舵机异常检测模型的设计与研究

针对舵机测试数据量大且样本不均衡问题,提出了一种使用灰狼优化算法（GWO）优化深度神经网络（DNN）并与逻辑回归分类器（LRC）相结合的舵机异常检测模型（GWO-DNN-LRC）。模型的构建有效的解决了舵机测试数据中小样本难以被准确分类的问题,适用于舵机测试数据的深度特征提取与多故障分类。该方法的准确度达到99.261%,相较于LRC、DNN、GWO-DNN分别提高了4.931%、0.205%、0.087%,精确度、召回率、F-score达到98.417%、98.062%、98.217%。在不同类别分类准确度对比中,6种小样本的类别能够达到100%。实验结果表明,该方法充分提高了舵机异常检测的性能,是深度学习技术在舵机测试数据中的有效应用。