深度學習在航天測控設備健康管理中的應用

宋明鵬 齊夢圓 吳濤 吳海洲

摘要：深度學習的應用在各個領域得到了快速發展，主要驅動力在于豐富的數據量、算法的突破性以及計算機硬件的發展。航天測控設備長時間運行累積了大量的數據，基于深度學習的航天測控設備健康管理具有實現故障的快速診斷和檢測，以及準確的故障預測等優勢。研究了目前航天測控設備健康管理的現狀及深度學習的基本理論，討論了不同深度學習模型在測控設備健康管理上的應用，分析了傳統算法與深度學習算法的區別，提出了測控設備健康管理的未來發展趨勢。

關鍵詞：健康管理;卷積神經網絡;監督學習;無監督學習;生成對抗網絡

中圖分類號：TP18文獻標志碼：A文章編號：1008-1739（2021）04-68-6

0引言

設備健康管理技術是指利用盡可能少的傳感器采集系統的各類數據信息，借助各種推理算法和智能模型來監控、預測和管理系統狀態，評估系統自身的健康狀態，并結合各種可用資源和約束條件觸發最佳維修決策[1]。近十年來，在軍事、民航等各個領域，設備健康管理技術得到了廣泛應用[2]。隨著科技的不斷發展，一方面機械設備向著復雜化、集成化的方向發展，尤其對于機械電子類設備，設備的故障存在一定的耦合性和不確定性，使得利用傳統方法進行故障定位、健康狀態評估和預測存在難度;另一方面，隨著計算機計算能力的提高，深度學習算法得到了快速發展，具有強大的自動特征提取能力，在圖像識別、文本處理和語音識別等領域取得了重要成果。本文通過對深度學習算法的研究，提出了不同深度學習算法在航天測控設備健康管理中的應用。

1航天測控設備健康管理現狀

航天測控設備的主要任務是對航天器進行跟蹤、測量和控制。通常情況下，完整的測控系統設備包括天伺饋分系統、發射分系統、高頻接收分系統、基帶分系統、綜合運管分系統、時頻分系統、測試標校分系統和記錄分系統，如圖1所示。

航天測控系統由多個分系統組合構成，不僅設備量大而且均為復雜程度高的電子類設備，同時測控設備通常在高密度、長時間的帶載條件下運行，因此航天測控設備的健康管理工作具有很大的挑戰。目前測控設備的健康管理主要采用基于模型表達的方法。

基于模型的表達主要依賴于專家的知識，診斷流程如圖2所示。在設備健康管理的過程中，首先專家通過知識編輯平臺建立故障診斷知識模型，主要基于故障樹和故障模式分析來完成，如圖3所示為系統上變頻器機箱A的故障樹。專家通過故障樹中的故障路徑來反映其對故障產生原因的猜測，每一條故障路徑是專家對引發故障可能性的一種猜測。通過對整個系統的故障樹描繪來形成知識庫。建立知識庫后，模型編譯系統對健康診斷模型進行編譯操作，將邏輯表示翻譯為物理表示，執行完編譯操作后，診斷推理軟件通過數據采集處理模塊從數據庫獲取監測狀態、日志、測控結果及歷史診斷報告等數據，調用物理庫開始推理過程。根據系統當前的設備征兆推斷出可能的故障原因后，形成健康診斷報告顯示給操作員，操作員可根據故障報告迅速完成故障定位，并根據報告中提供的建議信息維護相關設備，使系統恢復到正常工作狀態。

對于測控設備這樣復雜的系統，故障樹非常龐大，編制步驟較多，基于模型驅動的方法需要分析人員對系統非常熟悉，因此模型建立的周期非常長。由于測控任務設備本身的差異性以及系統的動態變化，研究人員需要不斷地調整模型，無法做到模型通用化;基于故障樹方法對復雜故障的診斷定位及設備評估精度往往較低。同時，當數據庫中的各類業務數據、狀態數據、設備標校數據、設備狀態記錄數據以及系統和各分系統產生的操作日志等數據積累到一定程度后，系統在時間和空間尺度上積累的這些數據呈現出海量、多模態、不確定性、多源異構性和價值低密度性等“大數據”特性。因此，如何通過大數據學習算法找出感興趣的、對系統健康狀態存在強關聯的數據成為航天測控設備健康管理下一步的重點。

