Robust Functional Regression for Outlier Detection

In diesem Beitrag schlagen wir einen Ausreißer-Erkennungsalgorithmus für Temperatursensordaten aus Triebwerkstests vor. Die effektive Identifizierung von Ausreißern würde es ermöglichen, Triebwerksprobleme effizient zu untersuchen und zu lösen. Ausreißer-Erkennung in diesen Daten ist eine Herausforderung, weil ein menschlicher Controller die Drehzahl des Triebwerks während jedes Manövers bestimmt. Dies führt zu Variabilität, die abnormales Verhalten in der Reaktion des Triebwerks verschleiern kann. Wir schlagen daher vor, die Abhängigkeit zwischen Geschwindigkeit und Temperatur beim Identifizieren von Anomalien zu modellieren. Die Triebwerkstemperatur reagiert verzögert in Bezug auf die Motordrehzahl, die wir mittels robuster funktionaler Regression modellieren werden. Anschließend wenden wir funktionale Tiefe in Bezug auf die Residuen an, um die Proben zu klassifizieren und die Ausreißer zu identifizieren. Die Effektivität des Ausreißer-Erkennungsalgorithmus wird in einer Simulationsstudie auch auf reale Triebwerksdaten angewendet und identifiziert Proben, die weitere Untersuchungen rechtfertigen.