面向通用航空健康管理的异构长微尺度级联架构
机器学习
2026-04-23 v5
摘要
背景：通用航空队伍的扩张要求在计算约束下进行智能健康监测。实际的飞机健康诊断需要在极端类别不平衡和环境不确定性下，在准确率和计算约束之间进行权衡。现有的端到端方法受到感受野悖论的制约：全局注意力引入过多的运营异构性噪声以难以进行细粒度故障分类，而局部约束则牺牲了对于异常检测所必需的跨时序背景信息。方法：本文提出一种面向通用航空健康管理的 AI 驱动异构级联架构。提出的 Long-Micro Scale Diagnostician (LMSD) 显式地将全局异常检测（全序列注意力）与微尺度故障分类（受限感受野）解耦，解决了感受野悖论，同时最小化训练开销。知识蒸馏式可解释性模块为安全关键验证提供可追溯的物理解释。结果：在公共通用航空飞行信息数据库 (NGAFID) 数据集上进行实验（28,935 次飞行，36 个类别），实验表明该方法在安全关键指标 (MCWPM) 上提高了 4-8%，训练加速 4.2 倍，模型压缩 46%。结论：AI 驱动的异构架构为航空设备健康管理提供了可部署解决方案，未来可集成到数字孪生系统中。该框架在保持严格安全要求的同时，证明了在资源受限的航空环境中的可部署性。
引用
@article{arxiv.2603.22885,
title = {A Heterogeneous Long-Micro Scale Cascading Architecture for General Aviation Health Management},
author = {Xinhang Chen and Zhihuan Wei and Yang Hu and Zhiguo Zeng and Kang Zeng and Wei Wang},
journal= {arXiv preprint arXiv:2603.22885},
year = {2026}
}
备注
Significant methodological flaws have been identified in the experimental validation and metric computation procedures that undermine the reliability of the reported results. A comprehensive revision is underway