2深度學習

深度學習算法是由Hinton在2006年提出[3]，從數據中學習表示的一種新方法，強調從連續的層中進行學習。深度學習的“深度”指的是一系列的連續層，這些分層統稱神經網絡，如圖4（a）所示。圖4（b）表示圖4（a）中的單個神經元，其中表示輸入變量，表示權系數，∑代表線性求和，從∑到代表非線性激活的過程，激活函數存在很多種，常用的有Relu函數、Softmax函數及Tanh函數等，從到表示褶積的過程= （∑=1 * ）。

通用的深度學習訓練流程如圖5所示，核心在于通過層與層交替使用線性和非線性處理來描述一個復雜的非線性函數，通過反向傳播來更新網絡參數，逐層訓練和參數調整得到由最優權重矩陣構成的神經網絡模型。

3深度學習模型的應用

深度學習在航天測控設備健康管理中的應用本質在于通過不同的深度學習算法來找出故障出現和故障原因間的關聯關系并建立合適的模型。航天測控設備在執行任務期間積累了海量異構數據，針對不同的數據模式和特點可以分別采用不同的深度學習算法進行處理。

3.1自然語言處理的應用

測控設備在運行過程中積累了大量的運行日志、監控日志、測試報告、維修報告等相關的文本數據，這些數據一定程度上直接或間接反映了設備運行的狀況，因此如何快速挖掘大量文本數據對設備的故障診斷具有重要的作用。

文本信息處理屬于基于深度學習的自然語言處理。自然語言處理經典的算法是word2vec[4]模型，word2vec表示將詞匯進行向量化，該模型可以定量地分析和挖掘詞匯之間的聯系。word2vec有連續詞袋模型和skip-gram模型2種模型，前者表示給定上下文詞來預測中間目標詞，后者表示根據該詞來預測上下文。測控設備產生的文本信息通過word2vec處理就可以將文本數據進行向量化，接著將向量化的信息輸入到循環神經網絡（RNN）中進行訓練，RNN是專門用于處理序列的神經網絡。通過不斷迭代訓練獲取訓練模型，最后應用模型給出設備故障原因，整個測控設備自然語言處理流程如圖6所示。

目前基于自然語言處理算法的設備故障診斷屬于初步嘗試階段，其中Su[5]基于長短時記憶（LSTM）網絡對存儲設備的監控日志進行訓練，訓練模型進行故障診斷;Ravi[6]利用事件日志對變電站變壓器進行故障分析;張斌等[7]利用LSTM網絡進行了軸承性能退化評估。

3.2傳感器監測數據的應用

航天測控設備海量異構數據主要通過布設傳感器來獲取，數據背后反應了設備的健康狀況。通常情況下單一因素，如電流、電壓等異常造成的設備故障較好診斷，但是往往故障的發生是多因素耦合造成的，設備故障出現和故障原因之間存在復雜的關系，使用常規方法無法對設備進行準確地評估和預測。因此，本文基于不同深度學習算法來挖掘設備不同參數或屬性之間的關聯關系或知識。

3.2.1監督學習

監督學習是從特定的訓練數據集中學習一個函數，當新的數據到來時，可以根據這個函數來預測結果[8]。監督學習的訓練集要求包括輸入和輸出，數據集由人工手動進行標注，由監督者人工將數據集分為訓練集和驗證集。

