Anomaly Detection for Electro-Hydrostatic Actuators using LSTM Autoencoder

Resumen Técnico: Detección de Anomalías para Actuadores Electrohidráulicos mediante Autocodificador LSTM

Planteamiento del Problema
Los actuadores electrohidráulicos (EHA, por sus siglas en inglés) son componentes críticos en sistemas aeroespaciales e industriales que requieren un monitoreo fiable para garantizar la seguridad. Sin embargo, las altas frecuencias de muestreo y los grandes volúmenes de datos de series temporales generados por los sensores de los EHA plantean desafíos significativos para la detección de anomalías. Los métodos estadísticos convencionales (por ejemplo, Z-score, Rango Intercuartílico, Desviación Absoluta de la Mediana) y los enfoques clásicos de aprendizaje automático (por ejemplo, Isolation Forest, Mezcla Gaussiana, k-means) a menudo fallan al intentar capturar las complejas dependencias temporales y la dinámica no lineal inherente a las señales de los EHA. Estas limitaciones resultan en una reducción de la precisión de detección y en un aumento de las tasas de falsas alarmas. Además, las evaluaciones sistemáticas de la detección de anomalías basada en datos específicamente para sistemas EHA bajo diversas condiciones operativas siguen siendo escasas, particularmente dada la escasez de datos de fallos etiquetados en entornos prácticos.

Metodología
El estudio propone un marco de detección de anomalías basado en la reconstrucción fuera de línea (offline), diseñado para señales de sensores univariantes de EHA, centrándose específicamente en datos de temperatura y presión. El núcleo del enfoque es un Autocodificador de Memoria de Largo Corto Plazo (LSTM Autoencoder).

• Arquitectura: El modelo utiliza una estructura de codificador-decodificador LSTM diseñada para capturar dependencias temporales de largo alcance. El codificador mapea las secuencias de entrada a una representación latente, mientras que el decodificador reconstruye la secuencia original.
• Estrategia de Entrenamiento: El modelo se entrena exclusivamente con datos nominales (libres de fallos). El objetivo es minimizar la pérdida de reconstrucción, definida como el Error Absoluto Medio (MAE), entre la entrada y la salida reconstruida. Se seleccionó el MAE sobre la pérdida de error cuadrático para preservar las unidades físicas y mejorar la estabilidad frente a picos ocasionales de gran magnitud.
• Puntuación de Anomalías: Las anomalías se detectan calculando el error de reconstrucción para cada ventana deslizante de la serie temporal. Un umbral de decisión ($\tau$) se calibra basándose en la distribución de los errores de reconstrucción del conjunto de validación nominal (por ejemplo, utilizando un cuantil alto o una regla de error máximo conservadora).
• Preprocesamiento de Datos: El flujo de trabajo implica la normalización de las señales utilizando estadísticas de los datos nominales de entrenamiento, la segmentación de los datos en ventanas superpuestas y la aplicación de una regla de filtrado basada en sigma ($\mu + k\sigma$) para asegurar que el conjunto de entrenamiento esté libre de valores atípicos. El conjunto de datos se dividió en un 70/30 para entrenamiento y prueba, con el conjunto de prueba conteniendo tanto segmentos nominales como segmentos con inyección de fallos.

Contribuciones Clave

1. Desarrollo del Marco de Trabajo: El artículo presenta un marco específico de detección de anomalías fuera de línea para señales de sensores univariantes de EHA que aprovecha las capacidades de modelado temporal de los auto codificadores LSTM, abordando la brecha en los estudios sistemáticos para este tipo específico de actuador.
2. Evaluación Orientada a la Fiabilidad: El estudio proporciona una evaluación experimental riguroosa utilizando datos de alta resolución de un banco de pruebas de EHA controlado. Esto incluye escenarios de inyección de fallos a través de diferentes condiciones de carga (cargas inerciales y de resorte) y regímenes operativos.
3. Benchmarking: El LSTM-AE propuesto se compara con una amplia gama de modelos de referencia (baselines), incluyendo métodos estadísticos, algoritmos de aprendizaje automático clásicos y otras arquitecturas de aprendizaje profundo (Autoencoders estándar y CNN-AEs).
4. Análisis de Rendimiento: El trabajo demuestra que el modelado de las dependencias temporales mejora significativamente el equilibrio entre la sensibilidad (recall) y la supresión de falsas alarmas (precisión) en comparación con los modelos de referencia no temporales.

Resultados
El marco LSTM-AE demostró un rendimiento superior en múltiples métricas en comparación con los modelos de referencia:

• Precisión (Accuracy): Logró una precisión promedio del 99.0% (oscilando entre el 99.5% y el 99.9% en comparaciones específicas).
• Precisión (Precision): Alcanzó hasta el 100% (oscilando entre 96% y 100%), lo que indica una tasa de falsas alarmas muy baja.
• Sensibilidad (Recall): Se situó entre el 90.2% y el 99.6%, mostrando una alta sensibilidad a los fallos reales.
• F1-Score: Osciló entre 93.1% y 99.8%.
• ROC-AUC: Los valores estuvieron cercanos a la unidad (0.95–0.99), indicando una fuerte capacidad de separación entre los estados nominales y anómalos.

En contraste, los métodos estadísticos y de aprendizaje automático clásicos lograron una alta precisión nominal, pero exhibieron una precisión y un F1-score cercanos a cero debido al desequilibrio de clases y a la falta de modelado temporal. El análisis cualitativo confirmó que el LSTM-AE detecta segmentos anómalos coherentes en lugar de puntos aislados, suprimiendo eficazmente las alarmas espurias causadas por fluctuaciones normales.

Significancia y Limitaciones
El artículo sostiene que el auto codificador LSTM basado en la reconstrucción propuesto es una solución viable y efectiva para la detección de anomalías fuera de línea en sistemas EHA. Destaca que capturar la estructura temporal es esencial para distinguir los fallos reales de las variaciones operativas normales, ofreciando un proceso práctico para el monitoreo de condición donde no hay disponibilidad de datos de fallos etiquetados.

Sin embargo, los autores mantienen una postura modesta respecto al alcance actual y las implicaciones futuras:

• Naturaleza Fuera de Línea (Offline): El marco actual es estrictamente fuera de línea; se requiere trabajo futuro para adaptarlo a entornos en tiempo real (online) con latencia mínima.
• Restricciones de Etiquetado: Las etiquetas de evaluación se derivan de una regla de sigma transparente ($\mu + k\sigma$), que puede no reflejar plenamente la criticidad del fallo o los procesos de degradación lenta que permanecen dentro de los límites nominales.
• Alcance Univariante: El análisis se limita a señales univariantes, lo que significa que actualmente no explota las dependencias entre canales de sensores.
• Sensibilidad del Umbral: El rendimiento depende de la calibración del umbral, lo que puede requerir un reajuste bajo cambios significativos de régimen o deriva del sensor.

El estudio concluye que, si bien el método muestra un alto potencial para el monitoreo fuera de línea de EHA, es necesario extender el enfoque hacia la fusión de sensores multivariantes, el despliegue en tiempo real y una cobertura de fallos más amplia para una aplicación industrial robusta.