基于機器學習建模的航天器健康管理平臺研究

房紅征，年夫強，羅 凱，王曉棟，李 蕊

(1.北京航天測控技術有限公司，北京 100041；2.北京市高速交通工具智能診斷與健康管理重點實驗室，北京 100041；3.中國航發沈陽發動機研究所，沈陽 110015)

0 引言

故障預測與健康管理技術(PHM)是一項復雜的系統工程，能夠顯著降低維修、使用和保障費用，提高戰備完好率和任務成功率，提高裝備安全性和可用性。而PHM平臺架構作為PHM技術的頂層規劃與設計，對于PHM技術的成功應用發揮著至關重要的作用。目前研究主要從基于PHM應用需求的物理框架與基于PHM功能需求的軟件框架結構出發對PHM平臺架構進行研究，形成了相應的PHM架構體系，開發出具有實時監測與診斷功能的機載系統與地面支持系統，并在實際中取得了成功應用。

在飛行器健康管理系統架構方面，美國F-35戰機采用的是分布式的PHM體系架構，主要從軟硬件監控層、分系統管理層、平臺管理層三層結構來進行規劃與設計，其中地面PHM系統完成如狀態趨勢分析、剩余壽命預測、維修計劃優化、維修工作范圍制定、維修成本管理等需要復雜模型計算與決策工作[1-4]。飛行器綜合健康管理IVHM框架是由美國NASA和波音等多家單位共同提出的，其地面支持系統負責收集更為廣泛的信息和資源，完成對航空器的故障診斷、預測和維護等，并將其發送給后勤保障系統與地面維護系統；地面維護系統根據傳輸的信息確定需要進行的維護工作，優化組織人員，維護資源配置，記錄維護數據，測試和驗證維修結果[5-8]。此外，國內在分析總結典型PHM系統架構的基礎上，提出了一種基于SOA架構，雙總線技術的民用客機PHM地面支持系統架構設計方法，有效地實現了信息資源的共享，保障了系統的運營服務質量[9]。

大多數航天器系統具有長期實時運行、無人值守等特點。即使是載人空間站，其運行和維護也受到嚴格的成本、周期、重量等條件的限制。因此，對航天器進行準確及時的狀態監測、故障診斷和合理的壽命預測，對于航天器的高可靠性和長壽命使用具有重要價值和意義?？臻g環境、復雜工況、老化失效等綜合因素，使得航天器故障檢測、診斷、預測異常困難。傳統專家知識系統在航天器系統級故障處理方面能力有限，依然需要設計師、領域專家花費大量時間進行機理分析、公式推導、試驗驗證。這種人工分析為主的工作模式顯然無法滿足航天器數量增長與高可靠運行等發展需求。

近年來，微軟的Azure、谷歌的Cloud Machine Learning、阿里巴巴的PAI等機器學習平臺，憑借其友好的流程化分析框架、豐富的即插即用機器學習工具、分布式的服務等諸多優點，為航天器等PHM領域復雜問題分析處理和平臺構建提出了新思路[10-11]。

本文在對機器學習技術在航天器PHM領域的應用分析基礎上，提出了基于機器學習建模的航天器健康管理平臺的設計思路，初步建成了相應平臺，并進行了驗證案例分析，為促進航天器PHM系統工程化水平提升進行了有益的探索。

1 機器學習及其建模平臺在航天器PHM中的應用分析

常見的航天器故障預測與健康管理方法包括數據驅動、基于模型等方法，其中神經網絡等機器學習方法是數據驅動的PHM方法的重要組成部分。按照 OSA-CBM+要求，PHM 的主要技術流程包括“數據獲取”、“數據處理”、“狀態檢測”、“健康評估”、“預測評估”和“建議生成”等。根據機器學習技術應用領域定義中提到的分類、回歸、聚類、密度估計等能力，PHM的數據預處理、狀態檢測、健康評估和預測評估這4個部分會用到相關的機器學習技術，包括：數據處理：包括預處理、特征提取、降維相關和密度估計等；狀態檢測：包括閾值檢測、模糊邏輯、聚類相關性和密度估計等；健康評估：包括分類、聚類、相關性分析等用于診斷和推理；預測：利用回歸、相關性分析等用于故障預測和壽命預測。