基于監督學習模式下的深度學習算法在設備健康管理上的應用非常廣泛，尤其在發動機、軸承等機械設備的故障診斷和故障預測領域。采集的機械數據通常為一維時間序列或頻率序列，從大量的文獻中可以得出使用最多的方法包括四大類：自編碼器（SAE）[9]、卷積神經網絡（CNN）[10]、深度置信網絡（DBN）[11]和LSTM。其中，目前應用效果較好的方法為CNN和LSTM。Bo[12]等在數據不均衡和多種工作狀態情況下，采用歸一化的CNN對滾動軸承進行智能故障診斷。基于真實設備運行狀態下數據的嚴重不均衡，為了保證不同工作條件下具有泛化能力，采用批處理歸一化消除特征參數的差異，然后結合指數移動平均技術，構建特殊模型，不斷更新優化模型參數，最后將模型應用于不同工作狀態和數據下的故障診斷。通過以上方法建立了一種低復雜度但高效的智能診斷方法，能夠很好地抑制原始數據中的噪聲以及對不同工況下的不平衡數據有良好性能。

對于航天測控設備健康管理，依據現有的方法結合測控數據的特點可以做到很好的遷移。在不影響任務的前提下，對獲取的監測數據進行深度學習建模，利用模型進行智能故障診斷。

3.2.2無監督學習

無監督學習（Unsupervised Learning，UL）是指對輸入數據不做任何標記，也沒有確定的結果。如圖7所示，左圖代表監督學習，其中紅色小圓點代表人工對數據進行的標記，右圖代表UL，輸入數據不做任何人工標記。同樣，樣本數據類別也未知，需要根據樣本間的相似性對樣本集進行分類使內差距最小化，類差距最大化。

UL的最大優勢在于不用提前對數據進行人工標注，尤其對于測控設備健康管理，數據量通常很大，采用人工的方式進行標注成本很高。目前對UL在健康管理上的應用也有大量學者展開研究[13-16]。Yu[17]提出了一種具有負相關學習功能的選擇性深層去噪自動編碼網絡用于變速箱故障診斷，SSDAE-NCL網絡的基本思想是基于UL從振動信號中提取有效的故障特征，根據提取的特征使用NLC進行微調構造分類器，最后應用模型進行故障診斷。

基于無監督學習的航天測控設備健康管理目前還存在問題，主要在于訓練數據樣本不平衡，故障數據遠小于正常數據，通常需要對故障數據進行標記來進行網絡訓練;另外，無監督學習主要對大數據完成聚類，對于航天測控設備來說分系統結構多，數據不統一且數據噪聲大，導致從無標簽數據中提取更多特征存在困難。

3.2.3半監督學習

半監督學習的特征是訓練數據集包含了大量未標記的數據和少量標簽數據，在無人工干預條件下，自動利用未標記樣本提升學習性能[18]。半監督學習避免了數據和資源的浪費，同時解決了監督學習的模型泛化能力和UL的模型不精確等問題。

半監督學習從模式上分為直推學習和歸納學習，二者的區別在于訓練模型預測的對象不同，直推學習預測的對象是訓練樣本中被標記的數據，歸納學習的預測對象是待測數據。從不同的應用場景來說，半監督學習又可以分為半監督分類問題、半監督回歸問題、半監督聚類以及半監督降維問題四大類，對于設備的健康管理問題大部分屬于半監督分類問題。

Li[18]基于半監督學習對航天設備齒輪的原始振動信號進行故障診斷，提出了一種新的增強深度稀疏自動編碼器來實現齒輪故障診斷，并通過對比驗證了該網絡的高效性和較好的泛化能力。對于航天測控設備來說，目前基于半監督學習具有很大的優勢，一方面可以減少人工的標注，另一方面可以基于測控數據特點使用多種混合模型進行測試驗證。

3.3基于GAN的設備健康管理

航天測控設備健康管理的核心問題是故障數據標識樣本的數量不能滿足深度學習對大規模帶標簽數據的需求。深度學習的成功應用，大數據是核心因素，特別是大規模的帶標簽數據。針對測控設備故障標簽數據缺乏的小樣本問題，生成對抗網絡（Generative Adversarial Networks，GAN）可以很好地解決這類問題。

