伍攀峰，吳寶林，王允森，朱其星，王明賀，郭清源，楊 寧，徐明道

1.山東航天電子技術(shù)研究所,煙臺(tái) 264003

2.哈爾濱工業(yè)大學(xué),哈爾濱 150001

0 引 言

隨著遙感衛(wèi)星在多個(gè)領(lǐng)域發(fā)揮越來越重要的作用，遙感衛(wèi)星數(shù)量不斷增多，所獲取的數(shù)據(jù)量也大幅增加，以往遙感圖像下傳到地面站進(jìn)行處理與分發(fā)的方式存在時(shí)效性差、星地傳輸鏈路壓力日趨增大等問題，遙感圖像進(jìn)行在軌識(shí)別與處理已是大勢(shì)所趨[1].

目前國內(nèi)外多個(gè)衛(wèi)星上已采用FPGA或FPGA+DSP/CPU的硬件平臺(tái)對(duì)圖像進(jìn)行在軌壓縮和有效區(qū)域在軌實(shí)時(shí)檢測(cè)[2-5]，此類平臺(tái)的優(yōu)點(diǎn)在于單個(gè)器件的功耗較低，且FPGA等有高等級(jí)抗輻照器件可供選擇，但此類硬件平臺(tái)的處理能力相對(duì)有限，要實(shí)現(xiàn)在軌實(shí)時(shí)處理與識(shí)別往往需要采用多個(gè)模塊，成本、體積、重量和功耗較大，且算法移植的難度較大.

在圖像識(shí)別方面，2012年ImageNet圖像分類賽上，KRIZHEVSKY等采用深度神經(jīng)網(wǎng)絡(luò)獲得冠軍后[6]，深度學(xué)習(xí)引發(fā)研究熱潮并取得高速發(fā)展[7-8].國外航天領(lǐng)域越來越關(guān)注并嘗試使用成本低且性能高的GPU、xPU等商用智能處理芯片通過深度學(xué)習(xí)算法來進(jìn)行在軌圖像處理與識(shí)別.IBM公司的智能芯片TrueNorth已被用于光學(xué)和SAR衛(wèi)星上，NVIDIA公司的TK1、TX1、TX2、TX2i GPU和AMD公司的APU均在一些立方體衛(wèi)星上有所應(yīng)用[9-10].

同時(shí)，NASA和ESA都有專門的項(xiàng)目針對(duì)GPU在宇航的應(yīng)用進(jìn)行測(cè)試與評(píng)估，ESA有專門的GPU4S項(xiàng)目進(jìn)行GPU宇航適應(yīng)能力測(cè)評(píng)，其最終目標(biāo)是制定能讓GPU適應(yīng)空間應(yīng)用的軟硬件加固方法與協(xié)議[11],NASA同樣對(duì)多款GPU進(jìn)行了測(cè)評(píng)，并計(jì)劃對(duì)NASA的前高管創(chuàng)立的KnuEdge公司開發(fā)的神經(jīng)網(wǎng)絡(luò)芯片Hermosa以及Lucid開發(fā)的Hydra產(chǎn)品進(jìn)行測(cè)評(píng)[12].

近年來國產(chǎn)智能芯片加速發(fā)展，十余款人工智能芯片投入商業(yè)應(yīng)用，單芯片的算力已達(dá)每秒數(shù)百萬億次計(jì)算甚至更多[13]，且功耗也有在十至幾十瓦量級(jí)的[14]，雖沒有專門設(shè)計(jì)抗輻照指標(biāo)，但通過系統(tǒng)加固方式解決輻照和散熱問題，可以像國外一樣嘗試在追求高性價(jià)比的低軌微小衛(wèi)星中使用.

本文面向低軌小衛(wèi)星低成本在軌圖像目標(biāo)識(shí)別的需求，采用低成本國產(chǎn)智能芯片NPU作為核心器件構(gòu)建硬件平臺(tái)，并有針對(duì)性地開展了相關(guān)算法設(shè)計(jì)與實(shí)現(xiàn)及系統(tǒng)可靠性加固.本文首先對(duì)采用國產(chǎn)智能芯片的星載圖像智能處理裝置的系統(tǒng)設(shè)計(jì)方案(含軟、硬件)進(jìn)行介紹，在此基礎(chǔ)上對(duì)基于該產(chǎn)品的目標(biāo)檢測(cè)深度學(xué)習(xí)算法及性能比對(duì)情況進(jìn)行描述，并總結(jié)了該裝置在空間環(huán)境適應(yīng)性(抗輻照和熱設(shè)計(jì))方面采取的措施及效果.

