田林琳

(沈陽(yáng)工學(xué)院 信息與控制學(xué)院，沈陽(yáng) 113122)

0 引言

隨著航天技術(shù)快速發(fā)展，航天器自動(dòng)化水平越來(lái)越高，航天器通常于高溫、高壓等惡劣環(huán)境中，一旦設(shè)備在飛行過(guò)程中出現(xiàn)故障，那么將造成不可預(yù)知的問(wèn)題，甚至對(duì)人們安全出行帶來(lái)嚴(yán)重影響，因此，對(duì)航天器故障進(jìn)行有效檢測(cè)已經(jīng)成為該領(lǐng)域研究的熱點(diǎn)問(wèn)題之一。在現(xiàn)階段，最常用的航天器故障自主檢測(cè)方法主要包括人工蟻群算法、模糊算法[1]。由于航天器故障檢測(cè)方法能夠快速自動(dòng)檢測(cè)出航天器潛在的故障問(wèn)題，進(jìn)而為航天器設(shè)備維護(hù)提供依據(jù)，保障航天器安全飛行。

傳統(tǒng)故障檢測(cè)方法大多針對(duì)的是航天器周期性故障問(wèn)題進(jìn)行識(shí)別與搜索的，自主性相對(duì)較差，而航天器故障多具有非線性特點(diǎn)。采用傳統(tǒng)故障檢測(cè)方法對(duì)故障進(jìn)行檢測(cè)，往往需要耗費(fèi)大量成本，但檢測(cè)精準(zhǔn)度較低，無(wú)法達(dá)到滿意檢測(cè)效果[2]。

為了避免上述方法的弊端，提出了基于深度學(xué)習(xí)及GPU計(jì)算的航天器故障檢測(cè)技術(shù)。GPU計(jì)算技術(shù)的發(fā)展為基于深度學(xué)習(xí)檢測(cè)航天器故障優(yōu)化加速提供了有效途徑。在GPU計(jì)算方式下，結(jié)合航天器故障信號(hào)特點(diǎn)，對(duì)故障檢測(cè)算法進(jìn)行優(yōu)化加速，進(jìn)而保證航天器的安全運(yùn)行。

1 航天器故障信號(hào)特征分析與檢測(cè)原理

航天器正常飛行時(shí)，其運(yùn)行狀態(tài)特征信號(hào)變化幅度較小，大部分集中在某一尺度范圍內(nèi)。在單位時(shí)間內(nèi)，航天器飛行所受到溫度影響，無(wú)論大小，其飛行頻率都存在一定差異，因此，研究某階段部分?jǐn)?shù)據(jù)能夠如實(shí)反映出該階段的狀態(tài)。航天器設(shè)備的各個(gè)部件都具有一定可靠性，在規(guī)定條件下，航天器可靠性與運(yùn)行時(shí)間呈正比例關(guān)系[3]。航天器可靠性將隨著時(shí)間推移而降低，航天器出現(xiàn)故障的時(shí)間也是隨機(jī)的，輸出的故障信號(hào)也是極不規(guī)則的[4]。由于航天器出現(xiàn)故障，特征信號(hào)在時(shí)間是分維數(shù)的，因此，采用GPU計(jì)算方法更能準(zhǔn)確反應(yīng)航天器運(yùn)行狀態(tài)。

航天器故障通常分為“硬故障”和“軟故障”兩種，其中“硬故障”指的是航天器出現(xiàn)突發(fā)性硬件損壞，而“軟故障”指的是某些參數(shù)出現(xiàn)不良變化，故障檢測(cè)過(guò)程是識(shí)別航天器有無(wú)故障出現(xiàn)的過(guò)程[5]。

航天器故障檢測(cè)原理可描述為：

構(gòu)造深度學(xué)習(xí)檢測(cè)模型，在此模型中，隨著層次不斷提高，輸入樣本層次相對(duì)抽象?；谏疃葘W(xué)習(xí)的航天器故障檢測(cè)過(guò)程是通過(guò)模型層次分析獲取樣本的本質(zhì)過(guò)程。在樣本訓(xùn)練過(guò)程中，可通過(guò)調(diào)節(jié)相關(guān)航天器參數(shù)，使輸出結(jié)果最大化接近輸入值，以此獲取輸入值的相關(guān)層次特征。在該過(guò)程中，將每一層輸出結(jié)果視為下一層輸入結(jié)果，以此實(shí)現(xiàn)相關(guān)輸入數(shù)據(jù)分級(jí)表達(dá)，進(jìn)而實(shí)現(xiàn)較高層次學(xué)習(xí)，不斷重復(fù)該過(guò)程，直到模型識(shí)別目標(biāo)故障特征位置，通過(guò)該原理能夠?qū)崿F(xiàn)對(duì)航天器故障的高效檢測(cè)[6]。

