宋明鹏 齐梦圆 吴涛 吴海洲

摘要：深度学习的应用在各个领域得到了快速发展，主要驱动力在于丰富的数据量、算法的突破性以及计算机硬件的发展。航天测控设备长时间运行累积了大量的数据，基于深度学习的航天测控设备健康管理具有实现故障的快速诊断和检测，以及准确的故障预测等优势。研究了目前航天测控设备健康管理的现状及深度学习的基本理论，讨论了不同深度学习模型在测控设备健康管理上的应用，分析了传统算法与深度学习算法的区别，提出了测控设备健康管理的未来发展趋势。

关键词：健康管理;卷积神经网络;监督学习;无监督学习;生成对抗网络

中图分类号：TP18文献标志码：A文章编号：1008-1739（2021）04-68-6

0引言

设备健康管理技术是指利用尽可能少的传感器采集系统的各类数据信息，借助各种推理算法和智能模型来监控、预测和管理系统状态，评估系统自身的健康状态，并结合各种可用资源和约束条件触发最佳维修决策[1]。近十年来，在军事、民航等各个领域，设备健康管理技术得到了广泛应用[2]。随着科技的不断发展，一方面机械设备向着复杂化、集成化的方向发展，尤其对于机械电子类设备，设备的故障存在一定的耦合性和不确定性，使得利用传统方法进行故障定位、健康状态评估和预测存在难度;另一方面，随着计算机计算能力的提高，深度学习算法得到了快速发展，具有强大的自动特征提取能力，在图像识别、文本处理和语音识别等领域取得了重要成果。本文通过对深度学习算法的研究，提出了不同深度学习算法在航天测控设备健康管理中的应用。

1航天测控设备健康管理现状

航天测控设备的主要任务是对航天器进行跟踪、测量和控制。通常情况下，完整的测控系统设备包括天伺馈分系统、发射分系统、高频接收分系统、基带分系统、综合运管分系统、时频分系统、测试标校分系统和记录分系统，如图1所示。

航天测控系统由多个分系统组合构成，不仅设备量大而且均为复杂程度高的电子类设备，同时测控设备通常在高密度、长时间的带载条件下运行，因此航天测控设备的健康管理工作具有很大的挑战。目前测控设备的健康管理主要采用基于模型表达的方法。

基于模型的表达主要依赖于专家的知识，诊断流程如图2所示。在设备健康管理的过程中，首先专家通过知识编辑平台建立故障诊断知识模型，主要基于故障树和故障模式分析来完成，如图3所示为系统上变频器机箱A的故障树。专家通过故障树中的故障路径来反映其对故障产生原因的猜测，每一条故障路径是专家对引发故障可能性的一种猜测。通过对整个系统的故障树描绘来形成知识库。建立知识库后，模型编译系统对健康诊断模型进行编译操作，将逻辑表示翻译为物理表示，执行完编译操作后，诊断推理软件通过数据采集处理模块从数据库获取监测状态、日志、测控结果及历史诊断报告等数据，调用物理库开始推理过程。根据系统当前的设备征兆推断出可能的故障原因后，形成健康诊断报告显示给操作员，操作员可根据故障报告迅速完成故障定位，并根据报告中提供的建议信息维护相关设备，使系统恢复到正常工作状态。

对于测控设备这样复杂的系统，故障树非常庞大，编制步骤较多，基于模型驱动的方法需要分析人员对系统非常熟悉，因此模型建立的周期非常长。由于测控任务设备本身的差异性以及系统的动态变化，研究人员需要不断地调整模型，无法做到模型通用化;基于故障树方法对复杂故障的诊断定位及设备评估精度往往较低。同时，当数据库中的各类业务数据、状态数据、设备标校数据、设备状态记录数据以及系统和各分系统产生的操作日志等数据积累到一定程度后，系统在时间和空间尺度上积累的这些数据呈现出海量、多模态、不确定性、多源异构性和价值低密度性等“大数据”特性。因此，如何通过大数据学习算法找出感兴趣的、对系统健康状态存在强关联的数据成为航天测控设备健康管理下一步的重点。

2深度学习

深度学习算法是由Hinton在2006年提出[3]，从数据中学习表示的一种新方法，强调从连续的层中进行学习。深度学习的“深度”指的是一系列的连续层，这些分层统称神经网络，如图4（a）所示。图4（b）表示图4（a）中的单个神经元，其中表示输入变量，表示权系数，∑代表线性求和，从∑到代表非线性激活的过程，激活函数存在很多种，常用的有Relu函数、Softmax函数及Tanh函数等，从到表示褶积的过程= （∑=1 * ）。

