基于VGG16深度神经网络的天航传感器故障检测与分类
计算机视觉与模式识别
2022-07-28 v1 机器学习
摘要
相较于传统的基于模型的故障检测与分类(FDC)方法，深度神经网络(DNN)被证明对航空航天传感器FDC问题是有效的。然而，训练DNN所消耗的时间过多，且针对FDC神经网络的可解释性分析仍不尽如人意。近年来，一种称为基于图像化(imagefication)的智能FDC的概念被研究。该概念主张将传感器测量数据堆叠为图像格式，从而将传感器FDC问题转化为堆叠图像上的异常区域检测问题，这可充分借鉴机器视觉领域的最新进展。尽管基于图像化的智能FDC研究已宣称取得有前景的结果，但由于堆叠图像尺寸较小，使用了小卷积核与浅层DNN，阻碍了FDC性能。本文中，我们首先提出一种数据增强方法，将堆叠图像放大至更大尺寸(对应于机器视觉领域中开发的VGG16网络)。随后通过直接微调VGG16训练FDC神经网络。为截断并压缩FDC网络规模(从而降低其运行时间)，我们对微调后的网络进行模型剪枝。同时采用类激活映射(CAM)方法对FDC网络进行可解释性分析以验证其内部操作。通过数据增强、VGG16微调和模型剪枝，本文开发的FDC网络在5种飞行条件下跨4架飞机取得了98.90%的FDC准确率(运行时间26 ms)。CAM结果也验证了FDC网络的内部操作。
引用
@article{arxiv.2207.13267,
title = {Fault Detection and Classification of Aerospace Sensors using a VGG16-based Deep Neural Network},
author = {Zhongzhi Li and Yunmei Zhao and Jinyi Ma and Jianliang Ai and Yiqun Dong},
journal= {arXiv preprint arXiv:2207.13267},
year = {2022}
}