航天運載器智能檢測技術研究與應用

李 強，王國輝，陳海鵬，陸浩然

（北京宇航系統工程研究所，北京，100076）

0 引 言

運載火箭研制是一項復雜的系統工程，產品的復雜性以及航天發射任務的重要性都對運載火箭的質量檢測提出了較高的要求，質量檢測任務貫穿了運載火箭的制造、測試以及發射的整個生命周期。中國運載火箭要求“零缺陷”發射，在多型號并舉、研制與批產并重，尤其是高強密度發射的背景下，如何在全生命周期提高產品質量檢測的覆蓋性和可靠性是運載火箭研制過程中需首要解決的問題。

傳統的產品檢測技術中，需要在系統中增加信號采集的測點，通過內置式傳感器獲取代表物理特征的信息。無論是敏感壓力還是采集電流，這種檢測方法除了存在“盲腸”外，很難獲取全面的產品質量信息。聲音和圖像作為系統工作時的固有特征，具有一定的辨識性，能夠從一定程度上反映產品的狀態，然而這些信息在現有運載火箭研制過程中并未進行有效的采集與處理。信號采集技術、信號處理技術和人工智能算法的快速發展，為采用聲音和圖像對產品進行檢測提供了一定的技術支撐，由智能算法代替人工完成產品檢測將成為未來運載火箭檢測技術發展的必然趨勢。

本文首先對航天運載器智能檢測的需求進行了分析，研究基于聲音的非接觸檢測技術和基于深度學習的X 光片智能檢測技術，并在電磁閥門測試和火工品檢測中開展了一定的試驗驗證，探索智能技術在航天運載器質量控制中的應用。

1 航天運載器智能檢測應用需求分析

1.1 傳統檢測中的問題

航天技術發展至今，產品測試的理念和方法大多沿用了傳統的技術手段，沒有突破性進展。運載火箭傳統檢測方法中仍采用多重人員確認的方式。產品檢測始終無法實現質量隱患的充分挖掘及零隱患飛行的目標。現有測試中存在的主要問題有：

a）人工確認環節多，存在漏判、誤判的風險。

現有檢測中，無論是產品外觀、X 光片或電信號采集結果，所有檢測結果都需要人工進行最終確認，主觀不確定性導致了測試結果的不確定性，存在一定隱患。

b）產品狀態信息提取有限，無法杜絕質量隱患。

運載火箭總裝完成后，產品狀態僅靠個別的內置傳感器對部分信息進行采集，無法做到對產品狀態綜合全面的判斷與確認，而聲音和圖像等其它形式的產品信息往往能更全面地反應產品狀態。由于檢測手段的限制，現有測試并未將聲音信號列入檢測對象，圖像方面也僅在單件產品檢測中由人工對產品外觀或透視光片進行檢查，未形成高可靠、高效率的自動化檢測手段。

c）判讀規則簡單，無法預測和挖掘故障。

現有測試參數判讀中，往往通過設置門限范圍或與標準值比較的方法進行確認，而測試數據中的微小波動以及一些門限范圍內變化的規律并未進行有效的分析與確認，無法對產品可能出現的故障跡象進行挖掘。

1.2 智能檢測技術的優勢

a）測試可靠性更高。

傳統檢測項目中，產品質量很大程度上依靠檢測評估人員的工作經驗和責任心，檢測的準確性與可靠性在一定程度上受到人為因素的影響，歷史上曾多次出現漏判、誤判的事故，風險始終存在。通過智能檢測由機器代替人工開展產品檢測工作，可以減少由于人為因素出現漏判、誤判的可能性，提高運載火箭產品測試、測發監控的可靠性。

b）測試效率更高。

在數字信號處理與故障特征提取技術較為成熟的條件下，對運載火箭工作過程中聲音和圖像信號的高效采集與處理已經成為現實，同時采集過程更方便、快捷，采集設備簡單可靠、易于實現，這些條件都為通過非接觸信號采集對火箭進行智能化檢測奠定了基礎。實現智能化測試后，可以減少人為參與測試的過程，自動化的方式可大大縮短測試時間，提高測試效率。

