李鵬程，陳海東，李世鵬，連彥澤

運載火箭遙測數(shù)據(jù)智能判讀算法應用

（1 北京宇航系統(tǒng)工程研究所 北京 100076 2 中國運載火箭技術研究院 北京 100076）

在運載火箭高發(fā)射密度、高判讀需求、高數(shù)據(jù)量的背景下，現(xiàn)有自動化判讀的判據(jù)覆蓋率不全、判據(jù)編寫門檻高、耗時多的問題日益凸顯，缺少較通用的算法對傳統(tǒng)判讀算法未覆蓋的判讀任務進行判讀補充，進而影響運載火箭效果評估與系統(tǒng)性能評定。為充分挖掘海量遙測數(shù)據(jù)中隱含的參數(shù)變化規(guī)律，設計智能判讀算法作為傳統(tǒng)算法的有益補充，提升傳統(tǒng)判讀的判讀覆蓋率和判讀效率。以液體運載火箭長期加電試驗產(chǎn)生的遙測數(shù)據(jù)為研究對象，設計集成神經(jīng)網(wǎng)絡智能判讀算法，在給出的判讀指標下研究得出，集成神經(jīng)網(wǎng)絡在頻率異常、丟幀等五種現(xiàn)有判據(jù)難以描述的判讀場景下，判讀性能提升30%，提高了現(xiàn)有判據(jù)的覆蓋率，后續(xù)可為判讀體系完善和智能判讀落地提供研究參考。

運載火箭；遙測數(shù)據(jù)；神經(jīng)網(wǎng)絡；判讀

引言

運載火箭遙測技術是在運載火箭預研階段、研制設計、試驗生產(chǎn)、發(fā)射回收等全生命周期中均涉及的一項通用技術[1]。根據(jù)參數(shù)獲取需求，通過遙測系統(tǒng)的各遙測設備，將一定距離外被測對象的待測參數(shù)，包括運載火箭自身狀態(tài)參數(shù)、內部各分系統(tǒng)設備的狀態(tài)參數(shù)和環(huán)境監(jiān)測參數(shù)等，進行采集后沿著各種傳輸媒介送至接收機，由接收機完成遙測數(shù)據(jù)接收確認、解析存儲、處理傳輸、分析評估等，為評定運載火箭的性能和故障分析提供數(shù)據(jù)依據(jù)和判讀數(shù)據(jù)源[2]。

歷經(jīng)多年的發(fā)展，航天領域積累了TB級運載火箭遙測數(shù)據(jù)?；谶\載火箭遙測數(shù)據(jù)的應用場景主要包括輔助運載火箭發(fā)射流程決策、地面設備健康監(jiān)測、箭上運行狀態(tài)監(jiān)控等，應用場景大多圍繞待判參數(shù)的判讀分析，通過對待判參數(shù)的判讀結果給出系統(tǒng)/設備/部件的運行狀態(tài)、健康情況，進而實現(xiàn)輔助決策、監(jiān)測監(jiān)控等功能應用。

判讀分析應用廣泛，運載火箭發(fā)射、配套軟硬件系統(tǒng)運行可靠性的高要求與各設備部件生產(chǎn)測試組裝周期短之間形成了矛盾[3]，確?？煽啃缘姆椒ㄖ皇沁x取與可靠性密切相關的判讀參數(shù)，借助判讀算法和判據(jù)輸入對待判參數(shù)值進行判讀，根據(jù)判讀結果分析推斷設備或部件的狀態(tài)是否異常，進而影響發(fā)射的全局決策。

判讀分析應用的核心是判讀算法的選取和判據(jù)的選取，判讀算法確定采用何種規(guī)則框架來判讀，判據(jù)是在確定判讀算法后確定設計何種具體的規(guī)則來判讀，兩者中算法為先、判據(jù)為后。判據(jù)雖為判讀結果的直接影響者，修改判據(jù)參數(shù)會直接影響判讀結果，但選定的判讀算法不同，通過判據(jù)參數(shù)調試得到的判讀性能上限是不同的，即“判讀算法決定了判讀性能的上限”。針對待判參數(shù)的變化規(guī)律選取合適的判讀算法，會極大影響判讀性能的高低，進而關系運載火箭或配套系統(tǒng)可靠性的評估結果。

判讀分析“用不難、用好難”。“用好難”的原因包括：運載火箭遙測數(shù)據(jù)量大，可能導致傳統(tǒng)判讀算法或人工參與流程較多的算法在海量級數(shù)據(jù)情況下處理效率降低；判據(jù)通常依賴專業(yè)判讀人員憑借待判參數(shù)的變化規(guī)律和經(jīng)驗選取、編寫、調試，部分判讀任務難以通過現(xiàn)有判據(jù)描述（如某些趨勢性的曲線判讀依靠人工主觀比對判讀）即判讀覆蓋率不高、判據(jù)編寫門檻高，判讀結果受人工干預影響大，易導致粗心誤判或漏判；判讀算法多為傳統(tǒng)判讀算法，缺少對等判讀方法驗證判讀結果，影響決策把握程度，而智能判讀算法研究和落地應用少，相關經(jīng)驗積累不足，難以直接作為對等判讀方法等。

