基于无监督 LSTM 自编码器的 CMAPSS 早期故障检测
机器学习
2026-01-16 v1
摘要
本文提出了一个无需运行到失败标签的无监督健康监测框架用于涡扇发动机。首先，通过回归方法对 NASA CMAPSS 传感器流中的运行条件效应进行归一化处理；然后仅在每条轨迹的健康部分上训练长短期记忆 (LSTM) 自编码器。持续的重构误差通过自适应数据驱动阈值估计，用于触发实时警报，无需人工调优规则。基准结果显示在多个运行条件下都具有高召回率和低误报率，表明该方法可快速部署、适用于多样化车队，并作为剩余可用寿命模型的补充早期警报层。
引用
@article{arxiv.2601.10269,
title = {Early Fault Detection on CMAPSS with Unsupervised LSTM Autoencoders},
author = {P. Sánchez and K. Reyes and B. Radu and E. Fernández},
journal= {arXiv preprint arXiv:2601.10269},
year = {2026}
}