電動伺服舵機(jī)是無人自主飛行器舵面操控系統(tǒng)的動力源,舵機(jī)的精確輸出和可靠操縱對于飛行器安全穩(wěn)定飛行至關(guān)重要,研究舵機(jī)故障的快速、準(zhǔn)確識別技術(shù)具有重要的現(xiàn)實意義。傳統(tǒng)的電動舵機(jī)故障識別主要是通過對舵機(jī)傳感器輸出數(shù)值進(jìn)行分析,來建立故障與檢測輸出值之間的映射關(guān)系,實現(xiàn)故障識別。該方法依賴于舵機(jī)的數(shù)學(xué)模型,實際系統(tǒng)中由于舵機(jī)結(jié)構(gòu)的復(fù)雜性,以及傳感器受到干擾帶來的不確定性,難以獲得舵機(jī)的精確模型。針對這一問題,本文研究了一套基于神經(jīng)網(wǎng)絡(luò)的舵機(jī)故障識別模型算法,無需獲得舵機(jī)精確模型,可以自動進(jìn)行特征提取和故障識別。首先,本文建立了基于LSTM神經(jīng)網(wǎng)絡(luò)的舵機(jī)故障識別模型。針對舵機(jī)故障數(shù)據(jù),將飛行器舵機(jī)實際故障測試數(shù)據(jù)作為神經(jīng)網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)集,然后對數(shù)據(jù)集進(jìn)行預(yù)處理。模型分別對俯仰、左橫滾、右橫滾三種不同類型舵機(jī)各15種故障類型引入不同類優(yōu)化算法進(jìn)行訓(xùn)練和參數(shù)優(yōu)化,并設(shè)置不同隱藏層神經(jīng)元個數(shù)與時間步長進(jìn)行對比試驗,從中選出性能最優(yōu)的LSTM神經(jīng)網(wǎng)絡(luò)配置。結(jié)果表明,三種舵機(jī)的識別準(zhǔn)確率均達(dá)到了較高水平,LSTM模型能有效對電動舵機(jī)進(jìn)行故障識別。其次,通過引入卷積層和池化層進(jìn)行特征預(yù)提取,優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù),... 

【文章來源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：90 頁

【學(xué)位級別】：碩士

【部分圖文】：

RNN的網(wǎng)絡(luò)結(jié)構(gòu)

浙江大學(xué)碩士學(xué)位論文第2章神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)14則可以遞推出tδ：()(())211diag1TTttTTtttttttttoLhLVyyWhhohhδδ++=+=+(2.8)特別地，對于最后一個序列位置τ有()TToLVyyhoττττττδ==(2.9)則W,U,b的梯度計算公式為(())()211diag1TttttLhhWτδ==∑(2.10)(())21diag1tttLhbτδ==∑(2.11)(())()21diag1TttttLhxUτδ==∑(2.12)2.4長短期記憶神經(jīng)網(wǎng)絡(luò)LSTM2.4.1網(wǎng)絡(luò)結(jié)構(gòu)與前向傳播過程傳統(tǒng)RNN網(wǎng)絡(luò)（圖2.2所示）結(jié)構(gòu)中會包含大量信息參數(shù)，容易逐漸喪失學(xué)習(xí)遠(yuǎn)距離信息的能力。根據(jù)求導(dǎo)的鏈?zhǔn)椒▌t，會導(dǎo)致梯度爆炸（權(quán)值均大于1）或者梯度消失（權(quán)值均小于1）。由于飛行器系統(tǒng)對故障識別的容錯率極低，且時序性明顯，因此不適合基于傳統(tǒng)RNN的方法進(jìn)行飛行器的故障識別。圖2.2RNN的網(wǎng)絡(luò)結(jié)構(gòu)

浙江大學(xué)碩士學(xué)位論文第2章神經(jīng)網(wǎng)絡(luò)理論基礎(chǔ)15在工程實現(xiàn)上，LSTM中神經(jīng)元的拓?fù)浣Y(jié)構(gòu)并不是直觀的張量走向拓?fù)洌窃跁r間步（timestep）上這個維度上進(jìn)行延伸，每個時序都會有輸入。圖2.3中給出了4個時間步長下的典型LSTM拓?fù)湫问健Ｗ鳛橐环NRNN，LSTM中的神經(jīng)網(wǎng)絡(luò)的神經(jīng)元存儲的是標(biāo)量，這樣同一層的所有神經(jīng)元按序排列的整體就看作一個向量。圖2.3在4個時間步長下的典型LSTM拓?fù)湎啾扔陔[藏層只有一個狀態(tài)h的RNN，LSTM是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種（recurrentneuralnetworks，RNN），通過引入記憶單元對RNN隱含層進(jìn)行了改進(jìn)，克服了梯度爆炸（權(quán)值大于1）或者梯度消失（權(quán)值小于1）的問題。在RNN隱含層的基礎(chǔ)上，LSTM網(wǎng)絡(luò)（圖2.4所示）結(jié)構(gòu)中，隱含層增加了一個狀態(tài)c，稱為細(xì)胞狀態(tài)（cellstate），用于保存長期狀態(tài)。圖2.4LSTM的網(wǎng)絡(luò)結(jié)構(gòu)以下為LSTM網(wǎng)絡(luò)的重要組成模塊，如圖2.5所示：

【參考文獻(xiàn)】：
期刊論文
[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)



本文編號：3509640