CAE-WANN：基于搜索空间扩展的燃气轮机异常检测方法
燃气轮机在实际工业运行中具有高可靠性与低故障率的特点，导致工程现场难以收集到足量的异常状态数据，其状态监测属于典型的小样本与类别不平衡分类问题。传统人工神经网络在样本匮乏时容易出现过拟合或欠拟合，且网络架构的设计往往依赖人工经验。为了解决这一难题，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不可知神经网络搜索的异常检测方法。该方法通过将原始低维监测数据映射至高维潜在空间以扩展网络拓扑的搜索空间，在小样本约束下自动搜索适合故障分类任务的紧凑神经网络架构。
在权重不可知神经网络中，理论上可搜索的网络拓扑数量与输入节点数呈指数相关。当输入特征维度较低时，搜索空间内包含的候选网络结构较少，可能限制搜索算法找到更优拓扑的能力。通过对原始数据进行升维映射，可以在保留核心状态特征的同时增加输入节点数量，从而有效扩充搜索空间。论文提出的整体架构包含离线训练与在线测试两部分：在离线阶段，利用卷积自编码器获取高维特征并驱动网络拓扑进化搜索；在在线阶段，将采集的监测信号经过编码器映射后输入搜索得到的网络中完成状态判别。
为了使自编码器提取的高维潜在表示不仅能还原原始信号，而且更易于被分类网络区分，该方法设计了交替训练流程。有别于传统的两阶段串联训练，交替训练机制在更新自编码器时引入了分类网络的反馈损失。自编码器在重构损失和分类反馈损失的联合约束下逐步优化，然后将生成的高维潜在特征传递给网络搜索模块更新拓扑结构，两者交替迭代进行，直至搜索出满足检测要求的网络架构。
在特征提取模块中，针对传感器时序数据的二维网格特征，自编码器采用了全卷积与反卷积拓扑设计，摒弃了全连接隐藏层以减少参数量。编码器部分由带步长的卷积层、批归一化层及激活函数组成，负责将低维输入平滑映射至高维潜在空间；解码器部分则通过转置卷积层和归一化层将特征重建回原始维度。在损失函数设计上，采用一范数距离衡量重构误差以保证重构信号的清晰度，并结合分类反馈损失，抑制现场噪声干扰，提高正常与异常特征在空间中的聚集度。
在网络架构搜索模块中，算法通过拓扑演化机制直接搜索具有内在分类能力的神经网络连接关系。初始种群仅包含简单的输入输出直连结构，评估阶段为拓扑赋予一系列固定的共享权重，并结合平均误差、潜力误差以及连接数量构建综合目标函数。算法在进化过程中通过插入节点、添加连接或更改激活函数生成新的拓扑。引入网络连接复杂度作为惩罚项，能够有效控制模型体积，防止网络在小样本数据下结构过度膨胀。
针对工业现场样本不平衡导致的分类输出偏移问题，该方法基于极大似然估计设计了自适应阈值选取策略。该策略假设正常与异常样本的异常得分分别服从截断正态分布，通过拟合训练集得分分布并最大化联合对数似然函数来计算最优分类阈值。在最终判别阶段，算法将不同共享权重下的网络架构作为基分类器，利用投票机制对输出结果进行集成决策。整个流程涵盖特征升维、拓扑搜索、似然阈值估计与集成判定，为小样本时序信号的异常检测提供了一套系统性的实现方案。
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.
浙公网安备 33010602011771号