使用LSTM自编码器的电液静压执行器异常检测

# 基于LSTM自编码器的电静液作动器异常检测
来源：https://arxiv.org/html/2606.05274
Nehal AfifiAbdelmonem ElhendawiSUPMICROTECH\-ENSMM, 法国。Felix LeitenbergerIPEK - 产品工程研究所，卡尔斯鲁厄理工学院（KIT），德国。Nadine PiatSUPMICROTECH\-ENSMM, 法国。Sven MatthiesenIPEK - 产品工程研究所，卡尔斯鲁厄理工学院（KIT），德国。

###### 摘要

电静液作动器（EHA）广泛应用于航空航天和工业系统，及时检测传感器异常对于确保安全可靠运行至关重要。然而，EHA传感器数据量大、采样频率高，给准确高效的异常检测带来了挑战。传统的统计方法和经典机器学习方法，如Z分数、四分位距（IQR）、中位绝对偏差（MAD）、孤立森林、高斯混合模型和k-means，通常难以捕捉EHA信号中固有的时间依赖性，导致检测精度有限且误报率升高。此外，针对EHA系统的数据驱动异常检测方法的系统评估仍然稀缺，特别是在不同的运行条件下。本研究提出了一种用于单变量EHA传感器信号的离线异常检测框架，重点关注从受控测试台收集的温度和压力数据。该方法采用基于重构的长短期记忆（LSTM）自编码器，并使用验证集重构误差分布进行校准和评估。性能通过多种故障注入场景下的准确率、精确率、召回率和F1分数进行评估，并辅以不同运行条件下的敏感性分析。LSTM自编码器在所有评估的传感器上实现了平均准确率99.0%，精确率高达100%，召回率在90.2%至99.6%之间，F1分数在93.1%至99.8%之间，展示了高检测灵敏度和极低的误报率。这些结果突显了数据驱动离线异常检测在EHA中的可行性。未来的工作将专注于将所开发的框架适应于在线（实时）环境，使算法能够在系统运行时检测异常。目标是在不同运行条件下实现具有最小延迟的近实时性能并保持高准确率。

###### 关键词:

异常检测，LSTM自编码器，深度学习，重构误差，故障检测

## 1 引言

与传统液压作动解决方案相比，电静液作动器（EHA）因其高功率密度、紧凑性和更高的能效，越来越多地应用于航空航天和工业系统（Qiao等，2017 (https://arxiv.org/html/2606.05274#bib.bib32)）。由于EHA通常在安全关键环境中运行，可靠的监控至关重要：传感器异常可能会破坏状态估计、降低性能或掩盖正在发展的故障。现代EHA测试台和部署系统配备了多个高采样率传感器，在运行期间产生大量时间序列测量数据（Guo等，2022 (https://arxiv.org/html/2606.05274#bib.bib33)），这使得鲁棒异常检测既重要又具有挑战性。经典的统计方法（例如Z分数、IQR、MAD）和传统的机器学习方法（例如聚类、混合模型、孤立森林）通常依赖于平稳性或较弱的时间假设，因此难以表征EHA信号典型的时间依赖性和非线性动力学特性（Khan等，2025 (https://arxiv.org/html/2606.05274#bib.bib34)）。基于重构的深度学习，特别是基于LSTM的自编码器，提供了一种实用的替代方案，因为LSTM架构旨在捕获序列数据中的长程时间依赖性（Gers等，2000 (https://arxiv.org/html/2606.05274#bib.bib35)；Zhang等，2021a (https://arxiv.org/html/2606.05274#bib.bib36)）。然而，将基于LSTM的异常检测系统性地应用于EHA系统，尤其是在受控运行条件和面向可靠性的评估下，仍然有限。本文通过提出一个用于单变量EHA传感器信号的离线LSTM自编码器框架来填补这一空白，该框架使用验证集重构误差分布进行校准，并在不同运行条件下的故障注入场景中进行评估。

## 2 相关工作

传感器和作动器系统的异常检测在安全关键领域的状态监测中被广泛研究。由于在运行环境中标记的故障数据稀少，大多数实用方法采用无监督或半监督形式。早期方法依赖于统计和浅层学习技术，如阈值监控、PCA变体、密度估计和聚类（Paffenroth等，2018 (https://arxiv.org/html/2606.05274#bib.bib11)）。这些技术虽然高效且可解释，但通常假设平稳性或线性结构，并且可能在非线性且时间相关的作动器遥测数据下性能下降。

经典机器学习通过单类学习器和基于预测的检测扩展了这一思路。单类SVM和支持向量数据描述使用学习到的边界对正常行为进行建模（Tax和Duin，2004 (https://arxiv.org/html/2606.05274#bib.bib14)），而自回归预测通过大的预测残差标记异常（Günnemann等，2014 (https://arxiv.org/html/2606.05274#bib.bib15)）。然而，这些方法通常难以扩展到高频时间序列以及表示长时间范围的时间依赖性。

