Corr-GroupFusionBiTCN：一种面向多变量无人机传感器数据的起始感知固定误报率早期预警框架

《Internet of Things》：Corr-GroupFusionBiTCN: An onset-aware fixed-FPR early-warning framework for multivariate UAV sensor data

　　

# 摘要

联网无人机（UAV）作为移动物联网感知节点运行，产生高速多变量遥测数据，但实际早期预警取决于退化参照何处、误报预算如何分配，以及告警在流式窗口中何时真正可用。本文提出了一种在固定运行级误报率（FPR）预算下的UAV-IoT近线早期预警框架。使用一个推导出的起始代理作为评估参照，将原始响应导向锚点向更早的遥测退化方向移动；该代理不用于模型训练、阈值校准或告警决策。Corr-GroupFusionBiTCN作为该框架内的结构化检测器，结合相关性通道分组、跨组交互和双向时序卷积。在18次有锚点可用的ALFA故障运行中，推导出的起始代理平均比原始锚点提前47.58秒，并在27种配置的敏感性扫描中保持稳定。在原始时间戳下，Corr-GroupFusionBiTCN在干净协议下达到0.944 ± 0.039的成功率和0.764 ± 0.024的60秒内命中率，在20%污染下分别为0.792 ± 0.046和0.722 ± 0.056。经过保守的7.95秒窗口可用修正后，这些值分别变为0.819 ± 0.046/0.694 ± 0.028和0.694 ± 0.028/0.639 ± 0.028。Thor-97和UAV-SEAD提供了关于检测-误报行为和外部飞行日志行为的支撑证据，而非匹配的起始感知基准。仅CPU性能分析表明在当前工作站设置下具有计算可行性，而嵌入式伴随硬件验证仍是未来工作。额外的协议对齐基线和分组敏感性测试进一步检验了鲁棒性。结果表明，起始定义、告警预算、时间戳可用性和结构化时序检测共同塑造了UAV-IoT早期预警的价值。

# 引言

UAV系统如今在检查、物流、遥感、农业和应急响应网络中运行，而非作为孤立的气架。飞行控制、导航、执行器和能源管理回路因此发出密集的多变量传感器数据流，它们自然地属于物联网（IoT）和赛博物理系统（CPS）的工程语境，在此语境下异常检测不再仅用于事后识别故障，还应在故障升级前发出足够早的警告以保留可用的干预窗口[1]、[2]、[3]、[4]、[5]、[6]、[7]。

深度学习推动了多变量时序异常检测的发展。自编码器家族在弱监督或无监督下重建正常行为，基于Transformer的检测器扩展了时间跨度，面向图的模型收紧了跨通道依赖的表示；在UAV设置中，基于CAE的检测器、图模型、因果增强架构和跨注意力时序卷积网络都表明，耦合的飞行变量作为相互作用的传感器组来建模，优于作为扁平传感器列表来处理[8]、[9]、[10]、[11]、[12]、[13]、[14]、[15]、[16]。然而，模型层面的进展本身并不能解决运营问题。UAV异常很少以孤立的跳跃形式出现。它们通常通过状态、控制、导航误差和执行通道之间的耦合偏差来发展，一个仅仅提高更尖锐分数但未将该分数与退化的物理起始对齐的检测器，在现实监控场景中可能仍然有限。

其后果是系统安全问题，而不仅仅是评分问题。在UAV监控中，迟到的告警不仅仅是一个较低的检测分数；它可能移除模式切换、路线重新规划、紧急着陆或人工干预所需的剩余时间。误报也不是免费的。过多的告警会中断任务、浪费操作员注意力并降低对监控系统的信任。实际目标因此是在可接受的误报负担下确定告警是否足够早地到达。

近期UAV和航空航天系统工作为此运营框架提供了有用背景。CPFL和HTGL解决UAV感知和定位问题，双骨干UAV鱼类疾病系统展示了视觉检查中的结构化特征聚合，时间同步的航天器重新定向研究强调了时间受限的航空航天操作[17]、[18]、[19]、[20]。这些研究是上下文参照，而非时序异常检测基线。

部署中的主要脱节出现在其他地方。标注、训练假设和告警预算都偏离了现场条件。许多研究仍以应急响应时间、模式切换或显式故障状态变化为异常标签锚点，尽管这些时间戳更靠近系统响应而非退化开始；在此设置中，一个提前发出警告的检测器可能仅因为标签本身太晚而被判定为过早。图1说明了更早的推导起始与更晚的响应锚点之间的差距。退化开始得更早。有用的预警窗口位于这两个参照之间[6]、[21]、[22]。干净的正常档案造成第二种扭曲。真实飞行存储库通常包含轻微异常、过渡区域或边界样本，这些样本从未被明确标记，因此污染应被视为常规风险而非例外情况[2]、[3]、[23]。第三种扭曲来自评估。AUROC、F1和逐点分数仍然占主导地位，尽管一旦显式约束阈值选择和误报成本，告警排序可能会改变[21]、[22]、[24]。