c）測試覆蓋性更好。

傳統檢測方法中，由于可靠性和復雜程度的限制，僅選取系統中具有代表性的測點作為產品特征提取的對象，很難覆蓋全部的產品狀態信息，在出現問題或存在隱患的情況下無法及時做出診斷。而聲音和圖像等以“場”形式存在的信息能以更全面的表征產品狀態，為產品測試提供更充分的數據。獲得產品缺陷的動態信息、并對缺陷的危害程度進行評價、預測使用壽命，適用于過程監控以及故障的預報。通過智能檢測技術，可以突破檢測方法的限制，挖掘深層次的產品信息，提高產品測試的覆蓋性。

d）測試帶來的損傷更小。

傳統測試方法中，為了獲取產品狀態信息需要在產品中嵌入測試通路，將內部的壓力、溫度、電流電壓信號引出進行采集診斷。一方面測試通路為非必須的飛行功能，另一方面測試通路潛在的故障有引起飛行功能故障的風險。而智能檢測的檢測信號均來自被測產品本身，不需要外界施加激勵信號，采用非接觸的測試方法，不損傷被測產品，不影響正常的飛行功能。

2 基于聲音的非接觸檢測技術

聲音檢測是指通過采集被測設備的聲音并對聲音特性進行分析、比對，判斷設備狀態的方法。主要包含兩個類型的應用：a）通過聲音頻率特性建模及判斷設備是否出現故障；b）通過多個測點的聲音采集判斷異常聲音產生的位置。聲音檢測算法中可以通過小波變換與特征提取對初始聲音信號進行消噪處理，再通過短時傅里葉分析提取關鍵信號特征。聲音定位算法主要用于對故障或發出特征聲音信號的位置進行確認，包括傳統的波束形成算法和通過卷積神經網絡（Convolutional Neural Networks，CNN）訓練獲取的聲音定位算法。

2.1 聲音檢測算法

a）小波變換與特征提取。

對于采集到的信號，需要對其進行快速的時域與頻域分析，為下一步的工作狀態檢測與故障定位檢測提供分析依據。因此，首先需要通過小波變換的手段對信號進行消噪處理。

消噪的目的是去除得到的聲音信號中的環境噪聲和傳感器背景噪聲，保留更多系統工作的聲音信號。由于環境噪聲與傳感器背景噪聲頻率成分豐富，而電磁閥工作信號中存在一些奇異點，若采用傳統方法對檢測信號去噪，會影響電磁閥工作脈沖的波形。因此考慮采用小波閾值消噪的方法進行去噪處理。

任意函數對小波函數的連續小波變換定義為Ψ

式中 a，b 分別控制小波的兩個變換，對系數a 或b或a 與b 同時做離散化，可以得到離散小波變換。離散小波函數表示為式（2）。離散小波分解得到的小波系數表示為式（3）。小波重構得到的函數由式（4）計算：

b）短時傅里葉分析與特征提取。

在傅里葉變換的基礎上，將非平穩信號看作由一系列短時平穩信號組成，通過加窗實現短時性，并通過平移參數覆蓋整個時域。即采用窗函數與待分析的非平穩信號的乘積，實現窗口附近的開窗與平移，再進行傅里葉變換。其基本原理如下：

設 (s)τ 為非平穩信號， h (t) 為窗函數，通過窗函數定義的新信號 st(τ)滿足：

新信號為t 的函數，是原信號 (s)τ 在t 時刻附近τ 時間段的成分。對新信號 st(τ)進行傅里葉變換，結果即為短時傅里葉變換。其表達式為

連續信號的短時傅里葉變換對信號理論分析具有重要意義，但在實際應用中常需要分析處理離散信號，即離散化時間序列。設 s ( n) 為非平穩離散序列，其離散短時傅里葉變換為

式中 n 為采樣個數；m 為離散時間；N 為序列個數。

采用短時傅里葉變換可以使信號同時顯現出時域特征和頻域特征，有利于進一步得出有效的時頻綜合識別特征。對檢測信號進行消噪處理之后，可以根據系統的時序命令信號對已經得到的信號進行分幀，分別對其進行短時傅里葉分析，可以在時域、頻域上分別提取出不同的特征。短時傅里葉變換波形如圖1 所示。

