梁寒玉, 劉成瑞 *, 徐赫嶼, 劉文靜, 王淑一

1. 北京控制工程研究所, 北京 100094

2. 空間智能控制技術(shù)國防全國重點實驗室, 北京 100094

0 引 言

航天器作為重要的國家戰(zhàn)略資源,在軍事偵查、氣象觀測、地質(zhì)勘探和定位導航等領(lǐng)域發(fā)揮著重要作用,因此各國都對航天器的安全可靠穩(wěn)定運行能力提出了迫切需求[1-2].然而,航天器工作環(huán)境惡劣,各種隨機干擾極易造成其異常和故障,從而造成航天器部件、設(shè)備的性能隨時間發(fā)生退化,阻礙在軌任務的完成,甚至導致航天器完全失效[3-5].伴隨航天技術(shù)與空間探測任務需求的迅猛發(fā)展,星上系統(tǒng)不斷高度集成化、智能化,系統(tǒng)結(jié)構(gòu)復雜度也愈漸增加,在軌故障率顯著提升,星上部件性能退化將直接影響到整個控制系統(tǒng)的穩(wěn)定性與安全性.因此,航天器部件健康狀態(tài)的合理預測與評估,成為當前航天器在軌管理的研究熱點之一.

根據(jù)航天器在軌運行不易更換故障部件等特點,航天器通常采用故障預測與健康管理(PHM)技術(shù)對星上部件進行狀態(tài)監(jiān)測,結(jié)合設(shè)備結(jié)構(gòu)、專家知識以及監(jiān)測數(shù)據(jù)等多源信息,監(jiān)測設(shè)備與過程異常,評估退化狀態(tài),從而預測設(shè)備從退化到失效的演變過程.文獻[6]中采用堆疊去噪自編碼器(SDAE)和自組織映射網(wǎng)絡(luò)(SOM)對軸承退化健康因子進行提取并融合,實現(xiàn)風機和電機的健康狀態(tài)監(jiān)測,并為后續(xù)軸承壽命預測提供訓練樣本.張玉杰[7]考慮自變量系數(shù)不穩(wěn)定以及最優(yōu)自變量子集難以確定的問題,分別提出基于機理模型分析和基于數(shù)據(jù)驅(qū)動的性能退化特征提取方法,構(gòu)建健康因子,然后面對突變間接健康因子和緩變間接健康因子的不同適配問題,分別提出基于自適應維納過程和基于Copula函數(shù)的健康狀態(tài)在線估計方法,實現(xiàn)飛機機電系統(tǒng)部件健康狀態(tài)的在線估計.文獻[8]中針對鋰離子電池容量提出一種基于等效電路模型參數(shù)與充電電壓曲線分析的健康因子提取方法,以提高后續(xù)SOH的預測精度.WANG等[9]針對旋轉(zhuǎn)機械設(shè)備,提出機理模型與數(shù)據(jù)混合驅(qū)動的剩余壽命預測方法.文獻[10]以陀螺儀與動量輪為對象,研究退化模型,并開發(fā)了壽命預測和可靠性分析軟件.為解決運行和環(huán)境擾動引起的不確定性問題,ELSHEIKH等[11]對LSTM的結(jié)構(gòu)進行改進,提出基于雙向LSTM的剩余壽命預測方法.YU等[12]建立多個基于LSTM網(wǎng)絡(luò)的退化量預測模型,并引入Bayesian模型平均方法,估計剩余壽命預測值和預測置信區(qū)間,有效提高剩余壽命預測精度的同時以置信區(qū)間的形式表示預測不確定性.陳娟等[13]面對航天器配電系統(tǒng)真實故障數(shù)據(jù)少等問題,建立配電機單機機理模型,以注入故障仿真的方式分析其退化過程,從而構(gòu)建航天器健康狀態(tài)仿真分析評估體系.文獻[14]中針對衛(wèi)星在軌條件下耗電負載工作特點,考慮深度放電與淺度放電2種不同情況,建立一套在軌環(huán)境下的衛(wèi)星鋰離子電池健康預測方法框架,從而實現(xiàn)衛(wèi)星電池在軌健康預測.文獻[15]針對現(xiàn)有純數(shù)據(jù)驅(qū)動的航天器健康監(jiān)測技術(shù)不能覆蓋非測控弧段、遙測數(shù)據(jù)有限等問題,提出一種模型和數(shù)據(jù)混合驅(qū)動的航天器健康監(jiān)測系統(tǒng)架構(gòu),通過遙測數(shù)據(jù)與模型的融合,實現(xiàn)對航天器全時間段、連續(xù)可靠的狀態(tài)監(jiān)控及狀態(tài)預示.