2 基于GPU計(jì)算技術(shù)航天器故障特征提取

GPU計(jì)算技術(shù)是顯卡的中心，與圖形處理器類似，只不過(guò)GPU是專門為執(zhí)行幾何計(jì)算而設(shè)計(jì)的。時(shí)下GPU具有3D特征提取功能，通過(guò)在坐標(biāo)位置中確定一個(gè)特征，那么利用GPU技術(shù)就可以迅速計(jì)算出該圖形所有像素，并在指定位置獲取相應(yīng)特征[7]。獲取的GPU圖像如圖1所示。

圖1 GPU圖像

針對(duì)航天器在運(yùn)行過(guò)程中出現(xiàn)的微弱振動(dòng)信號(hào)提取需求越來(lái)越迫切，故障特征提取是實(shí)現(xiàn)航天器故障檢測(cè)關(guān)鍵環(huán)節(jié)，最常用的方法是GPU計(jì)算技術(shù)提取方法，是一種平穩(wěn)提取方式。由于條件限制，難以獲取航天器振動(dòng)數(shù)據(jù)，采用地面設(shè)備振動(dòng)數(shù)據(jù)作為故障數(shù)據(jù)源，提取相關(guān)故障特征[8]。具體提取方法為：設(shè)置提取頻率為10 k，每1 024個(gè)振動(dòng)檢測(cè)值，作為一組數(shù)據(jù)源，從中隨機(jī)選取25組數(shù)據(jù)。對(duì)每組數(shù)據(jù)進(jìn)行模態(tài)分解，獲取多個(gè)組合，并對(duì)這些組合進(jìn)行變換特征提取。由于GPU作為故障特征處理，實(shí)際上是一個(gè)二維分段提取過(guò)程，包括從中讀取特征圖像和標(biāo)記圖像中的X、Y坐標(biāo)。此外，輸出寫地址是由光柵處理器來(lái)確定的，無(wú)法改變程序應(yīng)用，實(shí)際上，碎片處理器是一個(gè)SIMD數(shù)據(jù)并行執(zhí)行單元，在所有碎片中執(zhí)行獨(dú)立代碼[9]。對(duì)每個(gè)代碼中所代表的信號(hào)進(jìn)行模態(tài)分解，獲取的故障數(shù)目不一定相等，但通過(guò)信號(hào)統(tǒng)計(jì)分析，可將所有信號(hào)能量比構(gòu)造為特征向量，實(shí)現(xiàn)對(duì)全部故障特征的提取。

3 基于深度學(xué)習(xí)航天器故障檢測(cè)

3.1 深度置信網(wǎng)絡(luò)模型

依據(jù)上述提取的故障特征，采用深度學(xué)習(xí)方法對(duì)航天器故障進(jìn)行檢測(cè)。深度置信網(wǎng)絡(luò)模型是深度學(xué)習(xí)的主要模型，是一種無(wú)監(jiān)督特征學(xué)習(xí)模型，其基本組成單元是基于受限玻爾茲曼機(jī)模型構(gòu)建的，能夠最大概率擬合輸入數(shù)據(jù)，同時(shí)捕獲輸入數(shù)據(jù)中隱含的高階相關(guān)性。每一層都是由可視層和隱含層所組成的雙層網(wǎng)絡(luò)模型，各個(gè)層次間的神經(jīng)元節(jié)點(diǎn)是有連接的[10]。在GPU計(jì)算技術(shù)支持下，將提取的航天器故障特征作為輸入數(shù)據(jù)樣本，而隱含層相當(dāng)于特征提取器，在相關(guān)模型連接權(quán)值參數(shù)支持下，可將構(gòu)建的深度置信網(wǎng)絡(luò)模型分為兩部分，分別是無(wú)監(jiān)督形式預(yù)訓(xùn)練階段和有監(jiān)督形式的微調(diào)階段。

