[论文解读] 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 0

一句话总结

本文提出诊断分解框架（Diagnosis Decomposition Framework）与 Long-Micro Scale Diagnostician，实现在全球异常检测与本地故障分类的解耦，提高 NGAFID 数据上的安全性指标与效率。

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.

研究动机与目标

• 在有限的机载计算与真实世界数据不确定性下，激发通用航空的健康管理。
• 提出任务分解架构，将异常检测与故障分类分离以在准确性与效率之间取得平衡。
• 通过解耦训练与可解释性，在 NGAFID 数据上证明对安全关键性能与可部署性的改进。
• 提供物理可解释的解释以支持航空领域的安全验证。

提出的方法

• 形式化诊断分解框架（DDF），将诊断分为带全序列感受野的异常检测（AD）与带受限感受野的故障分类（FC）。
• 将 DDF 实例化为 Long-Micro Scale Diagnostician（LMSD），采用硬阈值路由机制将全局筛查与局部诊断解耦。
• 实现 ConvTokMHSA 作为全局上下文模型用于 AD，MMK Net 作为微观尺度的局部提取器用于 FC。
• 引入关键性提取层（KEL），通过知识蒸馏提供时间上 grounding、物理可解释的决策解释。
• 采用解耦训练：AD 在所有数据上训练，FC 仅在异常样本上训练，降低训练开销。
• 通过时序关键性向量与对比基线评估可解释性。

(a) Sensor Data Instances

实验结果

研究问题

• RQ1 是否通过显式的全局异常检测与本地故障分类的架构解耦，解决飞机 PHM 的感受野悖论？
• RQ2 与端到端基线相比，LMSD 在真实NGAFID数据上的安全关键指标（MCWPM）与效率（训练时间、模型大小）是否有所提升？
• RQ3 可解释性模块（KEL）是否能够为两阶段决策提供物理可追溯的解释？
• RQ4 在异构骨干网络下，任务适应性（AD 与 FC）的表现如何？
• RQ5 在资源受限的航空环境中，准确性、安全性与可部署性之间的权衡是什么？

主要发现

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 达到综合诊断的 MCWPM 0.6148 与 F1 0.4091，优于端到端基线在安全关键指标上的表现。
• 总训练时间（TTT）为 2001.63 秒，模型大小 12.97 MB，相较于若干基线，LMSD 更快且更小。
• AD 与 FC 任务呈现互补优势：ConvTokMHSA 在 AD 上表现突出（ACC 0.7657，F1 0.7640），MMK Net 在 FC 上表现突出（ACC 0.7090，F1 0.5202）。
• 相比端到端模型，LMSD 在 MCWPM 上提升约 4–8%，并在训练速度（4.2 倍）与模型压缩方面显著提升（在某些场景下达到 46%）。
• 解耦训练策略防止跨任务梯度干扰，使在资源受限的情况下实现舰队级再训练更加高效。
• 通过 KEL 的时序关键性分析显示解释性强、与故障机制对齐的阶段性注意力（如健康相关的起飞准备与降落阶段、故障特定区段）。

(b) PCA Radar Chart