论文部分内容阅读
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,建立了CNN-LSTM神经网络的舵机故障识别模型。卷积神经网络的卷积层和池化层能充分提取数据特征并能降低数据维度,加快训练速度。因此,在原模型的LSTM层之前加入卷积层和池化层进行特征预提取,并在不同超参数下如卷积核个数、迭代次数、批量大小、卷积层和池化层尺寸对模型进行训练和试验,遴选出最优超参数。结果表明,在同一数据集情况下,针对三种舵机,CNN-LSTM模型相比于LSTM模型,不但提高了故障识别准确率,还提升了训练速度。最后,通过仿真验证和对比分析,在不同信噪比噪声条件下,检验设计的神经网络故障识别模型的抗噪能力和鲁棒性。在LSTM模型和CNN-LSTM模型上添加不同程度的高斯白噪声,检验了不同信噪比噪声条件下两种模型故障识别准确率的变化情况。分别对LSTM网络层的输入添加BN层、对LSTM网络层的输出添加Dropout层并进行对比分析。结果表明,LSTM和CNN-LSTM模型的抗噪能力较好,BN层和Dropout层(尤其是BN层)对三种舵机在不同信噪比噪声条件下的抗噪能力和鲁棒性均有提升。