圖2所示為3個(gè)隱含層和1個(gè)可視層組成的深度置信網(wǎng)絡(luò)模型。

圖2 深度置信網(wǎng)絡(luò)模型

由圖2可知，3個(gè)隱含層為無(wú)監(jiān)督形式預(yù)訓(xùn)練階段，而1個(gè)可視層為有監(jiān)督形式的微調(diào)階段。在這兩個(gè)階段下，對(duì)航天器軸承故障問(wèn)題展開分析。深度置信網(wǎng)絡(luò)模型具有若干個(gè)隱變量層的生成模型，該單元通常是二值的，只有一個(gè)隱藏層存在一個(gè)隱含層。頂部?jī)蓪又g連接是無(wú)向的，而其他層次之間連接是有向的，箭頭代表了最接近數(shù)據(jù)的層次。深度神經(jīng)網(wǎng)絡(luò)在每一層都是對(duì)最原始輸入數(shù)據(jù)進(jìn)行特征描述的，由于深度網(wǎng)絡(luò)是分層訓(xùn)練的，因此，最優(yōu)一層分類器可換為任意一種分類器。在對(duì)航天器某個(gè)節(jié)點(diǎn)進(jìn)行故障檢測(cè)時(shí)，需丟掉網(wǎng)絡(luò)第三層，才能形成自聯(lián)想神經(jīng)網(wǎng)絡(luò)，使其形成一種更好神經(jīng)網(wǎng)絡(luò)模型，實(shí)現(xiàn)對(duì)故障數(shù)據(jù)的重構(gòu)，也為航天器軸承故障檢測(cè)奠定基礎(chǔ)。

3.2 軸承故障預(yù)測(cè)

根據(jù)上述內(nèi)容構(gòu)建的深度置信網(wǎng)絡(luò)模型的輸入及隱含層神經(jīng)元輸出在訓(xùn)練中伯努利值，大大限制了其在時(shí)序數(shù)據(jù)預(yù)測(cè)中的應(yīng)用。由于輸入層和隱含層各個(gè)單元都是連續(xù)性隨機(jī)單元，因此，越高度逼近連續(xù)型非線性時(shí)序數(shù)據(jù)，越說(shuō)明該軸承故障數(shù)據(jù)越多[11]。

采用基于深度學(xué)習(xí)航天器故障檢測(cè)技術(shù)對(duì)軸承故障進(jìn)行預(yù)測(cè)，可通過(guò)特征指標(biāo)準(zhǔn)確描述關(guān)鍵機(jī)械部件故障特征，將經(jīng)過(guò)GPU計(jì)算技術(shù)下提取的故障特征用于深度置信網(wǎng)絡(luò)故障預(yù)測(cè)基本數(shù)據(jù)。所使用的具體步驟如下所示：

1)運(yùn)用GPU計(jì)算技術(shù)提取振動(dòng)加速度數(shù)據(jù)，推測(cè)航天器軸承的使用壽命。

2)提取不同狀態(tài)下振動(dòng)參數(shù)，組成多維特征矢量。

3)根據(jù)原始多維特征矢量融合特點(diǎn)，判斷軸承故障出現(xiàn)的綜合特征；

4)通過(guò)正常時(shí)期指標(biāo)數(shù)據(jù)的訓(xùn)練樣本，將出現(xiàn)的故障綜合特征進(jìn)行歸一化；

5)對(duì)模型參數(shù)進(jìn)行優(yōu)化，建立軸承故障振動(dòng)連續(xù)預(yù)測(cè)器模型。

6)對(duì)可能引發(fā)故障的相關(guān)數(shù)據(jù)集進(jìn)行預(yù)測(cè)。

通過(guò)對(duì)軸承故障預(yù)測(cè)，能夠搜集相關(guān)數(shù)據(jù)，為故障識(shí)別奠定基礎(chǔ)。

3.3 軸承故障識(shí)別

在對(duì)不同故障任務(wù)進(jìn)行識(shí)別時(shí)，需設(shè)置不同網(wǎng)絡(luò)參數(shù)，在正常情況下需通過(guò)人工經(jīng)驗(yàn)來(lái)耗費(fèi)大量時(shí)間。因此，需設(shè)計(jì)一個(gè)具有參數(shù)自適應(yīng)能力診斷模型，以此提高軸承故障識(shí)別適應(yīng)性。軸承故障如圖3所示。

圖3 軸承故障

由圖3可知，軸承故障位置依次為外圈、密封處、內(nèi)圈和滾動(dòng)體。根據(jù)該故障位置，提出的一種基于深度學(xué)習(xí)及GPU計(jì)算的航天器故障檢測(cè)技術(shù)，用于軸承故障識(shí)別，具體識(shí)別步驟如下所示：

