王伟丽 杨瑞峰 郭晨霞 秦 浩

1.中北大学仪器与电子学院，太原 030051 2.山西省自动化检测装备与系统工程技术研究中心，太原 030051

0 引言

舵系统是导弹控制系统的重要执行机构，它接收来自飞行控制系统的控制信号，驱动舵面偏转，从而控制飞行姿态和轨迹。舵机的精确输出和可靠操纵对于飞行器安全稳定飞行至关重要[1]。舵机性能和质量的好坏直接决定着导弹飞行过程中的动态品质[2]，舵机发生故障可能会导致灾难性事故。因此，对舵机进行精准异常定位具有重要的现实意义。

目前，针对导弹舵机测试数据进行分析的研究较少。文献[3]对舵机测试数据进行了特征分析和多故障分类，但未考虑数据分布特征。文献[4-5]使用自适应采样方法和支持向量机分类器(Support Vector Machine, SVM)对舵机数据的不均衡进行了研究。该方法虽然使得不均衡数据分类准确度有所提高，但效果不显著。近年来，深度学习(Deep Learning，DL)技术广泛应用于各个领域，其中卷积神经网络(Convolutional Neural Networks, CNN)已经成为热门的机器学习算法之一[6]。文献[7]中提到使用CNN对皮肤癌进行分类和诊断，文献[8]中使用CNN对高光谱图像进行分类。由此可以看出，CNN以其出色的分类性能，为舵机异常检测提供了新思路。

针对舵机参数的测试数据量大且样本不均衡的特点，考虑到CNN优越的特征提取和分类的性能，本文提出使用CNN对舵机测试数据进行异常检测。我们通过不同网络层次的对比实验，得到最优的网络结构，完成适用于舵机异常检测的CNN模型设计。……