圖1 短時傅里葉變換波形Fig.1 Short Time Fourier Transform Waveform

2.2 聲音定位算法

a）波束形成算法。

平面波假設的理論示意如圖2 所示。

圖2 平面波假設的理論示意Fig.2 Theoretical Schematic Diagram of Plane Wave Hypothesis

圖2 中， k0為平面波傳播方向的波數向量，κ 為聚焦方向的單位向量，k=-kκ 為聚焦方向的波數向量，其中：ω=2πf為聲音的圓頻率；c 為聲速。rm為m 號傳聲器的坐標向量；m 為傳聲器序號，m = 1,2,… ,M。設原點為參考位置， P0為該位置的聲壓信號，為聲壓幅值，則陣列各傳聲器接收到的聲壓信號為

當波束形成的聚焦方向為κ 方向時，m 號傳聲器相對于原點的時間延遲量 Δm（ κ ）為

根據延遲求和，按M 個傳聲器歸一化的波束形成輸出結果 B （ κ ,ω）為

時間延遲量 Δm（ κ ）取決于波束形成的聚焦方向κ，以此量對各傳聲器的聲壓信號進行相位校正，在實際計算過程中，掃描可能的聚焦方向（0～360°），當聚焦方向恰好等同于聲波來向 k0時，校正后各傳聲器聲壓信號一致，波束形成幅值等于平面波幅值，形成“主瓣”，當聚焦方向不同于聲波來向時，校正后各傳聲器聲壓信號的相位仍存在差異，疊加求和時幅值被衰減，形成“旁瓣”如圖3 所示，從而有效識別聲源。

圖3 波束形成示意Fig.3 Beamforming Diagram

b）基于CNN 的聲音定位算法。

深度神經網絡在計算機視覺、語音識別和自然語言處理等諸多領域均取得了突破性研究進展，隨著標注數據的積累和GPU 計算性能的提升，卷積神經網絡的研究迅速涌現，并取得了各種最新成果。一般的卷積神經網絡結構中主要由3 種層結構組成：卷積層、池化層和全連接層，如圖4 所示。

圖4 卷積神經網絡結構Fig.4 Convolutional Neural Network Structure

卷積層由多組可學習的卷積核組成。每個卷積核對前一層中相鄰的神經元進行加權求和得到下一層中新的神經元表達，對所有區域進行計算則得到一個新的特征映射圖。多組卷積核對應多個新的特征映射圖，輸入圖像的每一個局部區域都共享一個相同的卷積核，每一局部區域為一個預設的感受野范圍，該過程可表示為

池化層是卷積神經網絡中較為重要的一個模塊。它通過減少輸入尺寸來降低可計算的連接權數目，池化操作可以理解為局部區域內相鄰特征的統計輸出，例如最大池化的輸出是相鄰矩形區域內特征的最大值，可表示為

式中 Ri,j為以(i, j )為中心的局部相鄰區域；為最大池化的輸出結果。

全連接層是在多層卷積和池化層之后用以學習高層表達和輸出的模塊。它將前一層所有神經元和下一層的神經元進行連接，從而產生全局的語義信息。

3 基于關鍵點的X 光片智能檢測技術

傳統基于深度神經網絡的通用物體檢測方法中，面向檢測精度的方法最為通用。這類方法主要由候選區域生成、分類及邊界框回歸2 個階段組成。而現有的基于深度神經網絡的通用物體檢測方法，大部分檢測錯誤來源于對候選區域的錯誤分類，所以本文提出的方法主要利用關鍵點信息提升候選區域分類的準確度。針對典型運載器產品X 光片檢測中異常區域無固定形狀、無固定大小、色差分布不可控等問題，采用一種固定點檢測的方式，利用關鍵點信息提升候選區域分類的準確度。

