论文分享 | CAE-WANN：基于搜索空间扩展的燃气轮机异常检测方法

在航空工程领域，燃气轮机在小样本和类别不平衡条件下的异常检测一直是一个具有挑战性的任务。人工设计神经网络架构容易面临过拟合或欠拟合的问题，而架构搜索方法为自适应网络构建提供了可行路径。本文分享发表于质量与可靠性领域期刊的论文《CAE-WANN: A novel anomaly detection method for gas turbines via search space extension》，该研究提出了一种结合卷积自编码器与权重不可知神经网络搜索的异常检测方法，通过维度扩展扩大架构搜索空间，在小样本条件下构建适合的异常分类网络。

图1：权重不可知神经网络的节点划分示意图

在权重不可知神经网络搜索中，搜索空间中理论上可包含的网络架构总数与输入节点的数量密切相关。输入节点规模越大，对应的架构搜索空间呈指数级扩展，从而为搜索到性能优良的拓扑结构提供了更广阔的空间。因此，通过合理的空间映射将低维原始监测数据转换为高维潜在表征，能够实现搜索空间的有效扩展。

图2：燃气轮机异常检测模型总体框架图

该方法设计的总体框架主要包含用于特征升维的卷积自编码器和用于状态判别的权重不可知神经网络两大部分。在训练机制上，模型采用了交替训练策略：卷积自编码器首先基于原始数据进行特征重构，并结合后续网络的反馈损失进行单步更新；由编码器输出高维潜在表征输入给网络进行拓扑搜索与更新，两者循环交替进行，直至搜索出收敛的分类架构。

图3：CAE-WANN模型的交替训练流程图

在特征提取模块中，卷积自编码器针对二维网格状的时序监测数据设计，去除了全连接隐层，通过卷积与反卷积操作提取特征。为了保证提取到的高维潜在特征既能较好地保留原始物理参数的关键信息，又能降低分类任务的判别难度，自编码器的目标函数由基于绝对误差的重构损失与分类网络的反馈损失共同构成。

图4：卷积自编码器网络结构示意图

在网络架构搜索模块中，权重不可知神经网络从仅包含输入和输出的简单拓扑开始进化，通过添加连接、插入节点以及改变激活函数等操作生成新的网络候选。在拓扑评估阶段，模型为同一网络赋予多组不同的共享权重，并综合评估分类准确性损失与网络连接数复杂度损失，以在不依赖权重微调的前提下约束模型规模，降低小样本训练下的过拟合风险。

图5：权重不可知神经网络搜索进化流程图

针对实际工程中正常样本远多于异常样本的数据不平衡问题，该研究进一步提出了基于极大似然估计的决策阈值选取方法。通过将两类样本输出的异常评分建模为截断正态分布，利用训练样本的最大似然函数确定最佳判别分界点，并结合多组不同共享权重网络的投票机制输出最终诊断结果，实现了面向非均衡数据的自适应异常检测。

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.

https://onlinelibrary.wiley.com/doi/10.1002/qre.3113