通用的深度学习训练流程如图5所示，核心在于通过层与层交替使用線性和非线性处理来描述一个复杂的非线性函数，通过反向传播来更新网络参数，逐层训练和参数调整得到由最优权重矩阵构成的神经网络模型。

3深度学习模型的应用

深度学习在航天测控设备健康管理中的应用本质在于通过不同的深度学习算法来找出故障出现和故障原因间的关联关系并建立合适的模型。航天测控设备在执行任务期间积累了海量异构数据，针对不同的数据模式和特点可以分别采用不同的深度学习算法进行处理。

3.1自然语言处理的应用

测控设备在运行过程中积累了大量的运行日志、监控日志、测试报告、维修报告等相关的文本数据，这些数据一定程度上直接或间接反映了设备运行的状况，因此如何快速挖掘大量文本数据对设备的故障诊断具有重要的作用。

文本信息處理属于基于深度学习的自然语言处理。自然语言处理经典的算法是word2vec[4]模型，word2vec表示将词汇进行向量化，该模型可以定量地分析和挖掘词汇之间的联系。word2vec有连续词袋模型和skip-gram模型2种模型，前者表示给定上下文词来预测中间目标词，后者表示根据该词来预测上下文。测控设备产生的文本信息通过word2vec处理就可以将文本数据进行向量化，接着将向量化的信息输入到循环神经网络（RNN）中进行训练，RNN是专门用于处理序列的神经网络。通过不断迭代训练获取训练模型，最后应用模型给出设备故障原因，整个测控设备自然语言处理流程如图6所示。

目前基于自然语言处理算法的设备故障诊断属于初步尝试阶段，其中Su[5]基于长短时记忆（LSTM）网络对存储设备的监控日志进行训练，训练模型进行故障诊断;Ravi[6]利用事件日志对变电站变压器进行故障分析;张斌等[7]利用LSTM网络进行了轴承性能退化评估。

3.2传感器监测数据的应用

航天测控设备海量异构数据主要通过布设传感器来获取，数据背后反应了设备的健康状况。通常情况下单一因素，如电流、电压等异常造成的设备故障较好诊断，但是往往故障的发生是多因素耦合造成的，设备故障出现和故障原因之间存在复杂的关系，使用常规方法无法对设备进行准确地评估和预测。因此，本文基于不同深度学习算法来挖掘设备不同参数或属性之间的关联关系或知识。

3.2.1监督学习

监督学习是从特定的训练数据集中学习一个函数，当新的数据到来时，可以根据这个函数来预测结果[8]。监督学习的训练集要求包括输入和输出，数据集由人工手动进行标注，由监督者人工将数据集分为训练集和验证集。

基于监督学习模式下的深度学习算法在设备健康管理上的应用非常广泛，尤其在发动机、轴承等机械设备的故障诊断和故障预测领域。采集的机械数据通常为一维时间序列或频率序列，从大量的文献中可以得出使用最多的方法包括四大类：自编码器（SAE）[9]、卷积神经网络（CNN）[10]、深度置信网络（DBN）[11]和LSTM。其中，目前应用效果较好的方法为CNN和LSTM。Bo[12]等在数据不均衡和多种工作状态情况下，采用归一化的CNN对滚动轴承进行智能故障诊断。基于真实设备运行状态下数据的严重不均衡，为了保证不同工作条件下具有泛化能力，采用批处理归一化消除特征参数的差异，然后结合指数移动平均技术，构建特殊模型，不断更新优化模型参数，最后将模型应用于不同工作状态和数据下的故障诊断。通过以上方法建立了一种低复杂度但高效的智能诊断方法，能够很好地抑制原始数据中的噪声以及对不同工况下的不平衡数据有良好性能。

对于航天测控设备健康管理，依据现有的方法结合测控数据的特点可以做到很好的迁移。在不影响任务的前提下，对获取的监测数据进行深度学习建模，利用模型进行智能故障诊断。

3.2.2无监督学习

无监督学习（Unsupervised Learning，UL）是指对输入数据不做任何标记，也没有确定的结果。如图7所示，左图代表监督学习，其中红色小圆点代表人工对数据进行的标记，右图代表UL，输入数据不做任何人工标记。同样，样本数据类别也未知，需要根据样本间的相似性对样本集进行分类使内差距最小化，类差距最大化。

UL的最大优势在于不用提前对数据进行人工标注，尤其对于测控设备健康管理，数据量通常很大，采用人工的方式进行标注成本很高。目前对UL在健康管理上的应用也有大量学者展开研究[13-16]。Yu[17]提出了一种具有负相关学习功能的选择性深层去噪自动编码网络用于变速箱故障诊断，SSDAE-NCL网络的基本思想是基于UL从振动信号中提取有效的故障特征，根据提取的特征使用NLC进行微调构造分类器，最后应用模型进行故障诊断。