本研究在一个UAV-IoT近线早期预警框架中解决了这三个差距。推导出的起始代理将原始响应导向锚点移向一个由传感器数据支撑的参照时间，该时间更接近退化的开始。Corr-GroupFusionBiTCN然后通过相关性分组组织通道，显式传播跨组交互，并使用双向时序卷积网络编码时间演化，使检测器能同时建模通道结构和退化动态。检测器并非作为唯一的创新提出。贡献在于将起始感知评估、固定FPR告警预算、时间戳可用性、污染感知测试和结构化时序检测耦合为一个运营协议。其输出遵循UAV-IoT监控系统在实践中面临的同一问题：在固定误报率预算下，在考虑基于窗口的告警实际何时可用后，检测器是否足够早地发出警告。图1总结了起始感知评估概念和检测器路径，图2提供了如何从实际遥测信号构建推导起始代理的定量示例[6]、[15]、[16]。

贡献直接来自该框架：

- 将UAV遥测监控形式化为固定运行级误报率预算下的近线早期预警问题，显式评估告警可用性和通信延迟，而非假设原始分数时间戳可立即操作。
- 定义推导出的起始代理作为18次有可用响应锚点的ALFA故障运行的仅评估参照，并报告敏感性加独立原始主题证据，而不将代理视为机制性起始标签。
- 使用Corr-GroupFusionBiTCN作为结构化检测器，集成相关性驱动的分组、跨组交互和BiTCN编码；这些架构组件被视为更广泛框架内的既定设计选择。
- 在相同固定FPR告警协议下评估干净和20%污染的训练，主要解释限于锚点可用的ALFA子集。
- 添加了面向IoT的CPU性能分析和来自Thor-97与UAV-SEAD的跨源证据，但声明限于计算可行性和外部行为检查，而非完整的嵌入式板卡验证或通用模型排名。

## UAV故障检测和传感器数据异常监控

UAV的及时异常监控多年来一直在讨论。Keipour等人框定了自主飞行的在线异常检测，Ahn等人将监控扩展到集群级行为，Al-Haddad和Jaber研究了多旋翼故障诊断的深度特征提取[25]、[26]、[27]。这些研究标志着一个重要转变。UAV安全监控不再仅依赖于分析模型或手工制作的信号规则。

更广泛的UAV故障检测文献现在涵盖了基于机制的[内容截断]

## 问题定义和总体流水线

目标任务是来自多变量UAV传感器数据的运行级近线早期预警。设对齐的飞行序列为X ∈ ?^(T×D)，其中T表示序列长度，D表示特征维度。对于每个固定长度的滑动窗口X_w ∈ ?^(T_w×D)，检测器输出逐点异常分数，之后通过重叠聚合、时间平滑、持续触发和固定FPR阈值校准在运行级产生最终告警。由于检测器使用完整的分析窗口，[内容截断]

## 数据源角色和样本范围

实验设计为三个UAV数据源分配了不同的证据角色，而非将它们合并为单一排行榜。ALFA提供主要的起始感知早期预警基准。Thor-97提供第二个传感器数据源用于受控注入下的检测-误报权衡分析。UAV-SEAD评估在异构真实PX4飞行日志上的外部行为。由于三个源在特征空间、异常构建、标签语义和验证方面存在差异，[内容截断]

## 主要协议结果

表3报告了固定运行级FPR = 0.1和四个随机种子下的主要推导起始结果。Corr-GroupFusionBiTCN在此比较中在干净训练和20%污染两种情况下均给出了最高的成功率和60秒内命中率。在干净训练下，成功率达到0.944 ± 0.039，60秒内命中率达到0.764 ± 0.024；在污染下，相应值保持在0.792 ± 0.046和0.722 ± 0.056。相对于污染下的AE，Corr-GroupFusionBiTCN在成功率上提升了[内容截断]

## 结论

本研究将多变量UAV遥测监控重新定义为固定运行级误报率预算下的UAV-IoT近线早期预警问题。修订后的框架分离了三个常被混在一起的问题：退化起始的评估参照、用于控制误报的告警预算，以及基于窗口的告警决策实际可用的时间戳。Corr-GroupFusionBiTCN作为该框架内的结构化检测器而非[内容截断]

## 数据和代码可用性

本研究所使用的原始数据可从手稿中引用的原始公开来源获得：ALFA[6]、Thor-97[41]和UAV-SEAD[42]。本文不重新分发原始档案。完整的表格化支撑结果在单独的补充材料PDF中提供。预处理、训练、评估和图表生成脚本可在合理请求下获得。

## CRediT作者贡献声明

王鑫：写作 – 审阅与编辑、方法论、调查、概念化。杨文杰：写作 – 初稿、验证、软件、方法论。刘毅：写作 – 审阅与编辑、形式分析。付强：写作 – 审阅与编辑。郑涛：写作 – 审阅与编辑、形式分析。

## 利益冲突声明

作者声明没有已知的可能影响本文所报告工作的财务利益冲突或个人关系。

王鑫 | 杨文杰 | 刘毅 | 付强 | 郑涛

中国民航飞行学院，计算机科学学院，中国，广汉