航天器遙測數(shù)據(jù)復雜,多維參數(shù)之間相互耦合,而且關(guān)鍵部件的退化過程往往存在多個階段,需要識別不同的退化階段并建立相應的模型來進行健康狀態(tài)預測.針對航天器部件的上述特點,本文提出一種基于無監(jiān)督聚類與LSTM網(wǎng)絡(luò)的航天器關(guān)鍵部件健康狀態(tài)預測方法,利用航天器的多維遙測數(shù)據(jù),合理提取并融合航天器部件的健康因子(HI),結(jié)合無監(jiān)督聚類算法識別出不同退化階段,并采用LSTM網(wǎng)絡(luò)分別對各退化階段構(gòu)建健康狀態(tài)預測模型,實現(xiàn)對航天器關(guān)鍵部件的健康狀態(tài)預測.

1 健康因子估計與退化階段辨識

健康狀態(tài)演化規(guī)律可以直接反映出航天器關(guān)鍵部件由正常到退化乃至失效的全過程,是實現(xiàn)智能化狀態(tài)識別的關(guān)鍵.不同關(guān)鍵部件的健康狀態(tài)演化規(guī)律也不盡相同,其演化過程均反映在遙測數(shù)據(jù)中,因此有必要基于在軌遙測數(shù)據(jù)構(gòu)建健康狀態(tài)演化模型.

為了監(jiān)測航天器的在軌運行狀態(tài),一般在關(guān)鍵部件上設(shè)置多個測點,測點采集的數(shù)據(jù)通過遙測方式下傳到地面[16],遙測數(shù)據(jù)通常以時序數(shù)據(jù)為主.關(guān)鍵部件的遙測數(shù)據(jù)具有以下幾個特點:

(1)數(shù)據(jù)復雜

關(guān)鍵部件往往組成、結(jié)構(gòu)復雜,為全面監(jiān)測運行狀態(tài),及時發(fā)現(xiàn)異常,一般會設(shè)置多種測點以監(jiān)測其不同的部位,因此遙測數(shù)據(jù)呈現(xiàn)出維度高、數(shù)據(jù)量大和耦合性強的特點.

(2)樣本不均衡

關(guān)鍵部件屬于典型的高可靠性產(chǎn)品,在軌運行期間故障樣本少,在軌數(shù)據(jù)一般呈長尾分布,這意味著正常樣本比例遠高于異常樣本,對基于數(shù)據(jù)驅(qū)動的故障診斷與壽命評估帶來極大挑戰(zhàn).

(3)易受干擾

航天器工作于外層空間,星上傳感器易受到空間輻射干擾,而且遙測信號在傳輸過程中也會受到電離層不均勻閃爍干擾等影響[17].因此,遙測數(shù)據(jù)常包含干擾數(shù)據(jù)和野值.

1.1 航天器多維數(shù)據(jù)的預處理

由于關(guān)鍵部件在軌數(shù)據(jù)易受干擾,首先要對其剔野處理,以提升數(shù)據(jù)質(zhì)量.對于遙測數(shù)據(jù)采集以及傳輸過程中所造成的干擾項,本文將采用插值補償、數(shù)據(jù)平滑等方式,消除在軌數(shù)據(jù)的系統(tǒng)誤差與隨機誤差,以保證數(shù)據(jù)處理方面的性能[18].此外,綜合工程經(jīng)驗與實際應用,本文還將采用萊特準則(即3σ準則)進行在軌數(shù)據(jù)的野值剔除.

由于關(guān)鍵部件在軌數(shù)據(jù)復雜,其異常狀態(tài)往往隱含在信號特征中,因此需要對在軌數(shù)據(jù)進行特征提取,得到能夠反映運行狀態(tài)的關(guān)鍵特征.