通過分布式架構應用、算法流程優(yōu)化、人工步驟自動化可極大緩解判讀分析效率降低的問題，本文主要針對解決其他“用好難”的問題。深度學習、模式識別、機器學習等智能技術的快速發(fā)展給傳統(tǒng)依賴特征設計、模型構建的判讀領域注入了新的活力。研究設計適用運載火箭遙測數(shù)據(jù)判讀場景的智能判讀算法，以統(tǒng)一的模型構建、訓練、預測流程來降低對專業(yè)判讀知識的依賴和判讀門檻，無需區(qū)分待判參數(shù)的變化規(guī)律，減少人工主觀干預程度，變“用好難”為“易用好”。在該方向的研究成果能為智能判讀算法應用提供參考，進一步可作為對等判讀方法驗證傳統(tǒng)判讀結果，提高決策把握程度，適應運載火箭數(shù)字化、自動化、信息化、智能化生產(chǎn)研制要求。

1 傳統(tǒng)判讀算法現(xiàn)狀

國內外應用于航天型號工程的傳統(tǒng)判讀算法主要分為基于信號處理的判讀算法和基于物理模型的判讀算法[4]?；谛盘柼幚淼呐凶x算法按照預設判讀規(guī)則，判定待判參數(shù)是否符合規(guī)則得出判讀結果，具體包括數(shù)理統(tǒng)計分析法、特征量降維分析法、特征獨立分量分析法、頻域分析法和參數(shù)關聯(lián)分析法等。基于物理模型的判讀算法首先研究待判參數(shù)滿足的物理規(guī)律或模型，給定工況和輸入，得出理論輸出，判定待判參數(shù)和理論輸出的偏離情況，得出判讀結果。

常應用于航空航天型號工程中的判讀算法有理論值判讀法、上下限判讀法、最大差值判讀法、相關參數(shù)判讀法、曲線判讀法模型、模型判讀法等。航空領域飛機飛行參數(shù)滑油壓力的判讀采用極值法判讀待判參數(shù)的極值是否超限，采用曲線模式判讀法來判讀曲線趨勢突然上升或下降的飛行參數(shù)，采用報表模式判讀法來判讀明顯高于或低于左右值的飛行參數(shù)[5]。北京空間飛行器總體設計部將判讀應用于航天器綜合測試中，根據(jù)當前下行遙測、控制指令、飛行事件以及當前時刻確定理論值，判讀實際航天器待判參數(shù)和理論值的偏差是否超出閾值，或根據(jù)歷史待判參數(shù)曲線與當前曲線進行相關性、一致性比對[6]。判讀算法還應用于在軌航天器健康監(jiān)測，對同一衛(wèi)星兩個太陽翼的太陽電池陣輸出電流遙測值取差值，診斷電流差值的變化情況，進而判讀電池陣輸出電流是否出現(xiàn)異常衰降[7]。在遙感圖像判讀中，首次在高分辨率衛(wèi)星上實現(xiàn)了遙感衛(wèi)星有效載荷通用數(shù)據(jù)處理與判讀平臺，對遙感圖像進行相關性比對判讀[8]。北京衛(wèi)星環(huán)境工程研究所采用基于物理模型的判讀算法，從理想氣體狀態(tài)方程出發(fā)，分析系統(tǒng)級裝配集成和測試AIT（Assembly，Integration and Test）階段壓力傳感器所測管路壓力的物理規(guī)律，考慮壓阻式壓力傳感器的特點、介質壓力、溫度、靜置時間、管路泄漏、供電電壓等多種因素，對待判壓力遙測參數(shù)一致性比對結果的影響，推導出AIT階段衛(wèi)星雙組元推進系統(tǒng)壓力參數(shù)的物理模型，用于星上數(shù)據(jù)比對和判讀[9]。北京宇航系統(tǒng)工程研究所將專家知識、經(jīng)驗判讀規(guī)則固化到知識庫，融合模型自學習等多種診斷方法借助推理機實現(xiàn)判讀，輔助測發(fā)控指揮人員決策[10, 11]。設計數(shù)據(jù)判讀及包絡分析模塊判定運載火箭遙測參數(shù)起始電平與理論上下限、非起始電平與理論包絡是否超差，以此提高測試效率和精細化程度[12]。針對傳統(tǒng)運載火箭火工品阻值測試分析方法，推導考慮環(huán)境影響與測試誤差的火工品阻值測試物理模型，克服傳統(tǒng)理論值判讀法忽略環(huán)境因素影響、未有效利用大量測試數(shù)據(jù)導致判讀精細度差的問題[13]。

由此可見，航天型號工程領域判讀算法不僅有基于信號處理的判讀算法，也有基于物理模型的判讀算法。但由于航天工程系統(tǒng)具有復雜性、非線性、關聯(lián)性，待判參數(shù)背后的物理模型常難以建立，尤其是精確判讀算法多為基于信號處理的判讀算法，常用傳統(tǒng)判讀算法見表1。

表1 常用傳統(tǒng)判讀算法

2 智能判讀算法現(xiàn)狀

智能技術背景下，特征半自動或全自動提取、模型自適應訓練，為判讀算法提供了新思路，智能判讀算法應運而生。依托以神經(jīng)網(wǎng)絡為典型代表的智能判讀算法，能自主完成運載火箭遙測數(shù)據(jù)潛在規(guī)律或潛在特征的學習，判讀人員無需深入了解引發(fā)參數(shù)異常的背后專業(yè)機理即可完成智能判讀模型構建、模型訓練、模型預測[14]。智能判讀模型訓練過程可配置模型訓練的控制參數(shù)，干預模型的訓練程度、避免模型過度擬合，提高模型的泛化能力，對新采時序數(shù)據(jù)還可通過在線學習優(yōu)化已有智能判讀模型的判讀能力[15]，不斷提升智能判讀模型性能。