基于无监督学习的航天测控设备健康管理目前还存在问题，主要在于训练数据样本不平衡，故障数据远小于正常数据，通常需要对故障数据进行标记来进行网络训练;另外，无监督学习主要对大数据完成聚类，对于航天测控设备来说分系统结构多，数据不统一且数据噪声大，导致从无标签数据中提取更多特征存在困难。

3.2.3半监督学习

半监督学习的特征是训练数据集包含了大量未标记的数据和少量标签数据，在无人工干预条件下，自动利用未标记样本提升学习性能[18]。半监督学习避免了数据和资源的浪费，同时解决了监督学习的模型泛化能力和UL的模型不精确等问题。

半监督学习从模式上分为直推学习和归纳学习，二者的区别在于训练模型预测的对象不同，直推学习预测的对象是训练样本中被标记的数据，归纳学习的预测对象是待测数据。从不同的应用场景来说，半监督学习又可以分为半监督分类问题、半监督回归问题、半监督聚类以及半监督降维问题四大类，对于设备的健康管理问题大部分属于半监督分类问题。

Li[18]基于半监督学习对航天设备齿轮的原始振动信号进行故障诊断，提出了一种新的增强深度稀疏自动编码器来实现齿轮故障诊断，并通过对比验证了该网络的高效性和较好的泛化能力。对于航天测控设备来说，目前基于半监督学习具有很大的优势，一方面可以减少人工的标注，另一方面可以基于测控数据特点使用多种混合模型进行测试验证。

3.3基于GAN的设备健康管理

航天测控设备健康管理的核心问题是故障数据标识样本的数量不能满足深度学习对大规模带标签数据的需求。深度学习的成功应用，大数据是核心因素，特别是大规模的带标签数据。针对测控设备故障标签数据缺乏的小样本问题，生成對抗网络（Generative Adversarial Networks，GAN）可以很好地解决这类问题。

GAN属于非监督学习的深度学习算法之一，核心是通过让2个神经网络相互博弈的方式进行学习。GAN是由一个生成器和一个判别器组成，如图8所示。从潜在样本空间中随机抽取样本注入生成器中，经过生成器作用输出的样本与真实样本作为判别器的输入。判别器的作用将真实数据库中的样本区别于生成器作用样本，而生成器则是尽可能输出与真实样本无差的样本，2个网络相互对抗、不断调整参数，最终目的是使判别器无法判断生成器的输出结果是否真实[19]。

因此，基于GAN的测控设备健康管理的流程如下，训练流程图如图9所示。

①测控设备系统站内设备通过系统集中监控、统一自动测试、数据交互计算机、基带及ACU等提供监测故障数据信息。

②原始数据通过光盘等介质拷贝至本地，而后按照实时数据传输规范对数据进行格式转换，生成样本数据。考虑到数据源，图像数据和视频数据也可以通过软解压的方式注入数据库中。

③基于样本数据，通过样本增强扩大样本集，并进行自动标注，从而生成深度学习所需样本集。

④基于样本集，在特征提取基础上进行网络训练，最终训练生成识别网络。

⑤依据识别网络进行故障诊断以及设备健康状态的评估。

4分析与展望

基于深度学习的设备健康管理与传统的方法有着很大的不同，如表1所示。深度学习旨在通过对大量的样本数据训练找出潜在的故障现象和故障原因之间的关系，希望能够自动从高维的非结构化数据中提取所需要的特征信息，同时通过数据挖掘预测分析设备的剩余寿命。深度学习算法是基于数据的定量计算，可以高速自动处理设备的各类数据，而且容错性较高。同时，深度学习训练模型有很好的泛化能力和迁移能力，可以将训练好的模型应用到同一类的测控设备中。

虽然深度学习算法有很大的优势，但是针对目前航天测控设备特点，深度学习直接引入应用还存在一些问题，具体分析如下：

①特征数据库的建立：测控设备复杂度高，分系统多，各个系统的故障数据表达各异，形式不一致，采集来的原始数据是不能直接作为深度学习的输入。因此，在进入深度学习前，无论采用哪种模型和算法都需要先对原始数据进行清洗。数据清洗的过程就是特征数据库建立的过程，使非结构化的数据尽量结构化，原始数据质量越高模型训练好。

②特征提取与故障机理之间映射：由于设备的集成性和复杂性，导致故障机理具有很强的耦合性，设备的故障和相应的参数之间存在非线性关系，如何通过深度学习算法将数据潜在特征和故障机理之间的映射关系对应是一个极具挑战性的问题。

③基于专家模型和基于深度学习理论的相结合：深度学习只是数据处理的一种算法，其结果的好坏还有待验证，而传统的故障诊断方法在实际应用中体现出很大的价值，如何将二者的优势结合起来才是实现智能健康管理的最有效途径。

