Anomaly Detection for Electro-Hydrostatic Actuators using LSTM Autoencoder

En 3 lignesDétection d'anomalies pour actionneurs électro-hydrostatiques (EHA) via LSTM autoencoder. Le modèle atteint 99,0% de précision moyenne, 100% de précision et F1-scores de 93,1–99,8% sur données de température et pression. Surpasse méthodes classiques (Z-score, Isolation Forest, k-means) en capturant dépendances temporelles.

Résumé généré par Claude — vérifié par l'humain