圖5 為基于關鍵點的圖像檢測算法框架。如圖5所示，首先開展“關鍵點預測”，給出整張圖片中的關鍵點；再通過“關聯編碼”的方法建立關鍵點之間的關聯信息；最后利用關鍵點和關聯編碼這兩種信息，采用“結構化評分方法”，同時考慮關鍵點的置信度以及關鍵點之間的關聯信息，為X 光片中每個區域生成類別分數，確認是否出現故障以及故障的位置。

圖5 基于關鍵點的圖像檢測算法框架Fig.5 Algorithm Framework of Key Points Based on Image Detection

3.1 關鍵點預測

為了預測全圖關鍵點，以共享特征圖為輸入，預測每個位置關鍵點的置信度。具體來說，假設有N 個需檢測的物體類別，每個類別的物體有ki 個預定義的關鍵點，那么總共有K 個關鍵點。為了預測全圖的關鍵點，將該預測過程建模為一個像素級分類問題，共有K+1 個類別。對于共享特征圖的每一個位置，其應當屬于K 類關鍵點之一或是屬于背景類。關鍵點預測類似基于全卷積網絡（Fully Convolutional Networks，FCN）的語義分割。

3.2 關聯編碼

關聯編碼可以用來建模關鍵點之間的關系，有效的編碼相對位置和視覺線索。首先將二維平面空間劃分為扇形網格，對于共享特征圖的每個位置，首先取出該位置的特征，然后通過變換T 將該特征向量變換為向量E。

通過使用具有較大感受野的深度卷積神經網絡特征，特征圖的每個位置可以包含來自大面積圖片區域的信息，從而引入更多的視覺線索。扇形網格設計也合理地將相對位置分解為兩個正交的因素，即方向和距離。扇形網格的特點是距離中心越遠，其網格越大，這個性質與距離越遠的關鍵點越難估計是一致的。關聯編碼不直接接受監督，而是通過結構化得分方法反向傳播回來的信號進行學習。

3.3 結構化評分方法

基于關鍵點預測和關聯編碼，通過一種結構化評分方法來計算每個候選區域的類別得分。該方法由2 個階段構成：關鍵點定位和結構化評分。

對于一個給定的候選區域，結構化評分方法首先在關鍵點預測得到的關鍵點響應圖上，對每一類關鍵點尋找最高響應，具體為

式中 feature 為關鍵點預測模塊輸出的關鍵點響應函數；代表在給定的候選區域RoI 內，關鍵點類別c的最大響應值；代表在給定的候選區域RoI 內，關鍵點類別c 的最大響應值對應的位置。即作為對應候選區域RoI 內關鍵點類別c 的預測結果?；陉P鍵點預測的位置以及關聯編碼模塊的輸出，可以得到關鍵點之間的關聯信息。

這種結構化評分方法對每個候選區域的物體類別進行評分，并通過多分類進行監督學習。訓練過程中的損失可以通過結構化評分方法反向傳播到和上，同時調整關鍵點預測模塊并訓練關聯編碼模塊。

4 智能檢測在航天運載器測試中的應用研究

4.1 非接觸電磁閥極性自動檢測系統

運載火箭各項控制機構的安裝極性一直是型號風險聚焦區域，由于整條通路環節較多，涉及各系統間接口，極性安裝檢測工作大多采用分段檢查和人工確認的方式進行。極性錯誤曾導致多次飛行失利：2013年7 月，俄羅斯質子號火箭因為速率陀螺極性錯誤起飛后爆炸；2016 年4 月，日本X 射線衛星瞳也因為消旋噴管極性錯誤而失控。如何在型號研制中杜絕由于人工確認環節導致的故障是解決極性隱患需要解決的首要問題，通過聲音定位由機器自動確認可大幅提高產品可靠性，電磁閥定位測試如圖6 所示。

圖6 電磁閥定位測試示意Fig.6 Solenoid Valve Positioning Test Schematic

結合某型運載火箭總裝測試環節開展了輔助動力系統電磁閥安裝極性檢查，確認工作工程中具體動作的電磁閥極性位置，如圖7 所示。測試過程中，麥克風陣列支架擺放在二級尾端正對面約8 m 處，被測電磁閥位于麥克風陣列中的攝像頭視場內。根據現場指揮口令對18 個電磁閥依次進行開閉操作，通過聲音定位確認工作電磁閥與口令中的極性是否一致。測試結果表明，通過基于CNN 的聲音定位算法可以準確根據閥門工作時的聲音給出電磁閥動作的位置，完成極性的確認。

