基于物理引导时空注意力图网络的飞机发动机无监督异常检测方法

《Mathematics》：A Physics-Guided Spatio-Temporal Attention Graph Network for Unsupervised Aircraft Engine Anomaly Detection

　　摘要对于飞机发动机的无监督异常检测，传统方法主要关注挖掘时间特征，往往忽视多个变量之间的复杂相互依赖关系。尽管现有的图神经网络能够建模空间关系，但其纯粹数据驱动的图构建往往忽视系统热力学机制，从而引入虚假相关性。为了解决这一问题，本文提出了一种物理引导的时空注意力图网络（PG-STAG）。该方法将气动热力学先验知识与健康数据相关性信息进行融合，构建具有物理一致性的知识-数据协同图拓扑。此外，利用双时空注意力机制提取多维时空特征，并基于重构误差实现异常识别。在N-CMAPSS数据集和实际民航QAR数据上的实验表明，PG-STAG在对比方法中取得了最高的F1分数和ROC-AUC值，表现出强大的鲁棒性和物理可解释性。