假設(shè)一段時間區(qū)間內(nèi)的在軌數(shù)據(jù)為x=[x1x2…xm]T,本文通過表1所示處理獲取具有顯著物理含義、能夠反映運行狀態(tài)的關(guān)鍵特征.

表1 在軌數(shù)據(jù)特征提取Tab.1 On-orbit data feature extraction

1.2 健康因子估計

考慮在軌數(shù)據(jù)的耦合性,要保證故障演化規(guī)律推演的準確性,僅憑航天部件的單一測量參數(shù)或者某參數(shù)的單個特征是不充分的,需要綜合多維參數(shù)的多個時域特征,方可全面提取關(guān)鍵部件演化的退化特征.但是對于由多維參數(shù)的多個特征組成的高維特征,很難從中提取健康狀態(tài)的演化規(guī)律,對此,本文考慮星載計算機運算能力和存儲能力等約束條件,采用主成分分析法(PCA)融合關(guān)鍵部件的高維特征.

主成分分析是通過正交變換,將一組具有相關(guān)性的隨機變量轉(zhuǎn)化為線性獨立的新隨機變量.轉(zhuǎn)化后的變量即為主成分,每個主成分都能夠反映原始變量的大部分信息,且線性無關(guān).設(shè)備性能的退化趨勢通常是通過一條隨時間演變的性能演化曲線表示,利用主成分分析法的降維原理,提取航天器部件多維參數(shù)多個特征中最具代表性的特征,即第一主成分,選取其作為關(guān)鍵部件的健康因子,反映部件的健康狀態(tài).

(1)

1.3 性能退化階段識別

航天器關(guān)鍵部件的性能退化過程一般會經(jīng)歷多個不同階段,例如磨合階段、正常工作階段、緩慢退化階段和快速退化階段等.在不同退化階段中,其演化機理均是不同的,且在運行環(huán)境不同的情況下部件的退化階段也有差異.因此,對于航天器部件性能退化階段的劃分并沒有一個統(tǒng)一的界定.所以,需要對健康狀態(tài)演化模型進行智能化的性能退化階段識別.對此,本文考慮了基于密度的噪聲應用空間聚類(DBSCAN)算法的優(yōu)點,即無需提前設(shè)定簇群數(shù)量、自動根據(jù)數(shù)據(jù)樣本密度劃分簇群、對異常點不敏感以及具備一定抗噪能力等,研究了基于DBSCAN的性能退化階段識別方法.

DBSCAN是一種典型的無監(jiān)督式聚類算法,從樣本密度的角度來考察樣本之間的可連接性,并基于可連接樣本不斷擴展聚類簇以獲得最終的聚類結(jié)果.DBSCAN以數(shù)據(jù)分布密度為劃分依據(jù)推測聚類數(shù)目[19],其核心是將簇定義為密度相連的點的最大集合,并將密度較高的區(qū)域劃分到一個簇群內(nèi)[20].取1.2節(jié)PCA處理后的航天器關(guān)鍵部件健康因子HI=[HI1HI2…HIn]T為待分類數(shù)據(jù)集,則DBSCAN算法具體步驟如圖1所示.

圖1 DBSCAN算法流程圖Fig.1 The algorithm flow chart of DBSCAN

然后,根據(jù)DBSCAN對健康因子HI的聚類結(jié)果,確定各簇群對應的時間點,對退化階段進行劃分,獲取對智能化航天器部件性能退化的識別.

2 基于多LSTM的關(guān)鍵部件健康狀態(tài)預測

基于第1節(jié),可以得到航天部件全壽命周期的健康因子,需要進一步建立多維遙測數(shù)據(jù)與健康因子的復雜映射關(guān)系,進而實現(xiàn)對健康因子的估計和預測.對于不同的退化階段,本文采用多個深層長短時記憶網(wǎng)絡(luò)(LSTM)對航天器健康狀態(tài)演化過程進行建模和預測.深層LSTM網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示.