圖7 電磁閥極性測試結果Fig.7 Solenoid Valve Polarity Test Results

另外，對測試過程中電磁閥產生的聲音進行了分析，電磁閥聲音特性存在以下規律：

a）可根據聲音信號在時域上的持續時間和強度，區分電磁閥的開關狀態；

b）頻域上，電磁閥在開通時和關斷時所發出的聲音頻率成分不重疊，能更準確的判斷電磁閥的工作狀態；

c）不同電磁閥開閉的聲音存在一定差異，可以通過聲音對電磁閥種類進行判別。

4.2 雷管X 光片在線檢測系統

火工品主要用于實現航天運載器的發動機點火、分離、起旋、拋撒、展開、彈射、起爆等功能。火工品功能是否正常往往直接影響飛行任務的成敗。按要求火工品必須100%開展射線檢測工作，以確保產品結構與裝配的完整性、一致性與正確性。目前中國火工品檢測方法中仍完全依靠人工完成結果的評估與檢測，為了盡可能降低受評估人員主觀因素影響導致的漏判、誤判，需要引入人工智能技術對火工品射線檢測結果進行輔助識別。

現有的雷管射線檢測中由翻拍的X 光照相機直接輸出電子圖片至臺式計算機，并在顯示器上顯示。待檢測的火工品X 光片如圖8 所示。圖像顯示隨著每批雷管產品的出廠進行更新，檢測員需要通過肉眼對顯示屏上的X 光圖片進行確認。

圖8 待檢測的火工品X 光片Fig.8 Pyrotechnic X-ray Film to be Tested

采用智能算法檢測X 光片，首先讀取電子圖像的信息，按照圖片預處理、圖片分割、數字識別和異常檢測4 個步驟完成圖像的自動化檢測：

a）圖片預處理。

輸入的圖片中包含大量與檢測結果無關的信息，開始檢測之前需要將非檢測區域從圖片中清除，將剩下的部分在內存中拼接成新的圖片。

b）圖片分割。

根據輸入圖片中每一行像素值和的大小，可以判斷出輸入圖片中數字標號存在的位置，根據標號的位置將圖片分割成一段一段的圖片，每一段圖片中含有多個數字標號。

由于每一段圖片中包含多行列需要檢測的雷管圖像，并且圖像位置在每一段圖片中并不固定，需要根據亮度分割出每一段的圖片中每一枚雷管的圖片，分割后的圖片可以作為異常檢測部分的輸入圖片。

c）數字識別。

由于需要根據圖片中的數字標號為每一根線分配一個對應的ID，故而需要通過數字識別技術識別圖片中的數字標號。此處將每一段圖片中數字標號的部分分割出來。在識別之前需要對分割出的數字標號的圖片進行放大處理，目的是獲得更準確的數字識別結果。

c）異常檢測。

采用基于關鍵點的X 光片智能檢測技術，結合標定數據的訓練生成自動檢測的網絡模型，圖9 為計算機自動檢測的結果，當出現裝藥分層或分布不均勻、裝填順序錯誤時，可以準確判斷采集到的X 光片故障，并給出故障的種類和位置。

圖9 X 光片自動化檢測結果Fig.9 X-ray Film Automated Test Results

5 結 論

針對運載火箭研制過程中易出現問題的質量環節，結合產品測試特點，創新提出了基于聲音和圖像的智能檢測方法，采用非接觸的無損測試方式在產品工作過程中實時對產品狀態進行檢驗。該方法不僅能檢測產品的故障類型，同時能夠定位故障位置，可對產品的安裝極性進行確認。在型號測試中的應用表明，智能檢測技術可以有效代替人工完成測試，提高檢測效率的同時也降低了漏檢和誤檢的風險。未來隨著人工智能技術的不斷成熟，智能檢測技術將在更多產品的測試項目中得到推廣，逐步代替人工檢測的工作。