論文の概要: Anomaly Detection for Electro-Hydrostatic Actuators using LSTM Autoencoder

• arxiv url: http://arxiv.org/abs/2606.05274v1
• Date: Wed, 03 Jun 2026 17:37:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.308444
• Title: Anomaly Detection for Electro-Hydrostatic Actuators using LSTM Autoencoder
• Title（参考訳）: LSTMオートエンコーダを用いた静電気アクチュエータの異常検出
• Authors: Nehal Afifi, Abdelmonem Elhendawi, Felix Leitenberger, Nadine Piat, Sven Matthiesen,
• Abstract要約: 本研究では、制御されたテストベンチから収集した温度と圧力データに着目し、EHAセンサ信号のオフライン異常検出フレームワークを提案する。 本手法では, 復元型Long Short-Term Memory(LSTM)オートエンコーダを用いて, 検証セットの復元エラー分布を用いて校正・評価を行う。 LSTMオートエンコーダの平均精度は99.0%、精度は100%、リコールは90.2%から99.6%、F1スコアは93.1%から99.8%に向上し、高い検出感度と非常に低い偽値を示した。
• 参考スコア（独自算出の注目度）: 0.3262230127283452
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electro-Hydrostatic Actuators (EHAs) are widely used in aerospace and industrial systems, where timely detection of sensor anomalies is essential to ensure safe and reliable operation. However, the large volume and high sampling frequency of EHA sensor data pose challenges for accurate and efficient anomaly detection. Conventional statistical and classical machine-learning methods such as Z-score, Interquartile Range (IQR), Median Absolute Deviation (MAD), Isolation Forest, Gaussian Mixture, and k-means often fail to capture the temporal dependencies inherent in EHA signals, resulting in limited detection accuracy and elevated false-alarm rates. Furthermore, systematic evaluations of data-driven anomaly detection approaches for EHA systems remain scarce, particularly under varying operational conditions. This study presents an offline anomaly-detection framework for univariate EHA sensor signals, focusing on temperature and pressure data collected from a controlled test bench. The method employs a reconstruction-based Long Short-Term Memory (LSTM) autoencoder, calibrated and evaluated using validation-set reconstruction-error distributions. Performance is assessed across multiple fault-injection scenarios using accuracy, precision, recall, and F1-score, complemented by sensitivity analyses under varying operating conditions. The LSTM autoencoder achieved an average accuracy of 99.0\%, precision up to 100\%, recall between 90.2\% and 99.6\%, and F1-scores from 93.1\% to 99.8\%, demonstrating high detection sensitivity and a very low false-alarm rate across all evaluated sensors. These results highlight the feasibility of data-driven offline anomaly detection for EHAs. Future work will focus on adapting the developed framework for an online (real-time) environment.
• Abstract（参考訳）: エレクトロ・ハイドロスタティック・アクチュエータ(EHA)は航空宇宙や工業システムで広く使われており、安全で信頼性の高い操作を確保するために、センサ異常のタイムリーな検出が不可欠である。 しかし、EHAセンサデータの大容量および高サンプリング周波数は、正確かつ効率的な異常検出に困難をもたらす。 Z-score、Interquartile Range (IQR)、Median Absolute Deviation (MAD)、Isolation Forest、Gaussian Mixture、k-meansといった従来の統計学的および古典的な機械学習手法は、EHA信号に固有の時間的依存関係を捕捉できず、検出精度が制限され、偽アラームレートが上昇する。 さらに、EHAシステムに対するデータ駆動型異常検出手法の体系的評価は、特に様々な運用条件下では不十分である。 本研究では、制御されたテストベンチから収集した温度と圧力データに着目し、一変量EHAセンサ信号のオフライン異常検出フレームワークを提案する。 本手法では, 復元型Long Short-Term Memory(LSTM)オートエンコーダを用いて, 検証セットの復元エラー分布を用いて校正・評価を行う。 精度,精度,リコール,F1スコアを用いて複数の故障発生シナリオにまたがって性能を評価し,動作条件の異なる感度解析によって補完する。 LSTMオートエンコーダは平均精度99.0\%、精度100\%、リコール90.2\%から99.6\%、F1スコア93.1\%から99.8\%を達成し、全ての評価されたセンサーで高い検出感度と非常に低い偽アラームレートを示した。 これらの結果は、EHAに対するデータ駆動型オフライン異常検出の可能性を強調している。 今後の作業は、オンライン(リアルタイム)環境に開発フレームワークを適用することに集中する。

関連論文リスト

• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• Calibration-Free EEG-based Driver Drowsiness Detection with Online Test-Time Adaptation [43.83587667787693]
  ドローシー・ドライビングは交通事故の増大の原因であり、脳波に基づくドローシー検知システム(EEG)の最近の探索を促している。 特に,脳波信号の物体間変動は,領域シフトの問題を引き起こす。 そこで本稿では,オンラインテスト時間適応手法を利用して対象対象の分布に動的に適応する新しいドライバの眠気検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:27:10Z)
• An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process [2.5777932046298786]
  1次マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークが提案されている。 提案したフレームワークは、Intel Berkeley Research Labデータセットを使用して検証された。
  論文  参考訳（メタデータ） (2025-11-01T10:19:00Z)
• GRAD: Real-Time Gated Recurrent Anomaly Detection in Autonomous Vehicle Sensors Using Reinforced EMA and Multi-Stage Sliding Window Techniques [0.0]
  本稿では,自動運転車センサのリアルタイム異常検出手法であるGRADを紹介する。 提案手法は,スムーズな要因に適応するReinforced Exponential moving Average (REMA) と,短期パターンと長期パターンの両方をキャプチャするMulti-Stage Sliding Window (MS-SW) 技術を組み合わせたものである。 GRADはGRUの2つの層からなる軽量なアーキテクチャで、ニューロンの数が限られており、リアルタイムアプリケーションに適している。
  論文  参考訳（メタデータ） (2025-10-27T13:44:15Z)
• Robust Anomaly Detection in Industrial Environments via Meta-Learning [12.690752260618522]
  本稿では,正規化フローとモデル非依存メタラーニングを統合したロバストな異常検出フレームワークRADを提案する。 提案手法では,メタラーニングによって様々な雑音条件に迅速に適応できる二段階最適化方式を用いる。 以上の結果から,RADのノイズの多い訓練条件に対する特異なレジリエンスと,様々な産業シナリオにおける微妙な異常を検出する能力が浮き彫りになった。
  論文  参考訳（メタデータ） (2025-08-25T08:35:28Z)
• AI-Powered Machine Learning Approaches for Fault Diagnosis in Industrial Pumps [0.0]
  本研究では,実世界のセンサデータを用いた産業用ポンプシステムにおける早期故障検出の実践的アプローチを提案する。 フレームワークはスケーラブルで、解釈可能で、リアルタイムな産業展開に適している。
  論文  参考訳（メタデータ） (2025-08-21T13:33:09Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Accelerating Cavity Fault Prediction Using Deep Learning at Jefferson Laboratory [0.4218593777811082]
  加速キャビティはジェファーソン研究所の連続電子ビーム加速器施設(CEBAF)の不可欠な部分である。 本研究では,緩やかに発達する空洞断層を予測するための深層学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-04-24T12:05:20Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。