圖2 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 The network structure of LSTM

it=σ(Wt·[ht-1,xt]+bt)

(2)

(3)

ft=σ(Wf·[ht-1,xt]+bf)

(4)

(5)

ot=σ(Wo·[ht-1,xt]+bo)

(6)

ht=ot⊙tanh(Ct)

(7)

其中,σ(·)表示sigmoid激活函數(shù),W*和b*是各門控單元的權(quán)重和偏置.

考慮星上任務所需要的快速應對能力與準確性,為高效完成上述預測任務,本文將采用Adam優(yōu)化器進行網(wǎng)絡(luò)參數(shù)的優(yōu)化,通過歷史梯度的一階動量和二階動量的使用,有效控制學習率的步長與梯度方向,緩解梯度振蕩和鞍點靜止的問題.Adam優(yōu)化器優(yōu)化公式如式(8)～(10)所示.式(8)和(9)是根據(jù)歷史梯度分別計算一階動量和二階動量,式(10)為權(quán)值更新公式.

mt=β1mt-1+(1-β1)gt

(8)

(9)

(10)

其中:β*是Adam優(yōu)化器的固有參數(shù),一般取經(jīng)驗值;gt為待更新參數(shù)的梯度;α為學習率.

此外,針對本文的壽命評估問題,上述神經(jīng)網(wǎng)絡(luò)中選取的精度指標是均方誤差(mean square error,MSE),如式(11)所示

(11)

綜合上述多種算法,本文提出的航天器部件健康狀態(tài)預測方法具體流程如圖3所示.首先,該方法以某特定故障模式下單航天部件的多維在軌遙測數(shù)據(jù)為輸入,經(jīng)插值補償、野值剔除和切除停機數(shù)據(jù)等多項預處理,獲取多維遙測數(shù)據(jù)的完整生命周期趨勢.其次,對處理后的趨勢數(shù)據(jù)進行時域特征提取,獲取各維遙測數(shù)據(jù)的高維時域特征,利用PCA算法對高維特征進行降維處理,然后對降維后的融合數(shù)據(jù)進行無監(jiān)督性能退化階段識別,得到不同退化階段和切分點,結(jié)合退化階段辨識結(jié)果,采用最小二乘法對降維后的健康狀態(tài)演化曲線進行擬合,得到健康因子估計值.最后,結(jié)合深層LSTM網(wǎng)絡(luò)結(jié)構(gòu),構(gòu)建基于多LSTM的健康狀態(tài)演化預測模型,從而實現(xiàn)對航天器單部件不同退化階段健康因子的評估與預測.本文算法具有一定的通用性,適用于動量輪、控制力矩陀螺等航天器關(guān)鍵機電部件,但由于不同部件的組成、配置、運行環(huán)境和退化模式等差異,針對不同的部件、工況和故障模式,需要利用本文方法分別進行退化階段分析和建立預測模型,形成特定故障模式下的航天器單部件健康預測模型.

圖3 航天器單部件健康狀態(tài)預測流程圖Fig.3 The flow chart of health status prediction of a single component in spacecraft

3 試驗驗證

在航天器姿態(tài)控制中,控制力矩陀螺(CMG)僅消耗電能即可輸出連續(xù)光滑的控制力矩,并且有較快的動態(tài)響應能力和較高的控制效率,是一類關(guān)鍵的執(zhí)行機構(gòu),目前已在遙感衛(wèi)星、空間站等航天器中廣泛應用[21].但由于CMG關(guān)鍵部件長期保持高速運轉(zhuǎn),容易發(fā)生故障,根據(jù)其在軌運行數(shù)據(jù)合理預測與評估健康狀態(tài),對航天器的安全穩(wěn)定運行具有重要意義.本文以CMG為例,針對其低軌運行環(huán)境下的阻力矩增大故障模式,利用實際在軌數(shù)據(jù)對上述方法進行驗證.

CMG主要包括機構(gòu)和線路2部分.機構(gòu)主要由3部分構(gòu)成:高速組件(高速轉(zhuǎn)子)、低速組件和連接支架(框架),如圖4所示.其中,高速組件的作用是通過高速轉(zhuǎn)子產(chǎn)生角動量;低速組件則通過驅(qū)動低速框架轉(zhuǎn)動帶動安裝在連接支架上的高速組件旋轉(zhuǎn),通過改變高速組件角動量的矢量方向輸出控制力矩.