1 系統(tǒng)設(shè)計(jì)

本設(shè)計(jì)中星載圖像處理裝置的主要任務(wù)為在軌對(duì)海量圖像進(jìn)行快速預(yù)處理、目標(biāo)識(shí)別等，確保有效信息能被及時(shí)提取與下傳，避免原始圖像下傳延時(shí)過長以及大量云層圖片等無效數(shù)據(jù)占用有限的星地帶寬等問題，提升衛(wèi)星的智能化程度與好用性.根據(jù)數(shù)據(jù)量估算，智能處理能力大約需大于10TOPS，在體積、重量、功耗和成本方面要盡可能小以適應(yīng)微小衛(wèi)星有限的資源，傳統(tǒng)的抗輻照FPGA或FPGA+DSP的方案由于單個(gè)器件的算力有限，要實(shí)現(xiàn)該運(yùn)算能力，需要的代價(jià)已超出本項(xiàng)目所能接受的范圍.本設(shè)計(jì)需要采用高性價(jià)比的器件并采取針對(duì)性空間環(huán)境加固設(shè)計(jì)以滿足需求.因此，在設(shè)計(jì)時(shí)，為提升系統(tǒng)可靠性，采取雙機(jī)冷備份設(shè)計(jì)；同時(shí)，為避免共因失效，在本設(shè)計(jì)中采用異構(gòu)設(shè)計(jì)架構(gòu)，加入了應(yīng)急處理模塊.

1.1 硬件平臺(tái)設(shè)計(jì)

本裝置的核心在于處理芯片的選擇，為提升圖像在軌處理速度并降低產(chǎn)品成本，本文采取FPGA+CPU+NPU+DSP/GPU的異構(gòu)處理架構(gòu)，其中FPGA用來做數(shù)據(jù)接口管理及圖像預(yù)處理，CPU+NPU用來做在軌目標(biāo)檢測(cè)與識(shí)別，NPU本裝置選用中科院計(jì)算所研制的創(chuàng)智2號(hào)智能處理器，其最大處理能力可達(dá)128TOPS，支持主流的深度學(xué)習(xí)架構(gòu)，如TensorFlow、Caffe、Mxnet、Darknet等，并支持SSD、YOLO、Fast R-CNN等常用的深度學(xué)習(xí)網(wǎng)絡(luò).DSP或GPU 2者可選擇其中之一作為應(yīng)急處理用，2者的處理能力均低于NPU，僅作為異構(gòu)備份應(yīng)急使用(對(duì)可靠性要求更高的可選傳統(tǒng)的DSP，對(duì)成本要求更嚴(yán)的可選GPU).

裝置由電源板、接口板、中控CPU板、創(chuàng)智2號(hào)板和應(yīng)急處理板5種標(biāo)準(zhǔn)6U結(jié)構(gòu)VPX板卡組成，系統(tǒng)內(nèi)部采用PCIe總線互聯(lián).裝置進(jìn)行目標(biāo)識(shí)別任務(wù)時(shí)，數(shù)據(jù)由外部固存裝置通過本裝置的光纖接口進(jìn)入接口板，在光纖接口板內(nèi)通過FPGA實(shí)現(xiàn)圖像數(shù)據(jù)的前端處理，處理后的數(shù)據(jù)通過PCIe送入中控CPU板，中控CPU板與創(chuàng)智2號(hào)協(xié)同進(jìn)行圖像在軌識(shí)別等.接口板采集CPU和創(chuàng)智2號(hào)的電流和溫度等狀態(tài)信息，當(dāng)發(fā)生異常情況時(shí)，接口板可將中控CPU板和創(chuàng)智2號(hào)關(guān)機(jī)，并啟動(dòng)應(yīng)急處理模塊.整機(jī)框架如下圖1所示.

圖1 圖像處理裝置框圖Fig.1 The block diagram of the image processing device

各板卡功能描述如下：

1)電源板

?完成整星一次電源接入；

?進(jìn)行電源變換，為裝置內(nèi)部模塊提供二次電源.