1)分析并識(shí)別滾動(dòng)軸承振動(dòng)信號(hào)；

2)構(gòu)建數(shù)據(jù)樣本集作為訓(xùn)練樣本，用于故障的識(shí)別；

3)檢測(cè)識(shí)別網(wǎng)絡(luò)權(quán)值矩陣，并處理偏置矩陣的初始化數(shù)值；

4)檢測(cè)技術(shù)可以自動(dòng)確定網(wǎng)絡(luò)所有的關(guān)鍵參數(shù)，用于識(shí)別；

5)根據(jù)深度置信網(wǎng)絡(luò)模型中的最優(yōu)測(cè)試樣本，用于測(cè)試識(shí)別故障。

通過(guò)把軸承的復(fù)合故障振動(dòng)信號(hào)和單故障信號(hào)進(jìn)行歸一化處理，在構(gòu)造故障樣本，根據(jù)不同故障狀態(tài)下的信號(hào)振動(dòng)情況進(jìn)行采樣。以多個(gè)采樣點(diǎn)為基礎(chǔ)，學(xué)習(xí)故障特征，由此實(shí)現(xiàn)航天器故障檢測(cè)。

3.4 故障特征學(xué)習(xí)

在航天器軸承故障的診斷識(shí)別當(dāng)中，深度學(xué)習(xí)與先進(jìn)信號(hào)處理之間相互作用，對(duì)故障的識(shí)別判斷發(fā)揮了各自的優(yōu)勢(shì)。深度學(xué)習(xí)對(duì)信號(hào)局部特征的相似數(shù)據(jù)進(jìn)行有效的區(qū)分和整理，避免數(shù)據(jù)重復(fù)利用。

深度學(xué)習(xí)方法運(yùn)用深度置信網(wǎng)絡(luò)模型，對(duì)原始信號(hào)無(wú)監(jiān)督特征學(xué)習(xí)進(jìn)行監(jiān)督，使軸承故障特征學(xué)習(xí)更加完善，同時(shí)提高了航天器健康狀態(tài)自動(dòng)、高效的識(shí)別效果。所提方法具體步驟如下所示：

1)訓(xùn)練機(jī)械振動(dòng)加速度數(shù)據(jù)；

2)將原始數(shù)據(jù)進(jìn)行歸一化處理，并將其劃分為訓(xùn)練樣本和測(cè)試樣本；

3)使用深度置信網(wǎng)絡(luò)模型，用于訓(xùn)練樣本無(wú)監(jiān)督特征學(xué)習(xí)；

4)通過(guò)構(gòu)建健康狀態(tài)分類器，把學(xué)習(xí)到的訓(xùn)練樣本深層特征輸入到模型之中。

3.5 智能故障診斷

基于上述內(nèi)容，設(shè)計(jì)智能故障診斷實(shí)現(xiàn)方案，具體步驟如下所示：

1)智能故障診斷可以直接獲取軸承振動(dòng)頻譜數(shù)據(jù)；

2)智能故障診斷可以直接建立訓(xùn)練樣本和測(cè)試樣本；

3)構(gòu)建具有代表性的多隱層深度置信網(wǎng)絡(luò)模型，可以自主區(qū)分并獲取訓(xùn)練樣本；

4)深度置信網(wǎng)絡(luò)模型具有自主學(xué)習(xí)的性能；

5)采用深度學(xué)習(xí)方法實(shí)現(xiàn)智能故障診斷。

4 實(shí)驗(yàn)

為了驗(yàn)證基于深度學(xué)習(xí)及GPU計(jì)算的航天器故障檢測(cè)技術(shù)可靠性，需結(jié)合自身研究成果，依次展示不同方法對(duì)航天器軸承故障檢測(cè)效果。

4.1 實(shí)驗(yàn)參數(shù)設(shè)置

實(shí)驗(yàn)設(shè)備軟硬件參數(shù)設(shè)置如表1所示。

表1 實(shí)驗(yàn)設(shè)備軟硬件參數(shù)

4.2 軸承故障檢測(cè)

將NASA預(yù)測(cè)數(shù)據(jù)庫(kù)中的軸承全壽命實(shí)驗(yàn)數(shù)據(jù)作為樣本數(shù)據(jù)進(jìn)行檢測(cè)分析，根據(jù)運(yùn)行時(shí)間最長(zhǎng)的軸承作為研究對(duì)象，通過(guò)多次檢測(cè)數(shù)據(jù)的結(jié)果提取每個(gè)信號(hào)段的指標(biāo)數(shù)據(jù)特征。把全壽命信號(hào)分為4 000個(gè)數(shù)據(jù)段，采用融入原始特征向量之中的局部線性嵌入算法，將第一個(gè)非零特征值與對(duì)應(yīng)的特征矢量作為綜合特征指標(biāo)，如圖4所示。

