劉大禹，徐二寶

（1. 中國東方紅衛(wèi)星股份有限公司，北京 100081； 2. 西安理工大學(xué) 機(jī)械與精密儀器工程學(xué)院，西安 710048）

0 引言

人造衛(wèi)星載荷結(jié)構(gòu)復(fù)雜、零部件繁多的特點(diǎn)給其健康管理帶來了巨大的挑戰(zhàn)。一旦某個關(guān)鍵零部件發(fā)生故障，將會引起連鎖反應(yīng)，甚至導(dǎo)致整個衛(wèi)星服務(wù)中斷。為了保證衛(wèi)星在軌運(yùn)行期間的高可靠性，減少意外故障的發(fā)生，對衛(wèi)星及其載荷各子系統(tǒng)模塊的健康狀況進(jìn)行預(yù)測成為一項極為重要的工作。

目前衛(wèi)星的剩余壽命預(yù)測大多基于傳統(tǒng)的可靠性和隨機(jī)過程等統(tǒng)計學(xué)的方法，一般使用隨機(jī)過程來描述設(shè)備的退化過程，用可靠性分布和參數(shù)估計等手段獲得衛(wèi)星零部件的故障概率和剩余壽命。然而，目前衛(wèi)星逐漸向小型化和輕量化的趨勢發(fā)展，且其精密程度越來越高，功能越來越強(qiáng)大，結(jié)構(gòu)越來越復(fù)雜，影響其剩余壽命的因素具有多維、耦合等特點(diǎn)，因此越來越難以用精準(zhǔn)的可靠性分布模型來描述衛(wèi)星部件的退化和失效進(jìn)程。

近年來，隨著以物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能為代表的新一代信息技術(shù)的蓬勃發(fā)展，傳統(tǒng)的基于可靠性的預(yù)測方法正朝著更為直接、有效的基于數(shù)據(jù)驅(qū)動的方式轉(zhuǎn)變?；跀?shù)據(jù)驅(qū)動的剩余使用壽命（remaining useful life, RUL）預(yù)測方法主要利用深度學(xué)習(xí)技術(shù)，具有較強(qiáng)的自適應(yīng)特征提取能力，無需專業(yè)的統(tǒng)計學(xué)知識和精準(zhǔn)的機(jī)理模型，完全依賴歷史數(shù)據(jù)以及實(shí)時狀態(tài)監(jiān)測數(shù)據(jù)對設(shè)備的RUL進(jìn)行預(yù)測，預(yù)測精度較高、普適性較強(qiáng)。事實(shí)上，隨著健康管理技術(shù)的應(yīng)用和發(fā)展，某些衛(wèi)星已經(jīng)建立了完善的實(shí)時在軌數(shù)據(jù)采集系統(tǒng)，并積累了一定數(shù)量的歷史數(shù)據(jù)，為實(shí)施基于數(shù)據(jù)的預(yù)測提供了重要的支撐。

通過對現(xiàn)有研究成果的梳理發(fā)現(xiàn)，目前的衛(wèi)星RUL 預(yù)測模型大多是基于衛(wèi)星本身的遙測數(shù)據(jù)，并使用卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks,CNN）或長短時記憶網(wǎng)絡(luò)（long short-term memory,LSTM）等深度學(xué)習(xí)技術(shù)來構(gòu)建的，普遍缺乏對部件周邊環(huán)境類以及地面統(tǒng)計類等數(shù)據(jù)信息的考慮，導(dǎo)致預(yù)測精度不高。為了更精準(zhǔn)預(yù)測衛(wèi)星關(guān)鍵零部件的RUL，同時解決CNN 和LSTM 技術(shù)存在的時序數(shù)據(jù)提取能力不足以及模型訓(xùn)練速度過慢的問題，本文選用門控循環(huán)單元（gated recurrent unit,GRU）網(wǎng)絡(luò)對衛(wèi)星關(guān)鍵零部件的RUL 進(jìn)行預(yù)測；而且在基于GRU 構(gòu)建預(yù)測模型時除衛(wèi)星遙測數(shù)據(jù)之外，將熱噪聲溫度等在軌環(huán)境類數(shù)據(jù)以及通信質(zhì)量等地面統(tǒng)計類數(shù)據(jù)也考慮進(jìn)去，并使用CNN 與GRU 融合的方法來改善GRU 網(wǎng)絡(luò)模型提取特征能力不足的問題。

1 GRU 理論基礎(chǔ)

與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)不同，GRU 網(wǎng)絡(luò)能同時處理當(dāng)前和前序時間的數(shù)據(jù)，解決了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)難以有效處理時序類型數(shù)據(jù)的問題。GRU 網(wǎng)絡(luò)由輸入單元、輸出單元和隱藏單元3 部分組成，其模型架構(gòu)如圖1 所示，其中，x、s和o分別為位置的輸入數(shù)據(jù)、隱藏單元輸出和輸出單元輸出。