2)接口板

?通過光纖接收固存發(fā)送的數(shù)據(jù)，并按照工作模式及指令進(jìn)行數(shù)據(jù)轉(zhuǎn)發(fā)；

?對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理操作；

?接收CAN總線指令，通過PCIe發(fā)送給CPU板；

?接收RS422上注數(shù)據(jù)/程序并通過PCIe寫入中控CPU板和計(jì)算板；

?將處理后的結(jié)果返回給固存.

3)中控CPU板

?接收CAN總線指令，重要遙測(cè)下傳；

?接收RS422數(shù)據(jù)，做程序上注更新；

?作為創(chuàng)智2號(hào)計(jì)算板的主控端，與創(chuàng)智2號(hào)計(jì)算板進(jìn)行高速數(shù)據(jù)交互，運(yùn)行檢測(cè)與識(shí)別程序；

?圖像數(shù)據(jù)處理結(jié)果的發(fā)送、存儲(chǔ)、回放等功能；

?進(jìn)行定位解算、幾何校正等算法實(shí)現(xiàn).

4)創(chuàng)智2號(hào)計(jì)算板

作為協(xié)處理板提供高性能算法加速.

5)應(yīng)急處理板

作為中控CPU板和協(xié)處理板的備份，提供應(yīng)急模式下基本算力，避免關(guān)鍵信息丟失.在應(yīng)急情況下接收來自光纖接口板的PCIe數(shù)據(jù)，并將處理后結(jié)果通過PCIe返回給光纖接口板.

該平臺(tái)的好處在于：

1)性價(jià)比高，與傳統(tǒng)方案相比，NPU可提供強(qiáng)大算力且成本低；

2)存在CPU、FPGA、NPU、DSP/GPU多種異構(gòu)計(jì)算資源，可滿足不同算法對(duì)不同計(jì)算資源的需求；

3)針對(duì)首次應(yīng)用的NPU，采取了DSP/GPU作為異構(gòu)備份手段以提升系統(tǒng)可靠性；

4)可擴(kuò)展性強(qiáng)，采用標(biāo)準(zhǔn)6U VPX板卡和標(biāo)準(zhǔn)PCIe總線互聯(lián)，可按需配置相應(yīng)板卡以滿足不同應(yīng)用需求.

不足在于：

1)國產(chǎn)NPU缺乏宇航應(yīng)用經(jīng)歷和輻照數(shù)據(jù)，且單芯片功耗較高，需要對(duì)其空間環(huán)境適應(yīng)性采取針對(duì)性防護(hù)措施；

2)國產(chǎn)NPU部分算子沒有國外的GPU豐富，在GPU上開發(fā)的算法移植到國產(chǎn)NPU時(shí)需要開發(fā)者進(jìn)行部分適應(yīng)性修改.

針對(duì)上述不足，本裝置在開發(fā)過程中均采取了針對(duì)性措施以滿足使用要求.

1.2 軟件架構(gòu)設(shè)計(jì)

本裝置提供開放式軟件接口，用戶可以根據(jù)任務(wù)需求進(jìn)行相應(yīng)算法的開發(fā)并上注星上處理平臺(tái)進(jìn)行應(yīng)用，建立“平臺(tái)+插件”的系統(tǒng)架構(gòu).利用平臺(tái)基礎(chǔ)軟件進(jìn)行底層硬件資源、數(shù)據(jù)資源管理，通過插件的形式形成應(yīng)用軟件，實(shí)現(xiàn)具體的處理、應(yīng)用等功能；根據(jù)具體應(yīng)用需求，由平臺(tái)基礎(chǔ)軟件集成不同插件構(gòu)成各數(shù)據(jù)處理、應(yīng)用系統(tǒng).同時(shí)，采用空間有效載荷數(shù)據(jù)處理軟件框架對(duì)不同載荷的處理插件進(jìn)行管理，根據(jù)不同應(yīng)用模式的處理需求，通過調(diào)用不同的算法插件構(gòu)建對(duì)應(yīng)的處理流程，實(shí)現(xiàn)對(duì)數(shù)據(jù)、產(chǎn)品、算法的高效組織與管理.

