卷积神经网络在舵机异常检测中的应用

针对舵机测试数据样本不均衡,小样本难以被准确分类的问题,提出了一种基于卷积神经网络(CNN)的舵机异常检测模型.该模型的优异性适用于对舵机测试数据进行特征提取和多故障分类,从而使得舵机的异常检测从单纯人工走向自动化和智能化.实验结果表明,该方法的准确度可达99.774％,证实了卷积神经网络应用于舵机异常检测的可行性.     

一种基于二维卷积神经网络的舵机故障检测方法

针对卷积神经网络对一维舵机数据特征提取不充分,本文提出将一维数据升级为二维数据,采用二维卷积神经网络对舵机故障进行智能检测。首先将一维数据首尾对称排列组成矩阵形式的二维数据,拓宽感受野,增加数据量,打破了空间局限性,避免了数据特征提取不充分,使特征提取具有全局性;其次构建了局部特征学习模块,该模块包含一个卷积层,一个Batch Normalization (BN)层,和一个ReLU激活函数,用于学习数据相关性。最后利用该模型实现对舵机数据的处理,从而实现舵机的智能故障检测。实验结果表明,该模型的准确度高达99.53%,效果优于其他的常用模型,证明了二维卷积神经网络应用于舵机故障检测的可行性。