④深度学习模型的选取：如何选择合适的模型以及如何进行参数调整，特征选择等也都是一件困难的事情。选择太多或者太少的特征参数容易引起故障的误报，尤其是对于某些潜在的故障。

5结束语

在智能制造的背景下，基于大数据驱动的设备健康管理日益受到各个领域重视。通过深度学习算法可以对测控设备原始数据进行信息挖掘，在特征提取过程中发现更多的潜在知识。因此，对于航天测控设备健康管理，应用深度学习的方法必然成为一种新的趋势，但是如何利用好深度学习进行数据训练以及提高训练准确度还需要进一步探索实践。

参考文献

[1] AHMADI A， FRANSSON T， CRONA A，et al. Integration of RCM and PHM for the Next Generation of Aircraft[C]//2009 IEEE Aerospace Conference Proceedings， Big Sky， MT ： IEEE， 2009：1-9.

[2]吕琛，马剑，王自力.PHM技术国内外发展情况综述[J].计算机测量与控制，2016，24（9）：1-4.

[3] HINTON G E，SALAKHUTDINOV R R. Reducing the Dimensionality of Data with Neural Networks[J]. Science（80- ），2006，313（5786）：504-507.

[4] MIKOLOV T，SUTSKEVER I，CHEN K， et al. Distributed Representations of Words and Phrases and Their Compositionality[J]. Advances in Neural Information Processing Systems，2013，26：3111-3119.

[5] SU C J，TSAI L C，HUANG S F，et al. Deep Learning-based Real-time Failure Detection of Storage Devices[C]// International Conference on Applied Human Factors and Ergonomics. Washington D.C：AHFE， 2019：160-168.

[6] RAVI N N， DRUS S M， KRISHNAN P S，et al. Substation Transformer Failure Analysis Through Text Mining[C]// 9th Symposium on Computer Applications &Industrial Electronics （ISCAIE）. Malaysia ：IEEE，293-298.

[7] ZHANG B， ZHANG SH，LI WH. Bearing Performance Degradation Assessment Using Long Short-term Memory Recurrent Network[J]. Computers in Industry，2019，106： 14-29.

[8] GOODFELLOW I， BENGIO，Y， COURVILLE A. Deep Learning[M]. Massachusetts：MIT Press，2016.

[9] WANG F， DUN B，LIU X，et al. An Enhancement Deep Feature Extraction Method for Bearing Fault Diagnosis Based on Kernel Function and Autoencoder[J]. Shock and Vibration，2018：1-12.

[10] HUANG R， LIAO Y，ZHANG S，et al. Deep Decoupling Convolutional Neural Network for Intelligent Compound Fault Diagnosis[J]. IEEE Access，2018，7：1848-1858.

[11] WANG X， QIN Y， ZHANG AB.An Intelligent Fault Diagnosis Approach for Planetary Gearboxes Based on Deep Belief Networks and Uniformed Features[J].Journal of Intelligent & Fuzzy Systems，2018，34（6）：3619-3634.

[12] ZHAO B， ZHANG XM， LI H，et al. Intelligent Fault Diagnosis of Rolling Bearings Based on Normalized CNN Considering Data Imbalance and Variable Working Conditions[J]. Knowledge-Based Systems，2020：199.

[13] HU Chao， YOUN B D，WANG PF，et al. Ensemble of Data-driven Prognostic Algorithms for Robust Prediction of Remaining Useful Life[J]. Reliability Engineering and System Safety，2012，103：120-135.

[14] DU ZM， FAN B，JIN XQ，et al. Fault Detection and Diagnosis for Buildings and Hvac Systems Using Combined Neural Networks And Subtractive Clustering Analysis[J]. Building and Environment，2014，73：1-11.

[15] ZHU KD，MEI F，ZHENG JY.Adaptive Fault Diagnosis of HVCBs based on P-SVDD and P-KFCM[J]. Neurocomputing， 2017，240：127-136.

[16] ZHANG YY， LI XY， GAO L， et al， A New Subset Based Deep Feature Learning Method for Intelligent Fault Diagnosis of Bearing[J]. Expert Systems with Applications，2018，110： 125-142.

[17] YU JB. A Selective Deep Stacked Denoising Autoencoders Ensemble with Negative Correlation Learning for Gearbox Fault Diagnosis[J]. Computers in Industry， 2019，108：62-72.

[18] LI XY，LI JL，QU YZ，et al. Semi-supervised Gear Fault Diagnosis Using Raw Vibration Signal Based on Deep Learning[J]. Chinese Journal of Aeronautics，2019：10-15.

[19] GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative Adversarial Networks[J]. Advances in Neural Information Processing Systems，2014，3： 2672-2680.