關于智能判讀算法，國內外學者均有研究。LIU Ruonan等人對人工智能AI（Artificial Intelligence）典型算法最近鄰、支持向量機、貝葉斯方法、神經(jīng)網(wǎng)絡等在工業(yè)故障診斷的應用進行了優(yōu)勢、局限性、實踐性的討論[16]，展示了AI算法在判讀分析領域的未來應用可能性，提出了推廣其在判讀分析領域應用的一大障礙是算法在未知新測數(shù)據(jù)集上的可靠性和準確性，尤其是在關鍵領域或關鍵設備上的判讀分析，對異常的判定結論須謹慎又準確可靠，須在智能算法的背后可解釋性上有較深理解，以達到黑盒透明化的目的。Shao Siyu等人使用深度信念網(wǎng)絡DBN（Deep Belief Networks）構造自編碼器，對感應電動機的振動信號進行特征編碼，對編碼后的特征向量進行判讀[17]，省去手動選取特征、依賴專家知識判讀的步驟。Zhang Tianfan等將算法融合集成應用到深度信念網(wǎng)絡的自動特征提取中，可提高轉子驅動信號的判讀性能[18]。李愛利用支持向量機估計出海量航空發(fā)動機油樣參數(shù)的概率密度函數(shù)，根據(jù)3σ原則得出待判參數(shù)閾值邊界，再通過上下限法判讀發(fā)動機狀態(tài)[19]；尹傳龍基于循環(huán)神經(jīng)網(wǎng)絡RNN（Recurrent Neural Network）和長短期記憶神經(jīng)網(wǎng)絡LSTM（Long Short-Term Memory Neural Network）對網(wǎng)絡流量中的異常流量進行二分類判讀[20]。趙峰改進孤立森林和層次化集成學習模型提高了高維數(shù)據(jù)中異常檢測和判讀分析的準確性和穩(wěn)定性[21]。陳靜針對現(xiàn)有衛(wèi)星遙測數(shù)據(jù)分析中對時間序列間相似性度量的相關性較強問題，構建了時間序列的相似性度量方法，并應用層次聚類、K近鄰分類判讀異常時間序列[22]。朱鐵濱將最小二乘支持向量回歸機算法LSSVR（Least Squares Support Vector Regression）應用至渦扇發(fā)動機故障數(shù)據(jù)的判讀中，并建立包含試車數(shù)據(jù)監(jiān)視與故障判讀兩大功能模塊的渦扇發(fā)動機故障診斷系統(tǒng)[23]。國內外研究中主流智能判讀算法見表2。

表2 主流智能判讀算法

智能判讀算法應用旨在降低運載火箭遙測數(shù)據(jù)判讀對專業(yè)知識要求的門檻[24]，減少人工編寫判據(jù)的依賴性，適應運載火箭數(shù)字化、自動化、信息化、智能化生產(chǎn)研制要求。智能判讀算法應用作為判讀分析應用研究的熱點，可作為傳統(tǒng)判讀算法的對等算法，有助于判讀分析應用體系的完善，以簡便的模型構建、訓練、測試、應用等步驟支撐、輔助傳統(tǒng)判讀算法，共同促進自動化判讀方式進步。但智能判讀算法在應用中存在不確定的風險因素，在航天型號工程穩(wěn)妥可靠、萬無一失的高標準、嚴要求下，仍需在本文研究工作后全面展開驗證工作，確保其符合要求。

圖1 運載火箭遙測數(shù)據(jù)的常見變化規(guī)律

3 研究方法

本著結合航天型號工程領域實際需求，著力變運載火箭遙測數(shù)據(jù)“用好難”為“易用好”。研究方法分為判讀數(shù)據(jù)集生成、判讀指標設計、判讀算法設計三部分研究工作。

3.1 判讀數(shù)據(jù)集生成

為使智能判讀算法的應用貼近航天型號工程，研究成果能盡早應用于實際工程中，在判讀數(shù)據(jù)集生成步驟需生成盡量模擬真實的運載火箭遙測數(shù)據(jù)。對數(shù)據(jù)建模存儲后的真實運載火箭遙測數(shù)據(jù)進行參數(shù)曲線繪制，匯總得到運載火箭遙測數(shù)據(jù)的常見變化規(guī)律，如圖1所示。

無監(jiān)督算法無需對數(shù)據(jù)打標簽，而監(jiān)督算法需要打標簽。以傳統(tǒng)判讀算法為代表的無監(jiān)督算法超參數(shù)的確定依賴于無異常點的正常運載火箭遙測數(shù)據(jù)集，即模擬每個設備部件均正常運行所采集到的海量航天時序數(shù)據(jù)，是“以不變應萬變”的判讀模型；以二分類神經(jīng)網(wǎng)絡判讀法為代表的監(jiān)督算法超參數(shù)的確定過程是反復試錯、梯度下降的過程，依賴于打好判讀標簽的異常運載火箭遙測數(shù)據(jù)集，即模擬偶發(fā)故障設備運行過程中所采集到的海量航天時序數(shù)據(jù)，是“隨機應變”的智能判讀模型。

3.1.1 正常運載火箭遙測數(shù)據(jù)集生成

研究智能判讀算法需分別生成用于確定判讀算法超參數(shù)的正常運載火箭遙測數(shù)據(jù)集、異常運載火箭遙測數(shù)據(jù)集。按照圖1運載火箭遙測數(shù)據(jù)曲線的常見變化規(guī)律，正常運載火箭遙測數(shù)據(jù)集的模擬生成邏輯見表3。