GAN屬于非監督學習的深度學習算法之一，核心是通過讓2個神經網絡相互博弈的方式進行學習。GAN是由一個生成器和一個判別器組成，如圖8所示。從潛在樣本空間中隨機抽取樣本注入生成器中，經過生成器作用輸出的樣本與真實樣本作為判別器的輸入。判別器的作用將真實數據庫中的樣本區別于生成器作用樣本，而生成器則是盡可能輸出與真實樣本無差的樣本，2個網絡相互對抗、不斷調整參數，最終目的是使判別器無法判斷生成器的輸出結果是否真實[19]。

因此，基于GAN的測控設備健康管理的流程如下，訓練流程圖如圖9所示。

①測控設備系統站內設備通過系統集中監控、統一自動測試、數據交互計算機、基帶及ACU等提供監測故障數據信息。

②原始數據通過光盤等介質拷貝至本地，而后按照實時數據傳輸規范對數據進行格式轉換，生成樣本數據。考慮到數據源，圖像數據和視頻數據也可以通過軟解壓的方式注入數據庫中。

③基于樣本數據，通過樣本增強擴大樣本集，并進行自動標注，從而生成深度學習所需樣本集。

④基于樣本集，在特征提取基礎上進行網絡訓練，最終訓練生成識別網絡。

⑤依據識別網絡進行故障診斷以及設備健康狀態的評估。

4分析與展望

基于深度學習的設備健康管理與傳統的方法有著很大的不同，如表1所示。深度學習旨在通過對大量的樣本數據訓練找出潛在的故障現象和故障原因之間的關系，希望能夠自動從高維的非結構化數據中提取所需要的特征信息，同時通過數據挖掘預測分析設備的剩余壽命。深度學習算法是基于數據的定量計算，可以高速自動處理設備的各類數據，而且容錯性較高。同時，深度學習訓練模型有很好的泛化能力和遷移能力，可以將訓練好的模型應用到同一類的測控設備中。

雖然深度學習算法有很大的優勢，但是針對目前航天測控設備特點，深度學習直接引入應用還存在一些問題，具體分析如下：

①特征數據庫的建立：測控設備復雜度高，分系統多，各個系統的故障數據表達各異，形式不一致，采集來的原始數據是不能直接作為深度學習的輸入。因此，在進入深度學習前，無論采用哪種模型和算法都需要先對原始數據進行清洗。數據清洗的過程就是特征數據庫建立的過程，使非結構化的數據盡量結構化，原始數據質量越高模型訓練好。

②特征提取與故障機理之間映射：由于設備的集成性和復雜性，導致故障機理具有很強的耦合性，設備的故障和相應的參數之間存在非線性關系，如何通過深度學習算法將數據潛在特征和故障機理之間的映射關系對應是一個極具挑戰性的問題。

③基于專家模型和基于深度學習理論的相結合：深度學習只是數據處理的一種算法，其結果的好壞還有待驗證，而傳統的故障診斷方法在實際應用中體現出很大的價值，如何將二者的優勢結合起來才是實現智能健康管理的最有效途徑。

④深度學習模型的選取：如何選擇合適的模型以及如何進行參數調整，特征選擇等也都是一件困難的事情。選擇太多或者太少的特征參數容易引起故障的誤報，尤其是對于某些潛在的故障。

5結束語

在智能制造的背景下，基于大數據驅動的設備健康管理日益受到各個領域重視。通過深度學習算法可以對測控設備原始數據進行信息挖掘，在特征提取過程中發現更多的潛在知識。因此，對于航天測控設備健康管理，應用深度學習的方法必然成為一種新的趨勢，但是如何利用好深度學習進行數據訓練以及提高訓練準確度還需要進一步探索實踐。

參考文獻

[1] AHMADI A， FRANSSON T， CRONA A，et al. Integration of RCM and PHM for the Next Generation of Aircraft[C]//2009 IEEE Aerospace Conference Proceedings， Big Sky， MT ： IEEE， 2009：1-9.