對于衛星、空間站等航天器，由于受復雜的空間環境中外部影響的不確定性以及光照和陰影、開關機、姿態調整、變軌等運行條件因素影響，存在著設備潛在故障難以識別的問題。在航天器健康管理過程匯總應用機器學習技術主要存在以下幾個方面的挑戰：航天器產品數量少，故障樣本少，診斷預測等較為依賴自學習能力；航天器產品可測試性水平有待提高，較為依賴基于故障特征的數據挖掘；空間和地面環境的差異導致知識不準確并且需要動態優化；緊急任務和需求條件下的維護和預測困難。

近年來，隨著人工智能科學的發展，一方面，機器學習算法不斷豐富，學習深度不斷加深，性能不斷提高，基于深度學習的機器學習方法得到廣泛應用，在圖像、視覺和智能對弈等領域取得了空前的成功，深度學習可通過學習一種深層非線性網絡結構，實現復雜函數逼近，表征輸入數據分布式表示，展現了強大的從少數樣本集中學習數據集本質特征的能力，因此也在包括航天器在內的復雜裝備中得到越來越多的研究應用[12-13]。使用深度神經網絡等機器深度學習方法，能更有效的深入分析衛星電源等分系統試驗運行數據，不僅有助于改進試驗方案本身，而且可以很好的校驗設計模型，發現重點薄弱環節，最終提高衛星等航天器設計能力。深度學習通過貪婪逐層訓練算法解決了深度神經網絡的訓練問題，使得網絡在特征提取與健康狀況識別方面都有極大提高[14]。另一方面，如前所述，許多國際知名的制造或IT企業都專注于設備的智能在線監控和PHM應用，推出了多個機器學習云服務平臺產品，如微軟的Azure、谷歌的Cloud Machine Learning、阿里巴巴的PAI等機器學習平臺，利用商業智能數據分析服務，實現了狀態監測、可預防維護等健康管理應用，提升了企業產品的服務質量和智能服務水平。

例如，羅羅公司與微軟公司合作，通過微軟的Azure云平臺技術對地理位置分散的不同數據源進行收集與匯總，提供的基于大數據分析的性能衰退與剩余壽命預測服務能夠幫助航空公司合理規劃維修工作，避免計劃外停運，在1年中幫助航空公司避免了近70%的潛在發動機維修工作，從而為航空公司節省了可觀的維修費用[15]。谷歌、阿里巴巴的機器學習平臺產品也形成了較多PHM案例[16-18]。

結合很多案例可以發現，機器學習云平臺在PHM的應用中相對于傳統的軟件系統具有一定的優勢，例如分布式云服務架構讓更多用戶能夠構建PHM并與之交互、機器學習工具降低了對人員技術水平的要求、遠程主機平臺降低了應用單位的維護壓力、為第三方用戶提供更高效的服務等等，從而為基于機器學習建模的航天器PHM平臺設計實現提供了技術基礎。

2 PHM機器學習平臺架構設計

2.1 體系架構設計

根據航天器系統的特點及其PHM建模要求，借鑒了主流的機器學習平臺產品理念，在以往航天器PHM平臺技術研究基礎上[19-21]，設計了基于機器學習的航天器PHM平臺的架構，如圖1所示，具體包括：

圖1 基于機器學習建模的航天器PHM平臺架構示意圖

1)PHM服務接口。使用Eureka服務客戶端查看平臺提供的服務接口，使用http協議，調用診斷、預測、評估等健康管理微服務計算，最后返回計算結果。

2)PHM微服務。使用TensorFlow、Python、C++等不同類型語言編寫的計算模型，通過Spring Cloud發布服務。

3)消息中間件。使用Kafka分布式消息系統解決TB級數據處理，可以保持長期穩定。

4)基礎算法庫。借助Spring Cloud支持的計算服務引擎，可以集成自己開發的算法或第三方算法包，如TensorFlow、Pandas等，并通過接口封裝。

5)集成開發平臺。使用圖形化建模工具，可以在平臺上拖拽構建算法模型流程。進程發布為微服務，支持外部Http調用。

6)專用模型。在之前工作的基礎上，建立屬于航天器領域的專用PHM算法模型，如控制系統的陀螺動力學方程和供配電系統的電池壽命預測模型，這些都是在長期研發過程中逐步積累的。