1.2.1 基礎(chǔ)軟件架構(gòu)設(shè)計(jì)

本項(xiàng)目采用類似于軟件通信體系結(jié)構(gòu)(software communications architecture,SCA)的規(guī)范設(shè)計(jì)基礎(chǔ)軟件架構(gòu)[15]，如圖2所示.

基礎(chǔ)軟件體系架構(gòu)可分為4部分：

(1)設(shè)備驅(qū)動(dòng)程序

包含了處理器以及各類總線驅(qū)動(dòng)(CAN、RS422、PCIe等)，為應(yīng)用軟件的運(yùn)行提供了可靠的傳輸機(jī)制，包括在總線支持級(jí)的錯(cuò)誤檢測(cè)和糾正.

圖2 基礎(chǔ)軟件體系架構(gòu)Fig.2 Basic software architecture

(2)操作系統(tǒng)

嵌入式操作系統(tǒng)可以為應(yīng)用程序提供多進(jìn)程、多線程的支持，它可以屏蔽不同硬件平臺(tái)間的差異，為上層軟件提供標(biāo)準(zhǔn)的硬件訪問接口和其它的基本操作系統(tǒng)服務(wù)，使得上層應(yīng)用軟件與底層硬件不相關(guān).本裝置選用嵌入式Linux操作系統(tǒng).Linux操作系統(tǒng)是目前世界上最大的開源嵌入式操作系統(tǒng)，具有性能高、安全性好、設(shè)計(jì)開放易于修改、裁剪的特點(diǎn)，是目前各種嵌入式設(shè)備開發(fā)的首選[16].近年來NASA、ESA以及各大學(xué)和研究所都在探索在星載數(shù)據(jù)系統(tǒng)中使用Linux操作系統(tǒng)，目前已在包括SpaceX的龍飛船在內(nèi)的多宇航項(xiàng)目中實(shí)裝使用[17].

(3)中間件

使用消息隊(duì)列中間件技術(shù)和系統(tǒng)的微服務(wù)架構(gòu)，對(duì)星載應(yīng)用程序進(jìn)行充分的解耦，并在應(yīng)用軟件發(fā)生故障的過程中，對(duì)相關(guān)的消息數(shù)據(jù)進(jìn)行緩存，避免數(shù)據(jù)的丟失，提高整個(gè)系統(tǒng)的可靠性水平.

(4)核心框架

核心框架是應(yīng)用層接口和服務(wù)的基本“核心”集，為應(yīng)用軟件設(shè)計(jì)者提供底層軟件和硬件層的抽象，為應(yīng)用組件的開發(fā)提供基本的接口和服務(wù)，并對(duì)整個(gè)應(yīng)用提供安裝、卸載、配置和管理等.核心框架按功能劃分由基本應(yīng)用接口、框架控制接口、框架服務(wù)接口和域描述文件幾個(gè)部分組成.

1.2.2 應(yīng)用軟件設(shè)計(jì)

本項(xiàng)目的應(yīng)用軟件采用分層架構(gòu)，包括通用算法庫、圖像處理算法層、應(yīng)用層，可采用APP插件方式管理星載處理算法.

(1)通用算法庫

通用算法庫包括Python、OpenCV等基礎(chǔ)算法庫，也提供諸如TensorFlow、Caffe等人工智能深度學(xué)習(xí)軟件框架，同時(shí)包含常用的信號(hào)處理、數(shù)學(xué)運(yùn)算等第三方組件庫.本項(xiàng)目中，功能組件庫會(huì)被應(yīng)用執(zhí)行引擎調(diào)用封裝成開放式公共接口或者直接用于開發(fā)平臺(tái)基礎(chǔ)應(yīng)用.

(2)遙感圖像處理算法層

該層主要對(duì)遙感圖像數(shù)據(jù)進(jìn)行預(yù)先處理，可根據(jù)具體需求部署相應(yīng)的第三方處理庫.本項(xiàng)目中，星載數(shù)據(jù)處理算法層包括可見光圖像預(yù)處理算法等，主要包括質(zhì)量提升、去噪去斑、濾波等.

(3)應(yīng)用層

本項(xiàng)目中應(yīng)用層主要實(shí)現(xiàn)重點(diǎn)目標(biāo)的檢測(cè)與識(shí)別等應(yīng)用.此外，用戶可根據(jù)衛(wèi)星應(yīng)用需求，重新上注新的應(yīng)用程序APP，應(yīng)用開發(fā)者在不需要知道終端平臺(tái)具體底層細(xì)節(jié)的情況下按照一個(gè)統(tǒng)一開放的接口標(biāo)準(zhǔn)即可開發(fā)出來.