[2]呂琛，馬劍，王自力.PHM技術國內外發展情況綜述[J].計算機測量與控制，2016，24（9）：1-4.

[3] HINTON G E，SALAKHUTDINOV R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science（80- ），2006，313（5786）：504-507.

[4] MIKOLOV T，SUTSKEVER I，CHEN K， et al. Distributed Representations of Words and Phrases and Their Compositionality[J]. Advances in Neural Information Processing Systems，2013，26：3111-3119.

[5] SU C J，TSAI L C，HUANG S F，et al. Deep Learning-based Real-time Failure Detection of Storage Devices[C]// International Conference on Applied Human Factors and Ergonomics. Washington D.C：AHFE， 2019：160-168.

[6] RAVI N N， DRUS S M， KRISHNAN P S，et al. Substation Transformer Failure Analysis Through Text Mining[C]// 9th Symposium on Computer Applications &Industrial Electronics （ISCAIE）. Malaysia ：IEEE，293-298.

[7] ZHANG B， ZHANG SH，LI WH. Bearing Performance Degradation Assessment Using Long Short-term Memory Recurrent Network[J]. Computers in Industry，2019，106： 14-29.

[8] GOODFELLOW I， BENGIO，Y， COURVILLE A. Deep Learning[M]. Massachusetts：MIT Press，2016.

[9] WANG F， DUN B，LIU X，et al. An Enhancement Deep Feature Extraction Method for Bearing Fault Diagnosis Based on Kernel Function and Autoencoder[J]. Shock and Vibration，2018：1-12.

[10] HUANG R， LIAO Y，ZHANG S，et al. Deep Decoupling Convolutional Neural Network for Intelligent Compound Fault Diagnosis[J]. IEEE Access，2018，7：1848-1858.

[11] WANG X， QIN Y， ZHANG AB.An Intelligent Fault Diagnosis Approach for Planetary Gearboxes Based on Deep Belief Networks and Uniformed Features[J].Journal of Intelligent & Fuzzy Systems，2018，34（6）：3619-3634.

[12] ZHAO B， ZHANG XM， LI H，et al. Intelligent Fault Diagnosis of Rolling Bearings Based on Normalized CNN Considering Data Imbalance and Variable Working Conditions[J]. Knowledge-Based Systems，2020：199.

[13] HU Chao， YOUN B D，WANG PF，et al. Ensemble of Data-driven Prognostic Algorithms for Robust Prediction of Remaining Useful Life[J]. Reliability Engineering and System Safety，2012，103：120-135.

[14] DU ZM， FAN B，JIN XQ，et al. Fault Detection and Diagnosis for Buildings and Hvac Systems Using Combined Neural Networks And Subtractive Clustering Analysis[J]. Building and Environment，2014，73：1-11.

[15] ZHU KD，MEI F，ZHENG JY.Adaptive Fault Diagnosis of HVCBs based on P-SVDD and P-KFCM[J]. Neurocomputing， 2017，240：127-136.

[16] ZHANG YY， LI XY， GAO L， et al， A New Subset Based Deep Feature Learning Method for Intelligent Fault Diagnosis of Bearing[J]. Expert Systems with Applications，2018，110： 125-142.

[17] YU JB. A Selective Deep Stacked Denoising Autoencoders Ensemble with Negative Correlation Learning for Gearbox Fault Diagnosis[J]. Computers in Industry， 2019，108：62-72.

[18] LI XY，LI JL，QU YZ，et al. Semi-supervised Gear Fault Diagnosis Using Raw Vibration Signal Based on Deep Learning[J]. Chinese Journal of Aeronautics，2019：10-15.

[19] GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative Adversarial Networks[J]. Advances in Neural Information Processing Systems，2014，3： 2672-2680.