7)典型入口。平臺提供運行控制、測試分析、安全調度、知識工程、設計改進等入口。

2.2 機器學習模型開發

TensorFlow、Pandas等算法包不僅有傳統的統計分析、時頻域計算、神經網絡等算法，還提供深度機器學習支持，包括CNN神經網絡、GAN神經網絡等(如圖4所示)。這些深度學習算法有效地提高了圖像、聲音等的模式識別精度，并且可以將其應用于健康管理領域。

針對航天器健康管理的具體要求，在參考阿里云PAI和微軟Azure等機器學習平臺的基礎上，設計開發了航天器健康管理模型集成開發工具，如圖2所示。

圖2 通用算法庫界面示意圖

需要配置模型的輸入輸出接口和中間參數。算法模型的接口是否完整和正確直接影響到后續算法模型的使用。 在設計這部分時，可以參考開發文檔，也可以參考官方的圖形界面如TensorBoard，如圖3所示。

圖3 PHM圖形模型集成開發工具示意圖

2.3 機器學習服務

為了支持機器學習應用，需要設計一套機器學習的訓練和數據計算服務。外部用戶可以通過http接口調用服務。響應微服務請求后，平臺中的Spring Cloud通過調用輸入的訓練數據和計算數據完成模型的訓練和計算，并輸出計算結果。 具體流程如圖4所示。

如圖4所示，具體流程包括：

課程設計改革 高年級學生開始具有機械設計課程設計、機械制造裝備課程設計等，傳統的執行方式是學生在電腦上完成設計結構的三維模型和繪制相應的裝配圖、零件圖。不少高校出于課時、安全、成本等各種因素考慮，學生真正利用傳統的加工機床完成實物制作的少之又少，進而無法驗證設計結構的合理性，也未能得到直觀的認識。3D打印技術具有快速實現、安全等優勢，因此考慮用3D打印技術來進行課程設計的實物制作，提升學生對設計結構的認識，是可行且十分需要的。通過課程設計的實物3D打印，學生一方面能夠認識設計結構，另外一方面能夠更深層次理解3D打印技術。

圖4 航天器機器學習平臺工作流程示意圖

1)數據輸入，計算請求的任務信息(任務id、計算周期、請求地址等)，模型參數(如預處理方法、神經網絡層數、輸入層定義、隱藏層神經元個數等)、訓練數據和計算數據等。

2)任務請求，平臺收到任務請求后，解析服務數據，并將數據發送給服務器主控制器(Master)。Master根據Mesos、TensorFlow等并行計算資源設置條件將計算出的數據發送到多個服務容器。