2 目標(biāo)檢測(cè)算法設(shè)計(jì)

近年來，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)技術(shù)取得飛速發(fā)展[18]，深度學(xué)習(xí)被認(rèn)為是目前計(jì)算機(jī)圖像處理領(lǐng)域中最先進(jìn)的技術(shù)之一,在眾多的目標(biāo)檢測(cè)識(shí)別算法中，YOLO 算法將目標(biāo)檢測(cè)簡(jiǎn)化成一個(gè)回歸問題求解，不需要生成候選區(qū)域建議和隨后的特征重新采樣，計(jì)算量大幅降低，在多領(lǐng)域取得成功應(yīng)用并展示了良好的性能和效率，相繼推出了v1～v5 多個(gè)版本[19].

為了滿足低軌衛(wèi)星在軌圖像實(shí)時(shí)處理與識(shí)別需求，本文采用YOLOV3網(wǎng)絡(luò)對(duì)船舶、飛機(jī)、港口、橋梁等重點(diǎn)目標(biāo)進(jìn)行檢測(cè)，并對(duì)YOLOV3的Backbone結(jié)構(gòu)進(jìn)行優(yōu)化，以平衡處理的精度和速度.

2.1 算法設(shè)計(jì)

為了適應(yīng)星載智能處理的需求，對(duì)YOLOV3網(wǎng)絡(luò)進(jìn)行優(yōu)化，采用SERes模塊代替骨干網(wǎng)絡(luò)中的DBL模塊，SERes模塊是由SENet[20]中的輕量級(jí)SE模塊嵌入到ResNet的殘差模塊[21]中形成的，它能增強(qiáng)網(wǎng)絡(luò)特征通道之間的信息交互，同時(shí)提高目標(biāo)的檢測(cè)速度.其中，Concat模塊為張量拼接，將Darknet中間層特征和降采樣后的深層特征進(jìn)行拼接，作用是讓網(wǎng)絡(luò)同時(shí)學(xué)習(xí)深層和淺層特征，表達(dá)效果更好.

2.2 效果比對(duì)

為測(cè)試算法和硬件性能，在創(chuàng)智2號(hào)平臺(tái)對(duì)改進(jìn)的YOLOV3算法進(jìn)行移植和測(cè)試，并對(duì)包含6類典型目標(biāo)的1100張遙感圖像數(shù)據(jù)集進(jìn)行了測(cè)試，遙感圖像大小為4096 pixel×4096 pixel，目標(biāo)類型如表1所示.

表1 數(shù)據(jù)集目標(biāo)類型Tab.1 The target types of database

選擇820張圖像作為訓(xùn)練集，280張數(shù)據(jù)作為測(cè)試集.為了提高檢測(cè)精度，在訓(xùn)練過程和預(yù)測(cè)過程中，首先對(duì)圖像進(jìn)行分割，分割大小為1024 pixel×1024 pixel，切片間重合率為25%.從檢測(cè)率(Precision)和檢測(cè)精度(AP)2個(gè)維度進(jìn)行對(duì)比，本文提出的改進(jìn)后YOLOV3比常見YOLOV3-tiny模型識(shí)別效果更好，見表2，檢測(cè)結(jié)果如圖3所示.

表2 目標(biāo)檢測(cè)測(cè)試結(jié)果Tab.2 The test results of target detection

可以看出，改進(jìn)的YOLOV3方法每類目標(biāo)的識(shí)別率都達(dá)到85%以上，平均檢測(cè)精度mAP在0.64以上，檢測(cè)結(jié)果優(yōu)于常用的YOLOV3-tiny模型，可滿足星載智能處理的精度要求.

圖3 目標(biāo)檢測(cè)效果圖Fig.3 The renderings of target detection

為了進(jìn)一步測(cè)試硬件平臺(tái)的性能，將本文提出的模型分別移植到NVIDIA AGX Xavier和NVIDIA Jetson TX2上進(jìn)行運(yùn)行時(shí)間對(duì)比，對(duì)比結(jié)果如下表3所示.