3.1.2 異常運載火箭遙測數(shù)據(jù)集生成

根據(jù)航天型號工程待判參數(shù)常見異常模式（幅值異常、頻率異常、丟幀），設計異常運載火箭遙測數(shù)據(jù)集的模擬生成邏輯見表4。

表4 異常運載火箭遙測數(shù)據(jù)集生成邏輯

對應上述異常運載火箭遙測數(shù)據(jù)變化規(guī)律如圖2所示。

圖2 異常運載火箭遙測數(shù)據(jù)變化規(guī)律

根據(jù)生成邏輯編碼產(chǎn)生正常運載火箭遙測數(shù)據(jù)集、異常運載火箭遙測數(shù)據(jù)集后，繪制得到編碼生成數(shù)據(jù)的變化規(guī)律分別如圖3和圖4所示。

圖3 生成的正常運載火箭遙測數(shù)據(jù)變化規(guī)律

圖4 生成的異常運載火箭遙測數(shù)據(jù)變化規(guī)律

每種待判參數(shù)變化規(guī)律下的正常運載火箭遙測數(shù)據(jù)集子集，用于以傳統(tǒng)判讀算法為代表的無監(jiān)督算法超參數(shù)的確定；每種變化規(guī)律下異常運載火箭遙測數(shù)據(jù)集子集，隨機打亂樣本順序后按照“訓練集樣本數(shù):測試集樣本數(shù)=8:2”的比例劃分為訓練集和測試集，其中訓練集用于以智能判讀算法為代表的監(jiān)督算法超參數(shù)的確定，測試集即“待判運載火箭遙測數(shù)據(jù)集”，用于傳統(tǒng)/智能判讀算法性能指標的定量計算。

3.2 判讀指標設計

判讀指標用于判讀算法的判讀性能評估，是評價、選擇判讀算法的關鍵參考，指標設計的合理性關乎評價、選擇的結論。判讀在人工智能領域可以看作二分類問題，即給定輸入時序數(shù)據(jù)值，輸出該數(shù)據(jù)值對應部件、設備等的狀態(tài)正常（正類，記為1）或是異常（負類，記為0）。

由于參數(shù)異常在實際中發(fā)生頻率極低[25]，異常樣本占運載火箭遙測數(shù)據(jù)集的比例極少，即負類樣本是稀疏分布的，accuracy指標不適合數(shù)據(jù)集內正負類樣本個數(shù)嚴重失衡的算法性能評估，極易導致評價偏倚；miss、alarm指標分別與recall、precision指標有固定的函數(shù)關系，從指標獨立性角度出發(fā)，拋棄冗余指標miss、alarm；f1指標是precision和recall的調和平均值，也可看作漏檢率和虛警率的等權重綜合，可用于智能判讀算法基類模型的選取，但在航天型號工程應用實際中對漏檢率和虛警率關注度可能不同，如“寧肯虛警、也不漏檢”，所以從貼近應用實際出發(fā)，不直接采用等權重調和平均的f1指標評價判讀模型；結合模型構建效率和模型判讀效率的衡量指標模型構建耗時t_build與模型判讀耗時t_run，以及指標越高性能越優(yōu)的思路設計用于評價判讀算法性能的四個分指標為：precision、recall、exp{-t_build}、exp{-t_run}。

由于分指標較多，為便于比較不同判讀算法的性能，綜合分指標并按照評價時主觀對各分指標的關注度，給出評價判讀算法性能的綜合評估指標的計算公式，其中w為預先給定用于衡量主觀對分指標關注度的權重，f為分指標值。

3.3 傳統(tǒng)判讀算法設計

判讀算法設計包括傳統(tǒng)判讀算法設計和智能判讀算法設計。根據(jù)文獻調研和航天型號工程實際應用情況，共選擇7種傳統(tǒng)判讀算法：理論值判讀法、上下限判讀法、最大差值判讀法、關鍵點判讀法、數(shù)據(jù)完整性判讀法、窗口插值判讀法、差分判讀法，具體的算法設計描述見表5。

表5 傳統(tǒng)判讀算法設計表

續(xù)表5 6kP關鍵點判讀法無監(jiān)督算法根據(jù)正常運載火箭遙測數(shù)據(jù)集子集和預設關鍵點位置，獲取關鍵點處值的上下包絡曲線；判讀時逐關鍵點判定實際值和上下包絡值的偏離情況，若偏離出上下包絡值則判讀結果為異常。 7dC數(shù)據(jù)完整性判讀法無監(jiān)督算法判讀時判定相鄰信號幀的時間間距，若偏離出預設時間間距閾值則判讀結果為異常。 8wR窗口插值判讀法無監(jiān)督算法根據(jù)正常運載火箭遙測數(shù)據(jù)集子集和預設回歸時間窗口，不交疊地滑動窗口，依次獲取每個回歸時間窗口的最大值、最小值，通過樣條插值分別得到上包絡插值曲線、下包絡插值曲線；判讀時逐點判定實際值和上下包絡值的偏離情況，若偏離出上下包絡值則判讀結果為異常。 9dM差分判讀法無監(jiān)督算法根據(jù)正常運載火箭遙測數(shù)據(jù)集子集，獲取相鄰值一階差分的上下包絡曲線；判讀時逐點判定一階差分實際值和上下包絡值的偏離情況，若偏離出上下包絡值則判讀結果為異常。