圖1 GRU 模型架構(gòu)Fig. 1 Architecture of the GRU model

從其模型架構(gòu)可以發(fā)現(xiàn)，GRU 處理時序數(shù)據(jù)時，序列中每個當(dāng)前位置的輸出值不僅依賴于當(dāng)前位置的輸入x，還依賴于前序位置隱藏單元的輸出s，以此來實(shí)現(xiàn)對前序位置信息的記憶。GRU 的隱藏單元是一個比較復(fù)雜的門限結(jié)構(gòu)，如圖2 所示，每個隱藏單元包含更新門和重置門2 個門控。

圖2 GRU 隱藏單元的門限結(jié)構(gòu)Fig. 2 Threshold structure of the hidden cell of the GRU model

更新門控制著序列中前序位置信息保留到當(dāng)前位置的程度Z，值越大表示在當(dāng)前位置中保留了越多的前序位置信息，更新門Z的計算表達(dá)式為

式中：(·)為Sigmoid 激活函數(shù)；為更新門對輸入向量的權(quán)重；為更新門對前序單元輸出的權(quán)重。

重置門控制著當(dāng)前位置狀態(tài)與前序位置信息結(jié)合的程度，R值越小說明忽略的信息越多，重置門R的計算表達(dá)式為

式(3)和式(4)中：為隱藏單元輸出時對輸入向量的權(quán)重；為隱藏單元輸出時對前序單元輸出的權(quán)重。

式(1)～式(4)中的、、、、、均為可訓(xùn)練的參數(shù)矩陣，在得到隱藏單元輸出s后，經(jīng)過全連接網(wǎng)絡(luò)，即可得到當(dāng)前位置的輸出o。

2 數(shù)據(jù)驅(qū)動的衛(wèi)星RUL 預(yù)測模型構(gòu)建

衛(wèi)星健康狀態(tài)數(shù)據(jù)通常具有非線性相關(guān)、時序性強(qiáng)及退化過程復(fù)雜的特點(diǎn)，增加了后續(xù)時序特征提取及數(shù)據(jù)趨勢預(yù)測的難度，導(dǎo)致在對衛(wèi)星RUL進(jìn)行預(yù)測時，使用一般的機(jī)器學(xué)習(xí)方法或單一的深度學(xué)習(xí)方法的預(yù)測效果無法滿足應(yīng)用要求。相比于RNN、LSTM 等常見的處理時序型數(shù)據(jù)的方法，GRU 可通過引入門控機(jī)制很好地解決模型訓(xùn)練時容易梯度消失的問題，并且能以更少的訓(xùn)練參數(shù)達(dá)到較佳的預(yù)測效果，因此本文選用GRU 網(wǎng)絡(luò)進(jìn)行RUL 預(yù)測；同時考慮到CNN 在從原始數(shù)據(jù)中提取顯著特征時往往優(yōu)于其他神經(jīng)網(wǎng)絡(luò)，結(jié)合CNN 和GRU 的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)勢，使用CNN 進(jìn)行特征提取，將CNN 輸出結(jié)果作為GRU 的輸入，建立CNN 與GRU相融合的RUL 預(yù)測方法。相比原始輸入，CNN 能夠?qū)Ω嚓P(guān)鍵信息進(jìn)行編碼，壓縮序列的長度，增強(qiáng)后續(xù)GRU 捕獲時間信息的能力；同時，模型的輸入數(shù)據(jù)不僅包含傳統(tǒng)的衛(wèi)星遙測類數(shù)據(jù)，還添加了衛(wèi)星在軌環(huán)境類數(shù)據(jù)，旨在提高衛(wèi)星RUL 的預(yù)測精度。綜上所述，本文提出的基于CNN-GRU 的衛(wèi)星RUL 預(yù)測模型如圖3 所示。

圖3 基于CNN-GRU 的衛(wèi)星RUL 預(yù)測模型示意Fig. 3 Schematic model for predicting RUL of satellite based on CNN-GRU

3 算例分析

為驗證所構(gòu)建模型的有效性，本文以某型號衛(wèi)星的天線轉(zhuǎn)發(fā)器這一通信系統(tǒng)關(guān)鍵部件作為具體研究對象，進(jìn)行其RUL 預(yù)測。

影響天線轉(zhuǎn)發(fā)器性能的主要參數(shù)為G/T（接收系統(tǒng)品質(zhì)因數(shù)）、SFD（飽和通量密度）和EIRP（有效全向輻射功率），均與天線增益在軌監(jiān)測參數(shù)息息相關(guān)。用于數(shù)據(jù)驅(qū)動的原始數(shù)據(jù)集除了包含天線增益在軌監(jiān)測參數(shù)外，還要包括從地面站遙測歷史數(shù)據(jù)庫中檢索出的遙測數(shù)據(jù)傳輸幀率、遙測誤碼率、信噪比、丟幀率、數(shù)據(jù)幀時延等反映通信質(zhì)量的統(tǒng)計類參數(shù)數(shù)據(jù)，以及天線熱噪聲數(shù)據(jù)。衛(wèi)星溫度測點(diǎn)相對較少，因此將星間鏈路天線主反射器和鎖緊/釋放裝置的溫度等價為天線熱噪聲參數(shù)，用以反映天線在軌環(huán)境。最終把這些參數(shù)數(shù)據(jù)一并輸入到模型中，將60%的數(shù)據(jù)作為訓(xùn)練集，20%的數(shù)據(jù)作為驗證集，剩余20%的數(shù)據(jù)作為測試集，分別建立GRU 回歸模型和CNN-GRU 模型對天線轉(zhuǎn)發(fā)器的RUL 進(jìn)行預(yù)測。