圖4 軸承綜合特性指標(biāo)

由圖4可知，隨著時(shí)間的增加，正常階段下的綜合特征指標(biāo)最高為1.04；微弱故障階段的綜合特征指標(biāo)最高為1.06；失效階段綜合特征指標(biāo)最高為1.2。訓(xùn)練樣本為第7天到第28天的綜合特征指標(biāo)，預(yù)測(cè)目標(biāo)為第28天到第35天的綜合特征指標(biāo)。

將深度學(xué)習(xí)及GPU計(jì)算的航天器故障檢測(cè)技術(shù)與傳統(tǒng)故障檢測(cè)技術(shù)在不同時(shí)間段下進(jìn)行對(duì)比，結(jié)果如圖5～6所示。

圖5 兩種技術(shù)第7天到第28天綜合特征指標(biāo)

由圖5可知：采用深度學(xué)習(xí)及GPU計(jì)算檢測(cè)技術(shù)在第7天到第28天內(nèi)，預(yù)測(cè)的綜合特征指標(biāo)與實(shí)際綜合特征指標(biāo)基本吻合；而采用傳統(tǒng)故障檢測(cè)技術(shù)在第7天到第28天內(nèi)，預(yù)測(cè)的綜合特征指標(biāo)與實(shí)際綜合特征指標(biāo)相差較大。

圖6 兩種技術(shù)第28天到第35天的綜合特征指標(biāo)

由圖6可知：采用深度學(xué)習(xí)及GPU計(jì)算檢測(cè)技術(shù)在第28天到第35天內(nèi)，預(yù)測(cè)的綜合特征指標(biāo)與實(shí)際指標(biāo)基本一致，在第32天時(shí)，預(yù)測(cè)指標(biāo)與實(shí)際指標(biāo)重合；而采用傳統(tǒng)故障檢測(cè)技術(shù)在第28天到第35天內(nèi)，預(yù)測(cè)的綜合特征指標(biāo)與實(shí)際指標(biāo)相差較大，說(shuō)明采用傳統(tǒng)方法預(yù)測(cè)效果并不精準(zhǔn)，而使用深度學(xué)習(xí)及GPU計(jì)算檢測(cè)技術(shù)預(yù)測(cè)效果較為精準(zhǔn)。

將深度學(xué)習(xí)及GPU計(jì)算檢測(cè)技術(shù)與傳統(tǒng)檢測(cè)技術(shù)的檢測(cè)精準(zhǔn)度進(jìn)行對(duì)比分析，結(jié)果如表2所示。

表2 兩種技術(shù)檢測(cè)精準(zhǔn)度

由表2可知，隨著迭代次數(shù)增加，傳統(tǒng)檢測(cè)技術(shù)始終維持在60%以下，而深度學(xué)習(xí)及GPU計(jì)算檢測(cè)技術(shù)始終高于90%以上。由此可知，深度學(xué)習(xí)及GPU計(jì)算檢測(cè)技術(shù)對(duì)航天器故障檢測(cè)精準(zhǔn)度較高，說(shuō)明該技術(shù)是具有可靠性的。

5 結(jié)語(yǔ)

針對(duì)傳統(tǒng)航天器故障檢測(cè)方法存在檢測(cè)精準(zhǔn)度較低的問(wèn)題，提出了基于深度學(xué)習(xí)及GPU計(jì)算的航天器故障檢測(cè)技術(shù)。構(gòu)建深度網(wǎng)絡(luò)學(xué)習(xí)方法，深度學(xué)習(xí)網(wǎng)絡(luò)模型節(jié)點(diǎn)，獲取相關(guān)故障特征，以此實(shí)現(xiàn)對(duì)航天器當(dāng)前故障狀態(tài)的判定，進(jìn)而完成航天器故障自主檢測(cè)。由實(shí)驗(yàn)結(jié)果表明，該方法在對(duì)航天器進(jìn)行自主檢測(cè)時(shí)，相比于傳統(tǒng)故障檢測(cè)精準(zhǔn)度提高較多。采用深度學(xué)習(xí)方法能夠自適應(yīng)提取輸入數(shù)據(jù)中的代表性信息，擺脫以往檢測(cè)的依賴，獲取可靠故障預(yù)測(cè)結(jié)果。