CAE-WANN：基于搜索空间扩展与交替优化的燃气轮机异常检测方法

在工业设备运维中，燃气轮机的状态监测常面临样本量小、故障数据匮乏等挑战，手动设计神经网络结构容易陷入过拟合或欠拟合的困境。论文《CAE-WANN: A novel anomaly detection method for gas turbines via search space extension》提出了一种融合卷积自编码器与权重无关神经网络搜索的监督式异常检测框架。该方法利用卷积自编码器将低维监测数据映射至高维潜在空间，拓展神经架构搜索的空间容量，并在此基础上自动搜索适用于异常分类的紧凑网络拓扑。

权重无关神经网络的核心在于通过优化网络拓扑结构本身来实现特定任务，而在网络结构中，候选架构的数量在理论上会随着输入节点数量的增加呈指数级增长。当原始监测参数维度较低时，搜索空间相对受限，可能限制潜在优秀架构的发现。为此，论文通过引入自编码器对输入特征进行升维表示，在保持原始数据重要特征的前提下增加输入节点数量，以此实现搜索空间的有效扩展，为后续拓扑演化提供更丰富的架构候选集。

整个检测流程分为离线训练与在线测试两个阶段。在离线训练中，为了避免传统分步训练导致特征表示与分类目标脱节的问题，框架采用了交替训练机制。该机制使卷积自编码器与分类网络交替更新：自编码器在重构原始数据的同时接收来自分类目标的反馈信号，从而生成既保留原始数据物理特征、又具备更优类别可分性的高维潜在特征。

在特征提取模块中，卷积自编码器参考了深度卷积生成对抗网络的结构规范，移除了全连接层与池化层，采用步长卷积与转置卷积实现尺寸缩放，并结合批归一化与非线性激活函数以保证训练稳定性。其目标函数由衡量重构精度的绝对误差损失与分类反馈损失共同构成，确保高维潜在表示在低失真还原原始时间序列结构的同时，最大程度降低后续分类任务的难度。

在架构搜索模块中，算法从仅含输入输出的简单网络种群出发，遍历多种固定的共享权重进行评估。适应度评价综合考量了预测误差与连接数量，利用结构复杂度惩罚项抑制冗余连接的生成，降低小样本条件下的过拟合风险。在演化过程中，算法通过插入节点、添加连接及切换激活函数等变异操作逐步丰富拓扑结构，最终筛选出无需精细权重微调即具备分类能力的轻量化网络拓扑。

在判定输出阶段，针对正负样本严重不平衡导致的阈值偏移问题，论文提出了基于最大似然估计的阈值自适应选择方法。该方法假设正常与异常样本的异常得分分别服从截断正态分布，利用最大似然法拟合分布参数并求解最优分类分界点，最后结合不同共享权重模型的多票表决机制完成最终状态判定，为不平衡小样本工业数据的判决边界划分提供了完整的技术实现路径。

参考文献：

CAE-WANN: A novel anomaly detection method for gas turbines via search space extension[J]. Quality and Reliability Engineering International, 2022, 38(6): 3116-3134.