表3 硬件處理速度對(duì)比結(jié)果Tab.3 The comparison results of hardware processing speed

通過對(duì)比可以看出，相比NVIDIA嵌入式智能處理模塊TX2和AGX，采用創(chuàng)智2號(hào)的處理速度最快，處理4096 pixel×4096 pixel大小的遙感圖像，檢測(cè)時(shí)間僅為30 ms左右，可以滿足星載智能處理的實(shí)時(shí)化需求.

3 抗空間環(huán)境設(shè)計(jì)

3.1 抗輻照設(shè)計(jì)

空間輻照對(duì)電子產(chǎn)品而言，影響最大的是總劑量和單粒子效應(yīng).

針對(duì)總劑量效應(yīng)，可采取單獨(dú)的鉭盒或鋁盒增加屏蔽厚度的方式來加固，為進(jìn)行減重，本文采取機(jī)電熱一體化設(shè)計(jì)，采用導(dǎo)熱鋁板既實(shí)現(xiàn)散熱又進(jìn)行總劑量加固，鋁板的厚度為3 mm.綜合考慮所有屏蔽物，建立屏蔽模型，對(duì)整機(jī)進(jìn)行分析計(jì)算，經(jīng)過鋁板加固后，到達(dá)創(chuàng)智2號(hào)的總劑量小于1 krad(Si).同時(shí)，總劑量具有退火效應(yīng)，本裝置為間歇工作，且采用雙機(jī)冷備份設(shè)計(jì)，能有效進(jìn)行總劑量加固.

針對(duì)單粒子鎖定效應(yīng)，除了采用常規(guī)的限流保護(hù)芯片進(jìn)行防護(hù)，還對(duì)芯片電流、結(jié)溫進(jìn)行采集，并根據(jù)實(shí)際工作設(shè)置合理閾值，超過閾值即認(rèn)為異常，進(jìn)行斷電處理重啟操作，可及時(shí)消除鎖定.

針對(duì)單粒子翻轉(zhuǎn)問題，間歇工作能大幅減少被單粒子打翻的概率，對(duì)于圖像數(shù)據(jù)本身而言，打翻一位對(duì)目標(biāo)識(shí)別的影響并不大，主要是要防止程序跑飛等功能中斷異常.為此，設(shè)置看門狗電路，對(duì)程序運(yùn)行進(jìn)行實(shí)時(shí)監(jiān)控，數(shù)據(jù)傳輸過程采用編碼等方式防止單比特翻轉(zhuǎn)，同時(shí)，采取被多項(xiàng)目驗(yàn)證的三模冗余措施進(jìn)行單粒子翻轉(zhuǎn)防護(hù).

3.2 散熱設(shè)計(jì)與驗(yàn)證

除空間輻照效應(yīng)之外，宇航應(yīng)用與地面還有個(gè)很大的不同是熱設(shè)計(jì)，由于沒有空氣，無法產(chǎn)生對(duì)流，空間散熱主要通過傳導(dǎo)和輻射，器件本身輻射較小，傳導(dǎo)是主要的散熱方式.為了提升散熱效率，本方案采用鋁板加熱管的方式進(jìn)行散熱，見圖5所示.

(1)熱分析

為解決創(chuàng)智2號(hào)芯片的散熱問題，設(shè)計(jì)焊接熱管陣列的散熱結(jié)構(gòu)，并使用導(dǎo)熱墊對(duì)創(chuàng)智2號(hào)進(jìn)行散熱.對(duì)創(chuàng)智2號(hào)單芯片進(jìn)行熱分析，創(chuàng)智2號(hào)芯片功耗為20 W，所在印制板功耗為30 W，所在整機(jī)典型功耗為120 W，采用Patran2012構(gòu)建熱分析模型及熱載荷，建立40℃的恒溫?zé)岢撩?，仿真分析?20 W的典型功耗持續(xù)工作600 s后，創(chuàng)智2號(hào)工作時(shí)的溫度，熱分析結(jié)果如下圖4所示.

圖4 創(chuàng)智2號(hào)單板熱分析結(jié)果Fig.4 The thermal analysis results of the CHUANGZHI 2 board

通過圖4可以看出，創(chuàng)智2號(hào)芯片的殼溫為54.6℃，創(chuàng)智2號(hào)對(duì)應(yīng)的散熱凸臺(tái)的溫度為47.2℃，仿真結(jié)果符合一級(jí)降額要求.

