基于神经网络的电动伺服舵机故障识别方法研究

发布时间：2021-11-21 13:59

　　电动伺服舵机是无人自主飞行器舵面操控系统的动力源,舵机的精确输出和可靠操纵对于飞行器安全稳定飞行至关重要,研究舵机故障的快速、准确识别技术具有重要的现实意义。传统的电动舵机故障识别主要是通过对舵机传感器输出数值进行分析,来建立故障与检测输出值之间的映射关系,实现故障识别。该方法依赖于舵机的数学模型,实际系统中由于舵机结构的复杂性,以及传感器受到干扰带来的不确定性,难以获得舵机的精确模型。针对这一问题,本文研究了一套基于神经网络的舵机故障识别模型算法,无需获得舵机精确模型,可以自动进行特征提取和故障识别。首先,本文建立了基于LSTM神经网络的舵机故障识别模型。针对舵机故障数据,将飞行器舵机实际故障测试数据作为神经网络训练数据集,然后对数据集进行预处理。模型分别对俯仰、左横滚、右横滚三种不同类型舵机各15种故障类型引入不同类优化算法进行训练和参数优化,并设置不同隐藏层神经元个数与时间步长进行对比试验,从中选出性能最优的LSTM神经网络配置。结果表明,三种舵机的识别准确率均达到了较高水平,LSTM模型能有效对电动舵机进行故障识别。其次,通过引入卷积层和池化层进行特征预提取,优化神经网络参数,... 

【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

RNN的网络结构

浙江大学硕士学位论文第2章神经网络理论基础14则可以递推出tδ：()(())211diag1TTttTTtttttttttoLhLVyyWhhohhδδ++=+=+(2.8)特别地，对于最后一个序列位置τ有()TToLVyyhoττττττδ==(2.9)则W,U,b的梯度计算公式为(())()211diag1TttttLhhWτδ==∑(2.10)(())21diag1tttLhbτδ==∑(2.11)(())()21diag1TttttLhxUτδ==∑(2.12)2.4长短期记忆神经网络LSTM2.4.1网络结构与前向传播过程传统RNN网络（图2.2所示）结构中会包含大量信息参数，容易逐渐丧失学习远距离信息的能力。根据求导的链式法则，会导致梯度爆炸（权值均大于1）或者梯度消失（权值均小于1）。由于飞行器系统对故障识别的容错率极低，且时序性明显，因此不适合基于传统RNN的方法进行飞行器的故障识别。图2.2RNN的网络结构

浙江大学硕士学位论文第2章神经网络理论基础15在工程实现上，LSTM中神经元的拓扑结构并不是直观的张量走向拓扑，而是在时间步（timestep）上这个维度上进行延伸，每个时序都会有输入。图2.3中给出了4个时间步长下的典型LSTM拓扑形式。作为一种RNN，LSTM中的神经网络的神经元存储的是标量，这样同一层的所有神经元按序排列的整体就看作一个向量。图2.3在4个时间步长下的典型LSTM拓扑相比于隐藏层只有一个状态h的RNN，LSTM是循环神经网络的一种（recurrentneuralnetworks，RNN），通过引入记忆单元对RNN隐含层进行了改进，克服了梯度爆炸（权值大于1）或者梯度消失（权值小于1）的问题。在RNN隐含层的基础上，LSTM网络（图2.4所示）结构中，隐含层增加了一个状态c，称为细胞状态（cellstate），用于保存长期状态。图2.4LSTM的网络结构以下为LSTM网络的重要组成模块，如图2.5所示：

【参考文献】：
期刊论文
[1]Convolutional neural networks for time series classification[J]. Bendong Zhao,Huanzhang Lu,Shangfeng Chen,Junliang Liu,Dongya Wu.  Journal of Systems Engineering and Electronics. 2017(01)



本文编号：3509640