3.4 智能判讀算法設計

本文共選擇5種智能判讀算法：二分類神經(jīng)網(wǎng)絡判讀法、值回歸神經(jīng)網(wǎng)絡判讀法、孤立森林判讀法、自編碼器判讀法、集成神經(jīng)網(wǎng)絡判讀法，具體的算法設計描述見表6。其中，二分類神經(jīng)網(wǎng)絡判讀法神經(jīng)網(wǎng)絡由1層輸入層、1層全連接輸出層（激活函數(shù)Softmax）、2層全連接隱藏層（激活函數(shù)ReLU）組成。值回歸神經(jīng)網(wǎng)絡判讀法神經(jīng)網(wǎng)絡由1層輸入層、1層全連接輸出層（無激活函數(shù)）、2層全連接隱藏層（激活函數(shù)ReLU）組成。自編碼器判讀法神經(jīng)網(wǎng)絡由1層輸入層、1層全連接輸出層（無激活函數(shù)）、3層全連接隱藏層（激活函數(shù)Tanh）組成。

表6 智能判讀算法設計表

3.4.1 集成神經(jīng)網(wǎng)絡判讀法設計

①集成神經(jīng)網(wǎng)絡判讀法網(wǎng)絡結構設計

圖5 集成神經(jīng)網(wǎng)絡判讀法的神經(jīng)網(wǎng)絡結構

集成神經(jīng)網(wǎng)絡判讀法的神經(jīng)網(wǎng)絡較復雜，采用主干特征提取網(wǎng)絡+分支融合網(wǎng)絡的架構。以輸入序列的原始特征提取為主干特征提取網(wǎng)絡，由1層輸入層、1層全連接輸出層（激活函數(shù)Softmax）、6層隱藏層（1層變形層、2層LSTM層、1層展平層、1層相加層、1層全連接層（激活函數(shù)Sigmoid））組成；以BASE_NUM個待融合模型的預測結果特征提取為分支融合網(wǎng)絡，由1層輸入層、4層隱藏層（2層全連接層（激活函數(shù)Softmax、Sigmoid）、2層相乘層）組成。

②集成神經(jīng)網(wǎng)絡判讀法設計要求

本著保留普適特性的前提，著力解決模型參數(shù)重新計算問題的目標，研究集成神經(jīng)網(wǎng)絡判讀法：

（1）不區(qū)分變化規(guī)律，在異常運載火箭遙測數(shù)據(jù)集子集上進行一次模型訓練，無需在每種變化規(guī)律下的數(shù)據(jù)集子集下分別訓練；

（2）不區(qū)分變化規(guī)律，在待判運載火箭遙測數(shù)據(jù)集上具有更優(yōu)的判讀性能（平均判讀性能不低于單一判讀算法的平均判讀性能，各變化規(guī)律下的待判運載火箭遙測數(shù)據(jù)集子集上的判讀性能方差不高于單一判讀算法的判讀性能方差）。

③基類判讀模型確定

設計集成神經(jīng)網(wǎng)絡判讀法首要解決融合判讀模型個數(shù)BASE_NUM參數(shù)的確定，以及待融合的基類判讀模型向量，既不能過多導致模型融合復雜度高、引入的不確定性因素過多集成困難，亦不能過少導致融合效果一般。使用排序剔除法SEM（Sorting and Elimination Method）[26]：根據(jù)判讀性能結果對比圖選出Top（取默認=2，過大則步驟耗時多；過小則由于判讀算法的判讀性能受數(shù)據(jù)集影響，存在偶發(fā)性性能結果或性能接近難以選出最優(yōu)，導致基類模型選擇誤差）判讀算法，再根據(jù)SEM選定判讀算法的結果見表7。

表7 判讀算法選定結果

④模型/訓練超參數(shù)確定

表8 模型超參數(shù)對照實驗結果

⑤集成神經(jīng)網(wǎng)絡判讀法模型訓練

在以上確定的融合判讀模型個數(shù)BASE_NUM參數(shù)、待融合的基類判讀模型向量、神經(jīng)網(wǎng)絡結構設計和模型/訓練超參數(shù)下，在Core i7-10750H 6核16 GB內存的硬件條件下，訓練集成神經(jīng)網(wǎng)絡得到連續(xù)四次的準確率/損失函數(shù)值-迭代次數(shù)變化曲線。在配置了準確率達到95%則提前停止訓練的策略下，可見訓練曲線均能在最高300次迭代內穩(wěn)定逐步達到收斂，準確率/損失函數(shù)值趨于穩(wěn)定。注意到訓練過程的曲線中可能有波動的、位置隨機的峰值，這是由于數(shù)據(jù)集質量一般，即包含有噪聲造成訓練收斂過程不是絕對平穩(wěn)，存在個別樣本上損失較大或準確率較低的情況，訓練收斂滿足集成神經(jīng)網(wǎng)絡判讀法設計要求①，得到訓練完畢的集成神經(jīng)網(wǎng)絡判讀模型用于判讀性能評估。