(2)試驗(yàn)驗(yàn)證

為驗(yàn)證散熱結(jié)構(gòu)的有效性，進(jìn)行熱平衡試驗(yàn)，試驗(yàn)用的板卡、散熱結(jié)構(gòu)及傳感器貼裝位置如圖5所示.熱平衡試驗(yàn)過程中熱沉控溫為40±2℃，對(duì)關(guān)鍵器件及散熱結(jié)構(gòu)貼裝熱電偶傳感器，考慮短暫工作及較長時(shí)間進(jìn)行智能處理2種工況，進(jìn)行熱平衡試驗(yàn).試驗(yàn)期間對(duì)于間斷性工作，使用比實(shí)際使用工況開機(jī)更頻繁的工況進(jìn)行模擬，運(yùn)行10 min，關(guān)機(jī)10 min并進(jìn)行熱啟動(dòng).在真空環(huán)境及熱環(huán)境建立后，進(jìn)行包含熱啟動(dòng)在內(nèi)的試驗(yàn)，共持續(xù)3 h.

圖5 創(chuàng)智2號(hào)單板結(jié)構(gòu)及傳感器位置Fig.5 Structure and sensor position of the CHUANGZHI 2 board

其中A、B、C 3個(gè)傳感器貼在如圖5所示的結(jié)構(gòu)上，D、E分別貼在與A、C對(duì)應(yīng)的PCB上.A、B、D對(duì)應(yīng)電源，C、E對(duì)應(yīng)創(chuàng)智2號(hào).具體傳感器對(duì)應(yīng)情況和試驗(yàn)過程中各傳感器的溫度記錄如圖6所示，其中3次下凹段為模擬星上裝置斷電情況，對(duì)應(yīng)時(shí)間分別為1:20-1:30、1:40-1:50、2:00-2:10.

圖6 創(chuàng)智2號(hào)單板間歇工作熱試驗(yàn)結(jié)果Fig.6 The thermal test results of the CHUANGZHI 2 board in intermittent work

由圖6可以看出，試驗(yàn)過程中，斷電10 min后再加電工作10 min時(shí)，創(chuàng)智2號(hào)芯片結(jié)溫不超過60℃，滿足一級(jí)降額要求.對(duì)比試驗(yàn)結(jié)果及熱分析結(jié)果可知，熱分析中結(jié)構(gòu)的溫度和芯片殼溫均略低于實(shí)測(cè)溫度，其中結(jié)構(gòu)溫度誤差在10℃之內(nèi)，芯片殼溫誤差在5℃之內(nèi)，具有一定的參考性.

在3次熱啟動(dòng)及熱平衡試驗(yàn)結(jié)束后，又對(duì)智能處理單機(jī)進(jìn)行熱真空3.5 h的持續(xù)考核，熱沉溫度調(diào)整為45℃，3.5 h考核結(jié)果如下：創(chuàng)智2號(hào)持續(xù)運(yùn)行約1h后達(dá)到熱平衡狀態(tài)，其結(jié)溫為67℃，并保持穩(wěn)定到試驗(yàn)結(jié)束，過程如圖7所示.

圖7 創(chuàng)智2號(hào)單板持續(xù)工作熱試驗(yàn)結(jié)果Fig.7 The thermal test results of the CHUANGZHI 2 board in continuous work

由此可見，單板及整機(jī)散熱設(shè)計(jì)合理，支持裝置間斷工作和裝置長時(shí)間運(yùn)行智能處理算法2種模式的真空散熱需求.

4 結(jié) 論

本文采用低成本的國產(chǎn)創(chuàng)智2號(hào)智能芯片為核心構(gòu)建了適合低軌小衛(wèi)星應(yīng)用的圖像在軌處理裝置，并完成了算法開發(fā)與部署，以6類典型光學(xué)目標(biāo)為例，目標(biāo)識(shí)別率均優(yōu)于85%，處理速度是NVIDIA公司的Jetson TX2 GPU的2～4倍，并開展了抗輻照與散熱設(shè)計(jì)，通過熱仿真分析與熱平衡試驗(yàn)驗(yàn)證表明，該裝置設(shè)計(jì)可滿足在軌使用要求，為低成本國產(chǎn)智能芯片在軌應(yīng)用提供了借鑒.