）**数据预处理**：对原始加速度信号进行窗口归一化（[0,1]）消除基线漂移，通过滑动窗口（长度1024点，步长控制重叠）切分，再经快速傅里叶变换（FFT）提取512维幅值谱作为输入；2）**一维选择性核卷积自编码器（1-D SKCAE）**：编码器和解码器采用对称结构，包含多尺度选择性核卷积模块（SKConv1-D），通过并行不同核大小（如3和5）的卷积分支，结合注意力机制（softmax加权）实现自适应感受野特征融合；3）**贝叶斯优化（TPE）**：以验证集平均重构误差（MSE）为目标，自动搜索学习率、网络深度（3~5层）、基础通道数（16~32）、选择性核尺寸等超参数，最大迭代100次；4）**异常检测**：以验证集最大重构损失为阈值，测试时根据重构误差与阈值的比较判断异常。样本来源：RflyMAD仿真数据集（SIL/HIL）和3DR Solo真实飞行数据集（PADRE公开数据集）。

**研究结果**
**3.1 仿真数据与结果分析**
- **3.1.1 仿真数据**：来自RflyMAD数据集，包含软件在环（SIL）和硬件在环（HIL）两种仿真环境的螺旋桨推力衰减故障（五种类型，通过缩放系数模拟对称/非对称衰减）。仅使用X轴加速度信号，训练/验证集均为正常数据，测试集含正常与故障（比例1:5）。
- **3.1.2 数据预处理**：包括窗口归一化、滑动窗口采样（长度1024，步长512）和FFT幅值谱提取，将时域信号转为512维频域特征。
- **3.1.3 实验设计**：训练/验证集随机1:1划分，测试集引入故障数据。对比模型包括AE、CAE、MAE、DCAE、SCAE、LSTMAE和HRCAE。采用准确率、精确率、召回率和F1分数评估，独立重复5次取均值。
- **3.1.4 结果与分析**
- **（1）实验对比**：1-D SKCAE在SIL和HIL场景下F1分数分别达到93.10%和95.57%，均高于其他模型；其精确率、召回率标准偏差均低于2（除HIL场景精确率标准偏差为2.09），表明稳定性和高检测精度。模型参数量仅0.5482M，单样本推理延迟3.4128ms，适合嵌入式部署。
- **（2）损失曲线与阈值可视化**：1-D SKCAE在正常样本区间重构损失极低且稳定，与阈值保持明显间隔；在故障区间损失持续大幅跃升，区分度最优。对比模型（如AE、MAE）在阈值附近频繁波动，导致误报或漏报。
- **（3）整体可分性评估**：通过ROC曲线和AUC，1-D SKCAE在SIL和HIL场景下AUC分别达0.9865和0.9924，高于HRCAE（0.9555和0.9418），证明其最佳整体可分性。

**3.2 实际数据分析**
- **3.2.1 实际数据**：来自PADRE数据集，基于3DR Solo四旋翼平台，通过修剪螺旋桨尖端（1cm和2cm）模拟单故障和混合多故障（如单桨、双桨损伤）。数据包含IMU加速度信号，采用四位数编码标记故障类型。
- **3.2.2 实验设计**：分为单故障实验（仅一个螺旋桨故障）和混合多故障实验（含单故障和双故障同时发生）。训练/验证集1:1划分，测试集正常与故障比例分别为1:2（单故障）和1:5（混合多故障）。
- **3.2.3 结果与分析**
- **（1）实验对比**：1-D SKCAE在单故障场景下F1分数达96.05%，在混合多故障场景下F1分数达89.64%，均优于HRCAE（91.46%和83.37%）。其标准偏差均低于2，尤其在混合多故障场景下召回率高达97.47%，展现了强大的抗干扰能力。
- **（2）损失曲线与阈值可视化**：在单故障场景中，1-D SKCAE正常样本损失低且稳定，故障样本损失持续高于阈值；在混合多故障场景中，其他模型（如AE、CAE）在阈值附近波动严重，而1-D SKCAE仍保持清晰分离，异常区间连续。
- **（3）整体可分性评估**：单故障场景下1-D SKCAE的AUC为0.9783，高于HRCAE的0.9122；混合多故障场景下AUC为0.9400，显著高于HRCAE的0.8950，表明其在复杂故障场景下仍保持高真阳性率和低假阳性率。

**3.3 贝叶斯优化与消融实验**
以SIL场景为例，对比贝叶斯优化、网格搜索和随机搜索。贝叶斯优化获得更合理的结构超参数（如学习率0.0005，深度4层，基础通道数16），准确率达97.05%±2.04%，优于网格搜索（95.00%±2.04%）和随机搜索（91.80%±2.04%），且标准偏差更小。消融实验对比CAE、Bayes CAE、1-D SKCAE和Bayes 1-D SKCAE：传统CAE各场景准确率约62%~69%；Bayes CAE提升小于2%；1-D SKCAE（无贝叶斯优化）准确率提升至90%~93%；Bayes 1-D SKCAE进一步达到90%~97%，F1分数最高达98.11%（HIL场景）。在混合多故障场景下，Bayes 1-D SKCAE召回率保持97%的同时，精确率提升至83.04%，标准偏差为零，表明贝叶斯优化有效改善了模型在复杂故障下的稳定性。

**总结与讨论**
该研究针对无人机飞行安全挑战，提出了一种融合一维选择性核卷积自编码器和贝叶斯优化的无监督异常检测方法。通过多尺度并行卷积分支和注意力机制实现自适应特征提取，利用贝叶斯优化自动调整超参数，解决了传统方法对标注数据依赖、固定感受野感知局限以及手动调参效率低的问题。在RflyMAD仿真和3DR Solo真实飞行数据上验证了方法在多种故障复杂度下的优越性，尤其在混合多故障叠加场景中表现出高鲁棒性。模型轻量化（0.5482M参数）和低延迟（3.4128ms/样本）使其适合机载部署。研究结论如下：
（1）与传统的自编码器和多种改进模型相比，1-D SKCAE在准确率、召回率和F1分数等指标上取得了更优的整体性能。该模型不仅在仿真环境中准确识别无人机螺旋桨故障，而且在引入真实硬件噪声和通信不确定性时，仍能保持正常与异常状态的清晰分离。在多种故障叠加的复杂条件下，该方法优先保证故障检测的完整性，有效降低潜在安全风险，具有较高的工程应用价值。
（2）贝叶斯优化有效提升了模型在不同实验场景下的检测稳定性和一致性，使1-D SKCAE在仿真环境、真实飞行数据以及单故障和混合多故障条件下均能保持高性能。未来工作将进一步扩展模型的应用范围：一方面，引入无监督领域自适应、特征对齐和少样本迁移学习机制，系统研究模型无需重新训练时的跨域泛化能力，探索从软件在环仿真到硬件在环验证和真实飞行数据的知识迁移，以及不同无人机平台间的通用特征自适应，以降低对新场景和新机型的重新训练依赖；同时，将模型扩展到多源异构传感器数据融合场景，增强对更复杂飞行条件和多样故障模式的感知能力。另一方面，将在在线检测和边缘计算约束下优化模型架构和推理效率，支持该方法在实际无人机系统上的实时部署和长期稳定运行。