兩模型均選擇平均絕對誤差（MAE）作為損失函數(shù)，選擇tanh 激活函數(shù)，設(shè)置最大迭代步數(shù)為500。為防止模型出現(xiàn)過擬合情況，在模型中加入早停法，以獲得更好的泛化性能。GRU 回歸模型訓(xùn)練過程的迭代損失如圖4(a)所示，迭代172 次后，模型在驗證集上的表現(xiàn)開始下降，此時須停止訓(xùn)練。在模型驗證環(huán)節(jié)，預(yù)測值與真實(shí)值的比對如圖4(b)所示。圖中的真實(shí)值是根據(jù)衛(wèi)星發(fā)射時間及退役時間分階段進(jìn)行線性處理得到的，真實(shí)值（紅線）中的拐點(diǎn)是天線轉(zhuǎn)發(fā)器首次發(fā)生參數(shù)數(shù)據(jù)異常的運(yùn)行時間點(diǎn)。

圖4 基于GRU 的天線轉(zhuǎn)發(fā)器RUL 預(yù)測模型Fig. 4 The prediction model for RUL of the antenna transponder based on GRU

通常使用MAE、均方根誤差（RMSE）、決定系數(shù)（）等評價指標(biāo)來衡量模型在訓(xùn)練集、驗證集和測試集上的預(yù)測精度。MAE、RMSE 這2 項指標(biāo)越小代表模型的預(yù)測精度越高；的范圍為[0, 1]，其值越大表示模型擬合效果越好。GRU 模型的RUL預(yù)測結(jié)果評價如表1 所示。結(jié)果表明，該模型相比傳統(tǒng)的LSTM 模型，預(yù)測準(zhǔn)確度提高了近70%，預(yù)測速度提高了近10%，能更好滿足大規(guī)模時序數(shù)據(jù)的預(yù)測需求。

表1 GRU 模型RUL 預(yù)測結(jié)果評價Table 1 Evaluation of RUL prediction results based on GRU model

CNN-GRU 模型訓(xùn)練過程的迭代損失如圖5(a)所示，迭代198 次后，模型在驗證集上的表現(xiàn)開始下降，此時須停止訓(xùn)練。在模型驗證環(huán)節(jié)，預(yù)測值與真實(shí)值的比對如圖5(b)所示。相較于圖4(b)可以直觀地看出，CNN-GRU 模型的預(yù)測結(jié)果明顯更接近真實(shí)值。

圖5 基于CNN-GRU 的天線轉(zhuǎn)發(fā)器RUL 預(yù)測模型Fig. 5 The model for predicting RUL of the antennatransponder based on CNN-GRU

CNN-GRU 模型在訓(xùn)練集、驗證集及測試集上的RUL 預(yù)測結(jié)果評價如表2 所示。

表2 CNN-GRU 模型RUL 預(yù)測結(jié)果評價Table 2 Evaluation of RUL prediction results based on CNNGRU model

對比表1 和表2 可見，CNN-GRU模型RUL 預(yù)測結(jié)果的各項評價指標(biāo)均較單純GRU模型的有明顯提升，說明CNN-GRU 模型的預(yù)測結(jié)果更接近真實(shí)值，驗證了本文所提出的基于CNN-GRU 的衛(wèi)星關(guān)鍵部件RUL 預(yù)測模型具有更高的預(yù)測精度。

4 結(jié)束語

本文構(gòu)建了基于數(shù)據(jù)驅(qū)動的衛(wèi)星關(guān)鍵部件剩余壽命預(yù)測模型，并將CNN 和GRU 相融合進(jìn)一步優(yōu)化模型。選取某型號衛(wèi)星的天線轉(zhuǎn)發(fā)器的數(shù)據(jù)傳輸質(zhì)量類參數(shù)以及天線熱噪聲溫度參數(shù)作為原始數(shù)據(jù)集，采用單純的GRU 模型和CNN-GRU 融合模型進(jìn)行RUL 預(yù)測。對兩模型RUL 預(yù)測結(jié)果的評價對比，驗證了相較于單純的GRU 模型，本文提出的CNN-GRU 融合模型可充分發(fā)揮CNN 在特征提取能力方面以及GRU 在時間序列預(yù)測方面的優(yōu)勢，能更快速、精準(zhǔn)地對衛(wèi)星關(guān)鍵零部件的剩余壽命進(jìn)行預(yù)測。