Deep attention SMOTE：基于可学习插值因子的航空发动机不平衡异常检测

航空发动机作为飞机的核心部件，其运行安全直接关系到飞行安全。为了保障发动机的安全运行，提前检测出潜在的异常是一项至关重要的任务。然而，在实际运行中，由于发动机大部分时间处于正常状态，所收集的数据存在严重的类别不平衡问题，且早期异常数据与正常数据高度相似，导致严重的类别重叠。针对这一挑战，最新发表在《Computers in Industry》上的论文《Deep attention SMOTE: Data augmentation with a learnable interpolation factor for imbalanced anomaly detection of gas turbines》提出了一种创新的混合重采样机制，为航空发动机的不平衡异常检测提供了新的解决方案。

该研究提出的异常检测框架主要由混合重采样和自注意力分类网络两部分组成。首先，在混合重采样的第一阶段，针对正常样本数量远多于异常样本的问题，研究人员没有采用会造成关键信息丢失的传统欠采样方法，而是引入了基于聚类的欠采样技术。通过算法将正常样本划分为不同的簇，并选取各簇的中心来代表正常数据，这在缓解类别不平衡程度的同时，较大程度地保留了正常状态的多样性与关键特征信息。

在完成初步欠采样后，为了克服异常数据与正常数据相互交织、重叠的问题，该方法构建了一个基于自注意力机制的自编码器网络。编码器负责将输入的数据投影到一个全新的高维特征空间中，在这个空间内，算法通过联合优化重构损失与三元组中心损失，使得同类样本之间的距离更加紧密，而不同类别样本之间的距离被拉远。这种设计能够有效收缩正常样本与异常样本之间的重叠区域，为后续高质量生成异常样本创造了有利的条件。

核心的数据增强模块则运行在这个设计好的特征空间中。与传统的合成少数类过采样技术随机选择插值因子、容易在正常与异常交界边缘生成噪声样本不同，该方法设计了一个精细的注意力模块，能够根据邻近样本对的分布特征，自适应地学习最佳的插值比例。在模型训练过程中，这一可学习的插值因子会引导生成的虚拟异常样本在特征空间中动态地向异常样本中心靠拢，并主动避开正常样本的聚集区，从而降低了噪声数据的生成风险。

生成的虚拟异常样本随后通过训练好的解码器映射回原始的数据空间，并与之前欠采样得到的正常样本合并，构建出类别均衡的训练集。最后，该框架采用适合处理多维时间序列的自注意力分类网络作为核心诊断器。由于平衡后的训练集不仅缓解了不平衡问题，还保持了较清晰的类别界限，使得分类器在面对测试数据时，能够更准确地捕捉到多维时间序列中复杂的时序关联特征，从而给出稳定且较为可靠的异常诊断结果。

为了验证该方法的有效性，研究团队在真实的航空发动机监测数据集以及公开的仿真数据集上进行了广泛的对比实验。实验结果表明，该方法在平衡准确率等综合指标上均取得了明显的提升，例如在航空发动机实际监测数据上的平均平衡准确率达到了91.77%，相比于传统的合成少数类过采样技术以及一些主流的深度生成方法表现出更好的分类性能。这一研究展示了深度可学习重采样技术在解决复杂工业数据不平衡问题上的优势，也为高价值工业装备的智能运维和健康管理提供了有益的参考。

参考文献：

Deep attention SMOTE: Data augmentation with a learnable interpolation factor for imbalanced anomaly detection of gas turbines[J]. Computers in Industry, 2023, 151: 103972.