基于深度学习的方法通过直接从数据中学习时间表示来解决这些局限性。基于重构的自编码器利用升高的重构误差检测异常（Chen等，2018 (https://arxiv.org/html/2606.05274#bib.bib16)），而循环编码器-解码器架构（尤其基于LSTM的）通过显式建模序列动态进一步提高了性能（Zhang等，2021b (https://arxiv.org/html/2606.05274#bib.bib18)；Filonov等，2017 (https://arxiv.org/html/2606.05274#bib.bib19)）。使用卷积组件、变分目标或对抗性训练的变体在多个领域展示了强劲的结果（Memarzadeh等，2020 (https://arxiv.org/html/2606.05274#bib.bib20)；Siegel，2020 (https://arxiv.org/html/2606.05274#bib.bib21)），而混合框架结合了重构、预测和密度估计以提高鲁棒性（Zong等，2018 (https://arxiv.org/html/2606.05274#bib.bib24)）。一个代表性的LSTM自编码器阈值处理流程在实际环境传感器数据上展示了强大的准确率和鲁棒性（Wei等，2023b (https://arxiv.org/html/2606.05274#bib.bib37)），这促使了类似的时间架构用于作动器监控。

在各个领域中，无监督检测器通常假设异常行为在统计上与正常行为不同（Lee等，2001 (https://arxiv.org/html/2606.05274#bib.bib38)）。这推动了基于聚类的异常识别（Rajasegarar等，2006 (https://arxiv.org/html/2606.05274#bib.bib39)）和基于贝叶斯模型低似然性的概率方法（Wang等，2008 (https://arxiv.org/html/2606.05274#bib.bib40)），尽管分布漂移仍然是一个持续存在的局限性。为了减轻漂移和部署限制，混合框架将统计残差分析与深度预测或重构信号融合在一起（Munir等，2019 (https://arxiv.org/html/2606.05274#bib.bib41)）。调查研究总结了准确性、计算复杂性和可部署性之间的权衡（Erhan等，2021 (https://arxiv.org/html/2606.05274#bib.bib42)），近期的研究则强调用于资源受限和工业物联网环境的可扩展高效流程（Jain等，2022 (https://arxiv.org/html/2606.05274#bib.bib43)；Nizam等，2022 (https://arxiv.org/html/2606.05274#bib.bib44)）。尽管取得了这些进展，但在受控故障注入条件下针对作动器特定遥测数据的评估仍然有限，特别是对于电静液作动器，以往的工作通常是基于模型或监督学习的。

受这些差距的驱动，本研究探讨了一种基于重构的LSTM自编码器，用于EHA传感器数据的离线单变量异常检测，以实现作动器健康监控。

## 3 问题表述

异常检测文献为时间序列监控提供了成熟的方法系列，包括统计检测器、单类学习和深度时间模型。然而，关于作动器健康监控的证据仍然零散：许多研究侧重于通用时间序列设置，而报告在受控故障条件下和跨变化运行体制采集的作动器传感器流上进行的严格评估的工作相对较少。与此同时，实践中标记的故障数据仍然有限，这限制了纯监督公式，并促使了学习正常行为并利用最少标注检测偏差的方法。

## 4 贡献

为了解决这一差距，本工作研究了一个离线的、数据驱动的异常检测框架，用于*单变量*EHA传感器通道，重点是捕获正常操作的时间特征并识别未见记录中的异常偏差。该研究得到了在涵盖故障注入场景和运行条件的高分辨率测试台测量数据上进行的面向可靠性的实验评估的支持，并包括与代表性基线检测器的基准比较，以阐明所提出方法的实际优势和局限性。

## 5 方法

我们采用了一种离线的、基于重构的异常检测方法用于单变量传感器通道。其基本假设是，在正常操作上训练的模型能够准确重构正常的时间模式，而异常偏差则会导致重构差异增大。为了捕获信号中的时间依赖性，我们使用了LSTM编码器-解码器（自编码器）架构；模型结构如图1所示。通过使用重构误差对每个窗口进行评分，并应用从正常数据校准的阈值来检测异常。

#### 时序数据预处理。

令x1:T={x1,...,xT}x_{1:T}=\{x_1,\ldots,x_T\}，其中xt∈Rx_t\in\mathbb{R}，表示一个单变量传感器信号。使用从正常训练数据计算得到的统计量对信号进行归一化。然后将其分割成固定长度LL和步长rr的重叠窗口。每个窗口表示为

xi\displaystyle\mathbf{x}_i=[xi,...,xi+L−1]⊤∈RL,\displaystyle=\;[x_i,\ldots,x_{i+L-1}]^\top\in\mathbb{R}^L,(1)i\displaystyle i=1,1+r,1+2r,...\displaystyle=1,1+r,1+2r,\ldots