圖4 CMG本體組成框圖Fig.4 The block diagram of CMG composition

本文整理了某型衛(wèi)星中CMG的在軌數(shù)據(jù),這段數(shù)據(jù)涵蓋該CMG從正常到退化再到失效的全過程,共含有CMG的9個測點,包含高速組件和低速組件關(guān)鍵部位的測量信息.考慮到遙測信號特點以及后續(xù)演化曲線建模的準確性,采用1.1節(jié)的預處理方法對數(shù)據(jù)進行野值剔除.由于演化模型主要考慮CMG工作階段的性能退化演變過程,對CMG失效后的數(shù)據(jù)以高速轉(zhuǎn)子轉(zhuǎn)速為基準(CMG故障后轉(zhuǎn)子轉(zhuǎn)速快速下降到0)進行切除,僅保留故障時刻之前的數(shù)據(jù),處理后的數(shù)據(jù)集共計47萬余條.圖5～7給出處理后的高速轉(zhuǎn)子轉(zhuǎn)速、高速電機電流、低速軸承溫度和低速電機電流的數(shù)據(jù)曲線,這些曲線截止到故障前的時刻.由圖5～7可知,在CMG失效前,顯然低速軸承溫度、低速電機電流和高速電機電流的幅值均從在軌運行的280 000時間點左右開始出現(xiàn)增大趨勢,說明在該CMG完全失效前,系統(tǒng)已經(jīng)出現(xiàn)緩變性能退化趨勢.

圖5 高速轉(zhuǎn)子轉(zhuǎn)速與低速軸承溫度退化數(shù)據(jù)Fig.5 The degradation data of high speed rotor speed and low speed bearing temperature

圖6 高速轉(zhuǎn)子轉(zhuǎn)速與低速電機電流退化數(shù)據(jù)Fig.6 The degradation data of high speed rotor speed and low speed motor current

圖7 高速轉(zhuǎn)子轉(zhuǎn)速與高速電機電流退化數(shù)據(jù)Fig.7 The degradation data of high speed rotor speed and high speed motor current

由于航天器采樣密集,數(shù)據(jù)量在十萬級左右,并不利于后續(xù)趨勢分析.因此,在特征提取階段,對數(shù)據(jù)采用滑窗處理,取滑窗大小為500;并對9個測量參數(shù)提取平均值、整流平均值、方差、均方根、方根幅值、峭度、偏度、波形因子、峰值因子和脈沖因子共10個時域特征值,從而獲得9維參數(shù)的時域特征矩陣,共90維,部分數(shù)據(jù)特征圖像如圖8所示.然后,采用PCA算法將90維參數(shù)特征矩陣融合成一維健康因子,并將其歸一化至0到1區(qū)間內(nèi),如圖9所示.健康因子走勢成單調(diào)遞減,前半部分平緩,后半部分快速下降,符合CMG性能退化實際情況.

圖8 部分參數(shù)的部分時域特征圖像Fig.8 Part of time-domain feature images of partial parameters

由于曲線演化趨勢存在明顯區(qū)別,需要對CMG的退化階段進行辨識,獲得合理退化階段切分點,再在此基礎(chǔ)上分段對健康因子進行擬合.本文采用2種無監(jiān)督聚類算法,一種是Kmeans方法,另一種是1.3節(jié)提出的方法,2種算法的基本參數(shù)如表2所示,可獲得如圖10所示的劃分結(jié)果.

圖10 退化階段無監(jiān)督辨識結(jié)果Fig.10 Unsupervised identification results of degradation stage

表2 無監(jiān)督聚類算法參數(shù)設(shè)置Tab.2 The parameter setting of unsupervised clustering algorithm

由于Kmeans算法需要人為選擇簇群個數(shù),聚類結(jié)果較為主觀.從圖10(a)來看,Kmeans算法識別的退化階段將緩慢退化階段切分為二,與實際退化過程的物理意義并不相符.DBSCAN算法相比較之下緩慢退化階段與快速退化階段的切分點劃分得更切合實際.為保證預測算法的簡潔性與實用性,本節(jié)選取DBSCAN算法的識別結(jié)果作為劃分依據(jù).根據(jù)算法對數(shù)據(jù)特征的分類結(jié)果,對應到分類交界處的時間點,選取圖10(b)中2大階段交界處(圈出區(qū)域)階段分界中點676作為此類故障模式下的退化階段切分點,并整合退化末期的多個退化階段,對健康狀態(tài)演化曲線進行預測.