3)循環計算，計算服務器資源采用并行方式，根據CPU和內存資源的分配情況讀取特定數據，訓練神經網絡，通過多次迭代完成模型訓練。

4)模型文件保存，文件經過訓練后由服務器保存，保存在服務器硬盤中。

5)數據返回，計算后PHM微服務通過http協議將計算結果返回給用戶系統，用戶系統加載并顯示計算結果。

6)模型優化，平臺通過設置模型訓練周期，利用用戶輸入的數據，計算并修正模型文件的誤差，實現自學習能力。

3 關鍵技術

3.1 多語言融合的健康管理算法模型構建技術

健康管理算法模型是PHM平臺的核心技術，這些模型主要用來實現對航天器不同分系統、部件的異常檢測、故障診斷、故障預測、維修決策等綜合性需求，當針對衛星等進行健康管理平臺開發時，由于其結構的復雜性，一般開發團隊由于其技術領域限制，已無法實現裝備級的PHM系統開發，需要來自不同領域、不同專業的團隊合作，開發滿足不同需求的算法模型，進而實現部件級、分系統級的健康管理。但這種合作帶來的問題在于不同的團隊使用的技術尤其是語言有比較大的差異，比如開發人員普遍采用面向對象的java語言進行web開發，而算法工程師更偏向于采用python和matlab語言進行算法模型的開發。在實際工程應用中，如何解決這種多語言融合的問題一直是PHM平臺開發的熱點研究方向。當前針對這種多語言融合的問題暫時沒有比較高效的方法，主要采用算法設計和算法實現分離的形式，避免算法開發出現多語言的問題。主要是算法工程師提供算法設計的總體思路，以偽代碼或者解決方案的形式提供給開發人員，開發人員采用C或者java語言，根據算法的原理來實現相應的功能，并集成到對應的業務系統中。這種方法在一定程度上是可行的，但是會明顯地降低開發效率。

隨著機器深度學習技術、大數據技術的興起，PHM的核心故障診斷、預測、評估算法模型趨向于海量數據建模、神經網絡運算，而且有別于業務邏輯系統的開發，PHM算法得實現核心依賴于海量數據，基于矩陣的GPU運算具備更高的優勢，針對復雜的GPU并行計算，也依賴于當前專業的機器學習框架如Tensorflow、Keras、Matlab等。合理使用相應的技術架構、開發語言能夠快速的作為PHM系統的開發，而這種技術架構、開發語言的融合由于缺乏成功的工程經驗，也導致了各種現有的技術無法有機融合，無法實現更先進的PHM系統。

使用Docker容器技術和微服務是解決上述問題的關鍵技術。Docker容器是一種先進的虛擬化技術，它能夠輕量級的搭建一個具有核心功能的Linux系統，基于此系統能夠安裝所需的任何運行環境，并且能夠將各種運行環境隔離開來，以接口的形式實現各種運行環境的交互，能夠實現技術架構層次的統一。而微服務技術能夠將不同的應用發布成獨立的微服務，而忽略實現相應應用的過程，包括開發語言和技術架構。采用Docker+微服務的技術結合形式，是實現多語言融合的算法模型構建有效的方法，如圖5所示。

圖5 多語言推理引擎技術框架

3.2 基于分布式的健康管理計算服務引擎技術

圖6 分布式健康管理服務引擎技術框架

通過采用的分布式服務架構，可實現以下服務流程：應用服務器經數據中間件服務器，將計算任務請求發送至計算服務器，支持的任務類型為Python等引擎，“Scheduler”部分根據任務請求創建出多個Job，每個Job代表了一個獨立應用的計算分析任務，例如某航天器XX功率預測等；具體流程包括如下內容：

1)發送資源請求及任務信息：由應用服務器，根據TensorFlow計算架構，將Job轉換為TensorFlow Job，該Job將根據計算任務預先配置的資源需求(例如PS：1個，需求1 CPU、1 GB內存；Workers：3個，每個Worker 1 CPU、2 GB內存?？傆嫞? CPU、7 GB)；

2)反饋資源：Mesos Master(獨立的物理主機)實時接收下設多臺Mesos Slave計算服務器，反饋的各自物理空閑資源。例如：Mesos Slave-1剩余3 CPU、4 GB，Mesos Slave-2剩余1 CPU、2 GB，Mesos Slave-3剩余2 CPU、4 GB…；

3)分配任務資源：Mesos Master服務器的Moduler將根據下設各Slave資源，采用最優化的方案，對Job資源進行分配，例如將PS1及Worker(1～3)分別分配在Mesos Slave1～3中；

4)識別身份：Mesos Slave通過與Master通信，識別自身在Job中的身份，例如Task1、Task2等；

5)建立TF結構：在Slave識別自身在Job的身份，按照身份開辟多個Task線程，組成PS、Works結構；

6)計算執行：由Slave根據TensorFlow結構進行計算；

7)向Master反饋執行結果：由Slave向Master反饋計算結果；

8)向Web-Server反饋執行結果：由Master向應用服務反饋計算結果。

4 應用驗證案例分析

利用通用故障預測與健康管理開發工業軟件實現了基于機器學習建模的航天器健康管理平臺，以衛星電源分系統關鍵部件預測為例進行驗證。衛星電源分系統的太陽電池陣具有額定功率，在長期的軌道運行過程中，整個太陽能電池陣的輸出功率會因為粒子撞擊和材料老化等原因發生下降并逐漸減少，從而導致壽命退化。