4 判讀算法性能評估

4.1 實驗結果

按照3.2～3.3節(jié)設計的判讀指標和判讀算法進行判讀算法的性能評估，綜合考慮模型構建效率和模型判讀效率，首先使用四個分指標precision、recall、exp{-t_build}、exp{-t_run}評價判讀算法性能，以及為便于給出不同判讀算法的性能差異結論而設計的綜合評估指標。在12種（細分為15種）不同待判參數(shù)變化規(guī)律下，異常運載火箭遙測數(shù)據(jù)集子集上（每個子集樣本數(shù)量范圍720～1 800）依次應用集成神經(jīng)網(wǎng)絡判讀法和單一判讀算法，得到四個分指標的判讀性能評估比對結果。集成神經(jīng)網(wǎng)絡的precision和recall指標與各變化規(guī)律數(shù)據(jù)集子集上選定的判讀算法不相上下，但模型構建耗時和模型判讀耗時明顯更長，這是神經(jīng)網(wǎng)絡模型參數(shù)量龐大、需反復迭代模型參數(shù)所難以避免的問題。假設遵循運載火箭遙測數(shù)據(jù)判讀“寧肯虛警、也不漏檢”原則，設置precision、recall、exp{-t_build}、exp{-t_run}分指標權重為0.35、0.5、0.05、0.1，按照模型綜合評估指標的計算公式，計算得到指標的判讀性能評估比對結果見圖6?？梢娫谌糠N類的待判參數(shù)上，智能判讀算法的判讀性能并不都是最優(yōu)。針對傳統(tǒng)判讀算法難以描述的變化規(guī)律為c頻率異常、e頻率異常、g丟幀、h頻率異常、l頻率異常這五種判讀場景，重新訓練集成神經(jīng)網(wǎng)絡并預測，得到綜合評估指標的結果。根據(jù)圖7和表9，集成神經(jīng)網(wǎng)絡判讀法具有一定的通用性，其在一次訓練完成后能在c頻率異常、e頻率異常、g丟幀、h頻率異常、l頻率異常這五種待判參數(shù)變化規(guī)律的判讀場景下完成判讀，平均判讀性能提升近30%，判讀性能方差降低85%，判讀能力明顯較傳統(tǒng)判讀算法提升，且根據(jù)表10可知，集成神經(jīng)網(wǎng)絡判讀法支持40 Hz典型采樣頻率的典型實時判讀場景，進一步驗證了其應用性。

圖6 綜合評估指標F的判讀性能評估比對圖

圖7 綜合評估指標F的判讀性能評估比對圖

表9 綜合評估指標F的判讀性能評估對比

表10 判讀速度比對

綜上可知，集成神經(jīng)網(wǎng)絡判讀法的平均判讀性能與在各變化規(guī)律下的待判運載火箭遙測數(shù)據(jù)集子集上的判讀性能方差均優(yōu)于傳統(tǒng)判讀算法，滿足研究集成神經(jīng)網(wǎng)絡判讀法設計要求(2)。在判讀算法選取時，將集成神經(jīng)網(wǎng)絡判讀法和傳統(tǒng)判讀算法相結合，對于傳統(tǒng)判讀算法難以應用判據(jù)準確描述判讀任務的場景，如頻率異常，采用集成神經(jīng)網(wǎng)絡智能判讀算法作為傳統(tǒng)判讀算法的補充，降低了判據(jù)設計難度，提高了判讀覆蓋率。

4.2 結果討論

以航天海量時序數(shù)據(jù)曲線的常見待判參數(shù)變化規(guī)律為參考，生成正常和添加超閾值、頻率突變、丟幀等異常模式的兩組航天海量時序數(shù)據(jù)集，并將標注過的數(shù)據(jù)集組按比例劃分，得到訓練集和測試集，用于判讀算法性能比測實驗。結合業(yè)內流行通用的指標和航天特點，給出了判讀指標設計。完成了傳統(tǒng)判讀算法設計和智能判讀算法設計，重點提出SEM算法，確定了基類判讀模型向量，設計了集成神經(jīng)網(wǎng)絡判讀法，并在待判航天海量時序數(shù)據(jù)集上比對傳統(tǒng)判讀算法，以及集成神經(jīng)網(wǎng)絡判讀法的判讀性能。

神經(jīng)網(wǎng)絡模型以其強大的非線性擬合能力，給不區(qū)分變化規(guī)律下的判讀應用帶來了新思路，其無需根據(jù)待判運載火箭遙測數(shù)據(jù)集的變化規(guī)律進行對應設計，減少了判讀模型構建階段對領域專家經(jīng)驗的依賴性，降低了判讀算法應用門檻。按照SEM選定待融合的基類模型，通過對單一判讀算法的融合集成，設計實現(xiàn)了集成神經(jīng)網(wǎng)絡判讀法。集成神經(jīng)網(wǎng)絡判讀法并非適用于所有判讀場景，而更適合于頻率異常、丟幀的待判參數(shù)判讀場景，平均判讀性能較傳統(tǒng)判讀算法提升近30%，判讀性能方差降低85%，提升了現(xiàn)有判據(jù)的覆蓋率，同時其支持的待判參數(shù)最大采樣頻率高于典型值40 Hz，從工程上驗證了應用于實時判讀的可能性。總的來說，滿足預期設計要求，有潛力發(fā)展為有一定普適性的判讀模型，與傳統(tǒng)判讀算法的結合能夠完善現(xiàn)有判讀體系，提高現(xiàn)有的判讀能力。

