RPA-LSTM：可逆归一化与预测辅助LSTM用于航空发动机进气系统ECU异常检测

《Scientific Reports》：RPA-LSTM: Reversible normalization and prediction-assisted LSTM for aero-engine intake-system ECU anomaly detection

　　可靠的异常检测在航空发动机监测系统中对于飞行安全、维护计划以及在可变运行条件下的运行可靠性至关重要。对于增压航空活塞发动机，由增压器废气门执行器退化引起的进气系统故障频繁发生在起飞、爬升和其他高负荷阶段，从而产生了对稳健的时间序列诊断方法的迫切需求。本文提出了一种可逆归一化与预测辅助的长短期记忆网络（RPA-LSTM）框架，用于通用航空发动机ECU进气异常检测，并采用实际AE300机载ECU数据作为验证数据集。该模型以进气歧管压力和功率杆位置作为输入序列。采用可逆实例归一化（RevIN）来缓解实例级分布偏移，同时引入一个辅助预测分支以加强时间表示学习。共享LSTM编码器捕获序列依赖性，并且仅保留重建分支以实现轻量级推理。在120万个在役AE300 ECU样本上的实验表明，所提出的方法实现了0.9992的准确率、0.9295的精确率、0.9791的召回率和0.9537的F1分数。与七个主流时间序列基线模型相比，该方法在达到最高召回率的同时，计算成本显著低于Transformer，展现了检测灵敏度与部署效率之间的良好权衡。消融实验结果表明，RevIN和预测辅助分支均带来了稳定的性能提升，而在双变量输入设置下，额外的频率分支无法提高检测准确率。本文还进行了补充实验，包括蒙特卡洛随机子采样交叉验证、噪声鲁棒性测试、多飞行阶段适应性分析、检测延迟和平均误报间隔时间（MTBFA）测量，以及异常比例阈值敏感性分析。结果充分证明了轻量级RPA-LSTM框架在航空发动机ECU监测中的泛化能力、抗干扰能力和实际部署价值。