基于深度学习的液压缸位置检测：利用散射参数
信号处理
2023-07-03 v2
摘要
液压缸活塞的位置检测对众多工业自动化应用至关重要。一种典型的传统方法是在缸体结构中激励电磁波，并基于传感器测得的散射参数解析求解活塞位置。该方法的核心是一个刻画所测散射参数与目标活塞位置之间关系的物理模型。然而，该物理模型在精度与适应性上存在不足，尤其在极端条件下。为克服这些局限，我们提出基于机器学习与深度学习的方法，以数据驱动方式直接学习该关系。结果表明，本文所有深度学习模型均以大幅优势优于物理模型。我们进一步依据领域知识斟酌模型选择，并结合模型性能与真实物理特性进行深入分析。具体而言，我们使用卷积神经网络（CNN）发掘相邻频率间输入的局部相互作用，应用复值神经网络（CVNN）利用电磁散射参数的复值本质，并引入一种名为频率编码的新技术将加权频率信息加入模型输入。这些技术的结合造就了性能最佳的模型——带频率编码的复值 CNN，其精度显著提升，相较传统物理模型误差降低至 1/12。
引用
@article{arxiv.2209.01010,
title = {Deep Learning-Based Position Detection for Hydraulic Cylinders Using Scattering Parameters},
author = {Chen Xin and Thomas Motz and Wolfgang Fuhl and Andreas Hartel and Enkelejda Kasneci},
journal= {arXiv preprint arXiv:2209.01010},
year = {2023}
}
备注
19 pages, 10 figures