5 結束語

以集成神經(jīng)網(wǎng)絡判讀法為代表的智能判讀算法，作為數(shù)據(jù)驅動背景下一條新的判讀思路，不區(qū)分參數(shù)變化規(guī)律、無需手動選擇判據(jù)等，降低了判讀人員的判讀門檻和對判讀結果的主觀干擾程度。從實驗結果看，在給出的四個分指標與一個綜合評估指標下，集成神經(jīng)網(wǎng)絡判讀法適應傳統(tǒng)判讀算法難以描述的頻率異常、丟幀異常模式等五種判讀場景，平均判讀性能和判讀性能方差均優(yōu)于傳統(tǒng)判讀算法，提高了現(xiàn)有判讀算法的判讀覆蓋率，降低了判據(jù)設計的復雜度。研究成果中的智能判讀算法設計，未來將融合到某型號的事后判讀軟件設計中，結合傳統(tǒng)判讀算法提升現(xiàn)有判讀的適用范圍，不斷完善判讀體系，提高運載火箭遙測數(shù)據(jù)的自動化判讀、智能化判讀水平，未來將進一步研究集成神經(jīng)網(wǎng)絡判讀法的性能調優(yōu)以及其他類型神經(jīng)網(wǎng)絡的智能判讀算法性能。

[1] 馬文超, 涂衛(wèi)軍, 李科連, 等. 彈載遙測系統(tǒng)總體關鍵技術的研究與應用[J]. 遙測遙控, 2021, 42(6): 78–83.

MA Wenchao, TU Weijun, LI Kelian, et al. Research and application of overall key technologies of missile borne telemetry system [J]. Journal of Telemetry, Tracking and Command, 2021, 42(6): 78–83.

[2] 陳冬梅, 沈凱捷, 王一添, 等. 遙控遙測技術在人工智能航天領域的應用[C]//中國航天電子技術研究院科學技術委員會2020年學術年會優(yōu)秀論文集, 2020.

[3] ABDELGHAFAR S, DARWISH A, HASSANIEN A E, et al. Anomaly detection of satellite telemetry based on optimized extreme learning machine[J]. Journal of Space Safety Engineering, 2019(6): 291–298.

[4] 吳建軍, 黃強, 程玉強, 等. 液體火箭發(fā)動機故障監(jiān)測診斷理論與方法[M]. 北京: 國防工業(yè)出版社, 2013.

[5] 周勝明. 飛參數(shù)據(jù)判讀算法研究[J]. 價值工程, 2012, 31(24): 319–320.

ZHOU Shengming. Research on interpretation algorithm of flight parameter data[J]. Value Engineering, 2012, 31(24): 319–320.

[6] 王華茂. 航天器綜合測試技術與發(fā)展趨勢綜述[J]. 測控技術, 2021, 40(10): 1–8, 16.

WANG Huamao. Overview of spacecraft integrated test technology and development trend[J]. Measurement and Control Technology, 2021, 40(10): 1–8, 16.

[7] 陳曦, 左子瑾, 張昊鵬. 低軌衛(wèi)星太陽電池陣輸出電流異常診斷方法[J]. 航天器工程, 2022, 31(1):139–144.

CHEN Xi, ZUO Zijin, ZHANG haopeng. Diagnosis method of abnormal output current of solar array of LEO satellite[J]. Spacecraft Engineering, 2022, 31 (1): 139–144.

[8] 趙利民, 楊黎, 張英輝, 等. 遙感衛(wèi)星有效載荷通用數(shù)據(jù)處理與判讀平臺[Z]. 北京: 北京空間飛行器總體設計部, 2014.

[9] 王慶華, 王金剛, 關威, 等. 衛(wèi)星AIT階段推進系統(tǒng)壓力參數(shù)處理方法[J]. 航天器工程, 2010, 19(6): 87–91.

WANG Qinghua, WANG Jingang, GUAN Wei, et al. Pressure parameter processing method of satellite AIT stage propulsion system[J]. Spacecraft Engineering, 2010, 19 (6): 87–91.

[10] 韓亮, 張宏德, 彭越. 運載火箭地面一體化測發(fā)控系統(tǒng)設計[J]. 計算機測量與控制, 2021, 29(6): 5–8, 34.

HAN Liang, ZHANG Hongde, PENG Yue. Design of ground integrated measurement, launch and control system for launch vehicle [J]. Computer Measurement and Control, 2021, 29 (6): 5–8, 34.

[11] 陸浩然, 孫宇. 基于專家系統(tǒng)的導彈武器測試發(fā)射實時監(jiān)控系統(tǒng)[J]. 航天控制, 2010, 28(5): 70–75.

LU Haoran, SUN Yu. Real time monitoring system for missile weapon test and launch based on expert system[J]. Aerospace Control, 2010, 28(5): 70–75.

[12] 陳策, 劉靚, 呂長春, 等. 運載火箭遙測參數(shù)起始電平自動判讀軟件設計與實現(xiàn)[J]. 計算機測量與控制, 2021, 29(7): 166–170.

CHEN Ce, LIU Liang, LYU Changchun, et al. Design and implementation of automatic interpretation software for launch vehicle telemetry parameter initial level[J]. Computer Measurement and Control, 2021, 29(7): 166–170.

[13] 耿輝, 李大鵬, 顏廷貴. 運載火箭火工品阻值測試數(shù)據(jù)分析方法探討[J]. 導彈與航天運載技術, 2013(4): 69–73.

GENG Hui, LI Dapeng, YAN Tinggui. Discussion on data analysis method of resistance test of launch vehicle initiating explosive devices[J]. Missile and Space Delivery Technology, 2013(4): 69–73.

[14] 閆麗娜, 王珂, 王世恒. 基于神經(jīng)網(wǎng)絡的數(shù)值積分改進算法[J]. 應用數(shù)學與計算數(shù)學學報, 2016, 30(4): 520–525.