4.1 基于經驗模型的太陽電池陣輸出功率預測案例

航天器太陽電池陣輸出功率預測主要基于光電轉換的經驗模型，利用地面試驗數據估算模型參數。 具體的模型方法如圖7所示。結合以往的經驗，實際工程中的這種預測模型需要獲取大量的測試數據，而實際工程中往往會進行等效的簡化模型構建與應用。

圖7 基于經驗模型的太陽陣輸出功率預測原理及電壓電流關系

如圖7所示，對電源分系統的關鍵部件太陽電池陣，分析其工作機理，建立基于等效電路的太陽電池陣輸出功率衰減模型。根據太陽電池陣的工作原理，考慮太陽光強、入射角、衰減因子等空間環境的影響，建立基于等效電路的太陽陣輸出功率預測模型，并用遙測數據對已建立的模型進行修正，可以對輸出功率的短期異常進行檢測和判斷，并對長期工作中出現的性能衰退趨勢進行預測。

4.2 基于機器學習建模的太陽電池陣輸出功率預測案例

利用PHM機器學習平臺中的深度學習模型，建立了太陽電池陣列功率預測的數學模型。通過讀取衛星電源分系統關鍵部件的遙測數據，包括母線電壓、充電電流、放電電流、分流電流等，計算出太陽電池陣的輸出功率，利用長短期記憶網絡(LSTM，long short-term memory)實現功率預測。與傳統模型方法相比，LSTM具有建模方法簡單、無需獲取過多參數、預測精度好等優點，主要步驟包括：

1)圖形化建模。使用平臺提供的圖形化工具進行建模，整個過程包括數據采集模塊、數據預處理模塊、LSTM神經網絡訓練模塊、LSTM神經網絡預測模塊、預測值精度測試模塊等，如圖8所示。具體包括：

圖8 航天器機器學習平臺下太陽電池陣LSTM 預測建模過程

(1)數據庫模塊：通過提供數據庫接口訪問航天器遙測數據。

(2)預處理模塊：根據電流和電壓計算功率，進行平滑降噪等處理。

(3)歸一化模塊：對計算出來的數據進行歸一化處理，避免不同維度數據的影響。

(4)LSTM訓練模塊：配置LSTM網絡訓練模塊，用輸入的部分數據訓練LSTM網絡預測模型。

(5)LSTM計算模塊，計算并輸出預測結果。

(6)評估模塊：將原始數據與結果和輸出預測精度進行比較評價。

2)LSTM訓練。使用平臺提供的模型訓練工具完成模型初始化訓練。 由于深度學習神經網絡的復雜結構，海量數據訓練是計算密集型和長期的。建議使用高性能機器學習 GPU 服務器進行訓練。

3)微服務發布。訓練好的太陽能電池陣列功率預測模型發布后，可以通過Eureka等服務客戶端查看服務微服務，客戶端WEB頁面還提供具體微服務的詳細信息供外部用戶查看參考，如圖9所示。

圖9 微服務發布和狀態監控界面示意圖

4)使用經過訓練的 LSTM 網絡，通過輸入一段歷史數據進行數值預測。無需復雜的網絡設置和調整，LSTM 就可以實現更好的數據預測，并預測特定時間內太陽能電池陣列功率變化的趨勢，如圖10所示。

圖10 基于LSTM的太陽陣輸出功率預測結果示意圖

通過添加更多遙測數據并提取最大功率極值特征，預測太陽能電池陣列功率，如圖11所示。

圖11 太陽陣輸出功率不同方法預測結果對比示意圖

5 結束語

機器學習平臺可以通過微服務、機器學習和消息中間件系統為 PHM 應用程序提供先進和高效的支持。本文提出了面向機器學習建模的航天器健康管理平臺設計方案與方法，但PHM應用效果更依賴于核心算法模型，相關研究和項目體系建設還存在諸多技術難點。后續將繼續在該領域進行研發，以加快航天器健康管理的發展，提高系統技術的成熟度。