為獲得單調(diào)性和趨勢性較好的健康因子曲線,運用1.2節(jié)中介紹的健康因子估計方法,對上述健康因子曲線進行擬合,構(gòu)建健康狀態(tài)演化模型.根據(jù)性能退化階段辨識結(jié)果,以676為切分點,對HI曲線進行分段擬合,獲得如圖11的擬合結(jié)果.其中,緩慢退化階段的擬合函數(shù)如式(12)所示,快速退化階段的擬合函數(shù)如式(13)所示

圖11 健康狀態(tài)演化模型Fig.11 Health state evolution model

HIn=-1.848 +e(1.948-t0.104)0.003

(12)

HId=-2.929×t3+ 7.082×10-5×t2-5.762×10-5×t+16.197

(13)

其中,t為時間點,HIn為緩慢退化階段的健康因子擬合值,HId為快速退化階段的健康因子擬合值.

考慮到航天器運行工況的不同,需要構(gòu)建普適性的性能隨時間推演的預測模型,以實現(xiàn)從部件已知測量參數(shù)特征融合的健康因子合理擬合出其健康狀態(tài)演化模型.采用第2節(jié)方法分別對緩慢退化階段和快速退化階段的健康因子演化模型搭建LSTM網(wǎng)絡(luò),以全連接層輸出為健康因子預測結(jié)果,獲得如圖12所示的預測結(jié)果.其中,各階段預測網(wǎng)絡(luò)的參數(shù)設(shè)置,如表3所示,按照蒙特卡洛法搜索獲得的最佳神經(jīng)元個數(shù)設(shè)定.

圖12 健康狀態(tài)演化模型預測結(jié)果Fig.12 The predicting results of health state evolution model

表3 健康狀態(tài)演化預測模型各階段網(wǎng)絡(luò)參數(shù)Tab.3 The each stage network parameter setting of health status evolution predication model

由于緩慢退化階段的序列較長,訓練過程可能存在梯度損失,其預測曲線存在較大振蕩,但后期下降趨勢能夠完美跟隨,該階段的預測模型學習精度可達到0.004 5左右.相比而言,快速退化階段序列較短且趨勢簡單,符合單調(diào)下降的特點,預測模型跟隨效果較好,學習精度MSE可低至0.000 5.試驗表明,本文的健康狀態(tài)預測模型對各階段可以實現(xiàn)較好的趨勢預測,預測結(jié)果與該CMG的健康狀態(tài)演化曲線一致,滿足現(xiàn)實工程預測需求.

4 結(jié) 論

面向航天器機電類關(guān)鍵部件健康狀態(tài)預測的迫切需求,提出一種基于無監(jiān)督聚類與LSTM網(wǎng)絡(luò)的航天器健康狀態(tài)預測方法.

針對航天器單部件多維遙測數(shù)據(jù)復雜、耦合的情況,給出數(shù)據(jù)預處理和特征提取方法,并基于高維特征降維后的融合曲線分別建立無監(jiān)督的退化階段辨識方法和健康因子估計方法.在此基礎(chǔ)上,針對不同的退化階段,采用多個深層長短時記憶網(wǎng)絡(luò)(LSTM)對航天器單部件健康狀態(tài)演化過程進行建模,得到多維遙測數(shù)據(jù)到健康因子的復雜映射關(guān)系,從而實現(xiàn)航天器單部件健康狀態(tài)預測.

以CMG這一關(guān)鍵部件為例,利用其在軌實際退化數(shù)據(jù)對提出的方法進行驗證.結(jié)果表明,提出的無監(jiān)督退化階段辨識方法對CMG的退化過程分析合理,建立的健康狀態(tài)預測模型能夠準確預測CMG的健康狀態(tài)演化曲線,驗證了方法的有效性.