YAN Lina, WANG Ke, WANG Shiheng. Improved numerical integration algorithm based on neural network[J]. Journal of Applied Mathematics and Computational Mathematics, 2016, 30(4): 520–525.

[15] GOVINDAN V, PAPPA N. Online learning based neural network adaptive controller for efficient power tracking of PWR type reactor with unknown internal dynamics[J]. Annals of Nuclear Energy, 2022, 168: 108866.

[16] LIU R, YANG B, ZIO E, et al. Artificial intelligence for fault diagnosis of rotating machinery: A review[J]. Mechanical Systems and Signal Processing. 2018(108): 33–47.

[17] SHAO S Y, SUN W J, YAN R Q, et al. A deep learning approach for fault diagnosis of induction motors in manufacturing[J]. Chinese Journal of Mechanical Engineering, 2017, 30(6): 1347–1356.

[18] ZHANG T F, LI Z, DENG Z H, et al. Hybrid data fusion dbn for intelligent fault diagnosis of vehicle reducers[J]. Sensors, 2019, 19(11): 2504.

[19] 李愛. 航空發(fā)動機磨損故障智能診斷若干關鍵技術研究[D]. 南京: 南京航空航天大學, 2013.

[20] 尹傳龍. 基于深度學習的網(wǎng)絡異常檢測技術研究[D]. 鄭州: 戰(zhàn)略支援部隊信息工程大學, 2018.

[21] 趙峰, 文博武, 孫潔, 等. 基于衛(wèi)星數(shù)據(jù)判讀的一種方法[C]//第十六屆全國測試與故障診斷技術研討會, 2007.

[22] 陳靜. 衛(wèi)星遙測數(shù)據(jù)的時間序列相似性度量方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2015.

[23] 朱鐵濱. 基于數(shù)據(jù)的渦扇發(fā)動機故障診斷應用系統(tǒng)開發(fā)[D]. 南京: 南京航空航天大學, 2013.

ZHU Tiebin. Development of turbofan engine fault diagnosis application system based on data [D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2013.

[24] KIM J C, CHUNG K. Mining based time-series sleeping pattern analysis for life big-data[J]. Wireless Personal Communications, 2019, 105(2): 475–489.

[25] 連彩英. 航天發(fā)射任務飛行結果評估方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學, 2017.

[26] 李鵬程. 航天海量時序數(shù)據(jù)建模及智能分析方法研究[D]. 北京: 中國運載火箭技術研究院, 2022.

[27] RAPUR J S, TIWARI R. On-line time domain vibration and current signals based multi-fault diagnosis of centrifugal pumps using support vector machines[J]. Journal of Nondestructive Evaluation, 2019, (38): 6.

[28] DENG W H, WANG G Y. A novel water quality data analysis framework based on time-series data mining[J]. Journal of Environmental Management, 2017, 196: 365–375.

[29] KIM J C, CHUNG K. Mining based time-series sleeping pattern analysis for life big-data[J]. Wireless Personal Communications, 2019, 105(2): 475–489.

Application of intelligent interpretation algorithm of launch vehicle telemetry data

LI Pengcheng1, CHEN Haidong2, LI Shipeng1, LIAN Yanze2

（1. Beijing Institute of Astronautical Systems Engineering, Beijing 100076, China;2. China Academy of Launch Vehicle Technology, Beijing 100076, China）

Under the background of high launch density, high interpretation requirements and high amount of data of launch vehicles, the traditional automatic interpretation criteria with incomplete coverage, high threshold of criterion design and time-consuming execution, which are increasingly prominent, and the lack of general interpretation algorithms to supplement affect the effect evaluation and system performance evaluation of launch vehicles. In order to fully mine the parameter variation law implied in the massive telemetry data of launch vehicles, the intelligent interpretation algorithm is designed as a supplement to the traditional algorithm, and improve the interpretation coverage and execution efficiency of the traditional interpretation. Taking the telemetry data generated by the long-term power test of liquid launch vehicle as the research object, the integrated neural network intelligent interpretation algorithm is designed. Under the given interpretation index, it is concluded that the integrated neural network is suitable for abnormal frequency and frame loss interpretation scenario where traditional criteria are difficult to interpret. The interpretation performance is improved by 30%, and the coverage of existing criteria are improved. Later, it could provide research examples for the improvement of interpretation system and the study of intelligent interpretation application.

Launch vehicle; Telemetry data; Neural network; Data interpretation

V557

A

CN11-1780(2022)05-0030-14

10.12347/j.ycyk.20220124001

李鵬程, 陳海東, 李世鵬, 等.運載火箭遙測數(shù)據(jù)智能判讀算法應用[J]. 遙測遙控, 2022, 43(5): 30–43.

DOI：10.12347/j.ycyk.20220124001

: LI Pengcheng, CHEN Haidong, LI Shipeng, et al. Application of intelligent interpretation algorithm of launch vehicle telemetry data[J]. Journal of Telemetry, Tracking and Command, 2022, 43(5): 30–43.

2022-01-24

2022-04-24

李鵬程 1997年生，碩士，主要研究方向為大數(shù)據(jù)智能處理。

陳海東 1972年生，博士，研究員，主要研究方向為信息和數(shù)據(jù)分析。

李世鵬 1978年生，博士，研究員，主要研究方向為航天軟件工程。

連彥澤 1985年生，碩士，高級工程師，主要研究方向為航天數(shù)據(jù)分析。

(本文編輯：傅 杰)