基于循环神经网络的水下推进器建模与软故障诊断
机器人学
2018-07-12 v1 机器学习
机器学习
摘要
非关键性软故障与模型偏差是常驻自主水下航行器（AUV）故障检测与诊断（FDD）面临的挑战。由于长期暴露于海洋环境中，此类系统的性能退化可能更快，因此需要持续监测部件状态以确保其可靠性。本文针对水下推进器的数据驱动故障检测与诊断方案，利用经验数据评估了循环神经网络（RNN）的性能。使用测得的控制输入、电压、转速和电流信号对推进器的标称行为进行建模。我们评估了使用所有测得信号与使用该标称模型计算所得残差作为特征进行故障分类的性能对比。
引用
@article{arxiv.1807.04109,
title = {Modeling and Soft-fault Diagnosis of Underwater Thrusters with Recurrent Neural Networks},
author = {Samy Nascimento and Matias Valdenegro-Toro},
journal= {arXiv preprint arXiv:1807.04109},
year = {2018}
}
备注
CAMS 2018 camera ready version