[論文レビュー] A Task Decomposition Framework for Aircraft Health Diagnosis: Balancing Safety and Efficiency via Heterogeneous Long-Micro Scale Cascading

X.F. Chen, Zhihuan Wei+4 more|arXiv (Cornell University)|Mar 24, 2026

Anomaly Detection Techniques and Applications被引用数 0

ひとこと要約

この論文は Diagnosis Decomposition Framework（診断分解フレームワーク）と Long-Micro Scale Diagnostician（LMSD）を提案し、全体的な異常検出を局所的な故障分類から切り離すことで、NGAFID データ上の安全性指標と効率を向上させる。

ABSTRACT

Real-world aircraft health diagnosis requires balancing accuracy with computational constraints under extreme class imbalance and environmental uncertainty. This paper presents an engineering application of heterogeneous task decomposition for deployable intelligent fault diagnosis. The proposed Long-Micro Scale Diagnostician (LMSD) explicitly decouples global anomaly detection (full-sequence attention) from micro-scale fault classification (restricted receptive fields), resolving the receptive field paradox while minimizing training overhead. A knowledge distillation-based interpretability module provides physically traceable explanations for safety-critical validation. Experiments on the public National General Aviation Flight Information Database (NGAFID) dataset (28,935 flights, 36 categories) demonstrate 4-8% improvement in safety-critical metrics (MCWPM) with 4.2 times training acceleration and 46\% model compression compared to end-to-end baselines, substantiating deployability in resource-constrained aviation environments.

研究の動機と目的

• onboard コンピュートと現実世界データの不確実性がある状況で、一般航空の健康管理を動機づける。
• 異常検出と故障分類を分離して精度と効率をバランスさせるタスク分解アーキテクチャを提案する。
• 分離学習と解釈可能性を通じて、NGAFID データ上で安全 Critical 性能とデプロイ性の向上を実証する。
• 航空分野の安全検証を支援する物理的に解釈可能な説明を提供する。

提案手法

• Diagnosis Decomposition Framework（DDF）を定式化し、Anomaly Detection（AD）を全シーケンス受容野で、Fault Classification（FC）を制限された受容野で分割する。
• DDF を Long-Micro Scale Diagnostician（LMSD）として具体化し、グローバルなスクリーニングと局所的な診断をデカップルするハードスレートルーティング機構を導入する。
• ConvTokMHSA を AD のグローバル文脈モデルとして、MMK Net を FC のマイクロスケール局所抽出器として実装する。
• 決定に対する temporally grounded で物理的に解釈可能な説明を提供する KEL（Keyness Extraction Layer）を知識蒸留を用いて導入する。
• AD は全データで学習、FC は異常サンプルのみで学習する分離学習を採用し、学習オーバーヘッドを削減する。
• Temporal Keyness ベクトルと対照的なベースラインを用いて解釈可能性を評価する。

(a) Sensor Data Instances

実験結果

リサーチクエスチョン

• RQ1 グローバルな異常検出と局所的な故障分類の明示的なアーキテクチャ分離は、航空機PHMにおける受容野パラドックスを解決できるか。
• RQ2 LMSD は実世界の NGAFID データでエンドツーエンドのベースラインと比較して安全 Critical 指標（MCWPM）と効率（学習時間、モデルサイズ）を改善するか。
• RQ3 解釈可能性モジュール（KEL）は二段階の決定に物理的に追跡可能な説明を提供できるか。
• RQ4 異種のバックボーンに対してタスク適応性（AD 対 FC）はどのように振る舞うか。
• RQ5 資源制約のある航空設定における精度、安全性、デプロイ性のトレードオフはどうなるか。

主な発見

Model	ACC	F1	MCWPM	TTT (s)	MSize (MB)
InceptionTime	0.5843	0.3570	0.5652	7052.59	76.25
InceptionTimeAttn	0.5887	0.2109	0.5722	8388.47	24.14
ConvTokMHSA	0.5941	0.2754	0.5306	942.26	32.29
ConvTokSWLA	0.6424	0.3837	0.5712	2019.30	32.29
LMSD (Ours)	0.6291	0.4091	0.6148	2001.63	12.97

• LMSD は統合診断で MCWPM = 0.6148、F1 = 0.4091 を達成し、エンドツーエンドのベースラインより安全 Critical 指標で上回る。
• 総学習時間（TTT）は 2001.63 秒、モデルサイズは 12.97 MB で、LMSD は複数のベースラインより高速かつ小型。
• AD と FC のタスクは相補的な強みを示す。ConvTokMHSA は AD（ACC 0.7657、F1 0.7640）、MMK Net は FC（ACC 0.7090、F1 0.5202）で優れる。
• エンドツーエンドモデルと比較して、LMSD は MCWPM で 4–8% の向上と大幅な効率向上（学習速度4.2倍、時にはモデル圧縮46%）を提供する。
• 分離学習戦略はクロスタスク勾配干渉を防ぎ、リソース制約下での fleet スケール再学習を可能にする。
• KEL による Temporal Keyness 分析は、故障機構に対応した解釈可能で位相に焦点を当てた注意を明らかにする（例: 健康のための離陸準備と着陸、故障の特定セグメント）。

(b) PCA Radar Chart