#### LSTM自编码器和重构误差。

给定一个窗口xi\mathbf{x}_i，编码器将序列映射到一个潜在表示，解码器产生一个重构x^i\hat{\mathbf{x}}_i。模型仅使用正常窗口进行训练，最小化平均重构损失

(θ⋆,φ⋆)\displaystyle(\theta^\star,\phi^\star)=argminθ,φ1N∑i=1Nℓ(xi,x^i),\displaystyle=\;\arg\min_{\theta,\phi}\ \frac{1}{N}\sum_{i=1}^N\ell(\mathbf{x}_i,\hat{\mathbf{x}}_i),(2)x^i\displaystyle\hat{\mathbf{x}}_i=gφ(fθ(xi)).\displaystyle=\;g_\phi\!\left(f_\theta(\mathbf{x}_i)\right).在本工作中，ℓ(⋅,⋅)\ell(\cdot,\cdot)定义为平均绝对误差（MAE），

ℓ(xi,x^i)\displaystyle\ell(\mathbf{x}_i,\hat{\mathbf{x}}_i)=1L∑j=1L|xi+j−1−x^i+j−1|,\displaystyle=\;\frac{1}{L}\sum_{j=1}^L\left|x_{i+j-1}-\hat{x}_{i+j-1}\right|,(3)我们采用MAE，因为它保留了传感器信号的物理单位，并且与平方误差损失相比，对偶然的大尖峰不太敏感，这在我们实验中提高了经验稳定性。训练使用基于梯度的优化，并基于正常验证损失进行早停。

参考图注图1：用于正常时间行为重构的LSTM自编码器架构。
#### 异常分数和阈值化。

对于每个窗口，我们将其重构误差定义为异常分数：

Ei\displaystyle E_i=ℓ(xi,x^i),y^i\displaystyle=\;\ell(\mathbf{x}_i,\hat{\mathbf{x}}_i),\hat{y}_i\;=I[Ei>τ].\displaystyle=\;\mathbb{I}[E_i>\tau].(4)决策阈值τ\tau从正常重构误差中校准（例如，使用上尾截止，如高分位数或保守的最大误差规则）。由于窗口重叠，持续的偏差通常会产生连续的异常窗口，有助于离线分析中的事件级定位。

算法1 使用LSTM自编码器的离线重构异常检测1:正常信号x1:Tx_{1:T}，测试信号x1:U′x^\prime_{1:U}，窗口长度LL，步长rr
2:测试窗口分数{Ei′}\{E^\prime_i\}和标签{y^i}\{\hat{y}_i\}
3:使用正常训练统计量进行归一化；通过(1)提取窗口{xi},{xi′}\{\mathbf{x}_i\},\{\mathbf{x}^\prime_i\}。
4:通过最小化MAE损失(2)–(3)在{xi}\{\mathbf{x}_i\}上训练LSTM自编码器。
5:计算正常误差Ei=ℓ(xi,x^i)E_i=\ell(\mathbf{x}_i,\hat{\mathbf{x}}_i)并从其上尾设置阈值τ\tau。
6:对于所有测试窗口xi′\mathbf{x}^\prime_i 执行
7:重构x^i′\hat{\mathbf{x}}^\prime_i；计算Ei′=ℓ(xi′,x^i′)E^\prime_i=\ell(\mathbf{x}^\prime_i,\hat{\mathbf{x}}^\prime_i)。
8:使用(4)预测y^i←I[Ei′>τ]\hat{y}_i\leftarrow\mathbb{I}[E^\prime_i>\tau]。
9:结束循环

## 6 实验设置

本研究中使用的所有测量数据均来自一个受控的EHA测试台以及Leitenberger和Matthiesen（2021 (https://arxiv.org/html/2606.05274#bib.bib1)）；Dörr等（2022 (https://arxiv.org/html/2606.05274#bib.bib3)）中描述的测量基础设施。该实验平台在定义明确的体制下提供可重复的操作和同步的高频传感，支持面向可靠性的评估。

### 6.1 EHA测试台

所使用的作动器设计如图2所示。该测试台使用ADwin Pro2测量和控制系统操作，通过EtherCAT连接到外部逆变器。外部位置控制环使用磁致伸缩位置传感器以2 kHz运行，而内部速度和电流环分别在逆变器上以4 kHz和16 kHz实现。

参考图注图2：实验装置中所用EHA的设计（Leitenberger和Matthiesen，2021 (https://arxiv.org/html/2606.05274#bib.bib1)）。实验在两种代表性负载条件下进行。第一种是由一个11.83 kg的附加质量实现的惯性负载。第二种是刚度为241.381 N/mm的弹簧负载。测试台配备了多个传感器；本研究报告了单变量温度和压力的结果。