一種基于深度學習算法的定量化航天產品質量控制方法

/北京神舟航天軟件技術有限公司

張海利 /中國航天科技集團有限公司

航天產品具有高技術、高風險的特點，主要原因是航天產品系統復雜，技術指標要求高，常采用新技術、新材料、新工藝，而產品一旦發生故障，損失巨大。此外，航天產品多品種、小批量的生產特點使得產品實踐機會少，對航天工作者從實踐中摸索規律的能力提出了高要求。航天型號管理以質量要求嚴格著稱，在多年型號管理中形成一套基于系統工程的質量管理體系，但在產品質量控制，尤其是定量化控制方面仍面臨巨大挑戰，如航天產品由于實驗機會和驗證機會少，從而導致產品研制規律難以把握，我國在基礎理論研究和基礎工業能力方面支撐力度不足且制造工藝過程分析能力薄弱。因此，急需結合航天產品的特點總結出一套從實際產品數據中歸納產品規律、加強航天產品過程控制的方法，并在科研生產實踐中不斷對其包含的內在規律進行檢查與修正，以滿足航天產品質量控制要求。

一、深度學習算法

1.深度學習模型

深度學習模型的作用是從歷史數據中學習規律，進而對新的樣本作出識別或結果預測，其關鍵在于中間的隱藏層結構，這種隱藏層架構幾乎成了“規律”的代名詞。深度學習模型起源于神經網絡，但受計算能力的限制，神經網絡在隱藏神經元的構建方面遇到巨大困難，發展一度停滯不前。近年來，隨著計算機CPU及其速度的提升、并行計算技術發展以及眾多優化算法的出現，深度學習再度崛起。

在定量化產品質量模型中，很多參數之間有無關聯兼不清楚、線性非線性關系不清楚、積分導數關系不清楚，恰恰可以利用深度學習算法對產品參數低層特征形成更加抽象的高層特征，然后在這些高層次表達的基礎上，通過線性或者非線性組合來獲得一個更高層次的模型表達。

在深度學習模型建立的過程中，參數關聯程度、關鍵參數數量以及指標數量都會對整個模型收斂產生巨大的影響，需要根據計算情況進行模型調優，進而建立起符合質量控制要求的定量化模型。

2.深度學習擴展能力

選取一組樣本數據，雙輸入單輸出，由于輸入關系較為復雜，在建模方面應用線性和多階函數擬合誤差較大。應用深度學習算法進行模型建模（見圖1），圖1（a）為實踐數據，（b）為深度學習模擬數據，（c）為殘差，可見深度學習算法在（-1.5，1.5）區間，能夠較好地逼近原函數。

下面將輸入參數區間擴展到（-2.5，2.5）（見圖2），由于訓練樣本來源于（-1.5，1.5）區間，所以對（-2.5，-1.5）以及（1.5，2.5）區間內規律實際上是難以掌握的。但從模擬結果來看，該模型對未知區間有著較好的“猜測”能力，該模型已掌握輸入輸出之間的變化“規律”。這對航天產品來說，能夠通過深度學習模型與仿真手段不斷推演，找到現有產品參數、工藝參數實踐范圍之外的最優點，為產品優化指明方向。

二、定量化產品質量控制方法

從信息中篩選數據，建立定量化模型從而形成控制機制，是實現航天產品質量受控的關鍵。但從航天型號研制實際情況看，產品試驗投入巨大，難以利用傳統的DOE方法重新安排試驗，這對模型算法提出了較高要求，需要將歷史產品數據利用好再進行模型推演，同時要求質量控制方法要做到與時俱進，不斷利用新數據對模型進行改進修正。此外，基于歷史數據由于參數區間受限，容易陷入局部最優，需要模型具有良好的規律把握能力，以便進行參數擴展尋優。從科研實際看，質量控制模型要做到航天專家經驗和數據定量分析的結合，這樣才能有效地支撐科研生產。

圖1 樣本數據的深度學習模型分析

圖2 參數區間擴展后的深度學習模型分析

航天產品質量定量化控制模型（見圖3）包括歷史數據分析、定量化在線模型計算與生產監控3個部分。歷史數據分析是通過對歷史產品數據進行分析，確定有效數據集合作為產品模型的初始化數據；定量化在線模型計算是本方法的關鍵步驟，利用深度學習算法對數據進行定量化建模及小批量生產驗證工作，確保當前模型的有效性和可控性；生產監控階段按照預定的關鍵參數控制策略，利用SPC算法對實際生產參數進行監控，及時剔除質量不可控因素，確保產品指標的一致性。

1.歷史數據分析階段

航天產品歷來重視產品數據，航天產品數據包建設已經取得初步成效，三類關鍵特性包括產品設計關鍵特性、產品工藝關鍵特性以及產品過程控制關鍵特性。以航天數據包為基礎，結合FEMA以及FTA等質量工具，得到重點產品參數，對航天產品數據按照產品結構進行梳理。在數據整理時，圍繞產品指標以及重點產品參數開展，應注意以下原則：一是按照產品數據包批次一致性，數據對照表要建立因果關系；二是按照共性產品和共性工藝條件等多個維度進行數據歸集；三是對新設計、新材料、新工藝引入應予以特殊標識；四是對于不能確定是否相關的過程參數也要參與歸集，并予以單獨標識。

圖3 航天產品質量定量化控制模型

對產品重點參數數據進行單參數分布分析，通過擬合得到不同歷史數據分布，并通過分布檢驗算法對重點產品參數進行建模以及偏差估計，這樣就完成了專家經驗和歷史數據的有效統一。但在實際數據檢驗過程中發現較多不合格數據，尤其是紙質單據的記錄，其原因一方面是由于檢驗人員疏忽所致，而更主要的原因是缺乏數據分析帶動，導致各個崗位對數據記錄積極性不高。數據分析是一項長效性工作，針對重點科研生產環節應建立重點產品參數數據庫。在國家技改項目支持下，多數單位加工設備和檢測設備已具備較為完備的數據交換接口，對于數據分析工作來說，機器中記錄的數據往往比手工記錄的數據具有更大的分析價值。

2.定量化在線模型計算階段

定量化在線模型計算利用深度學習算法對數據進行定量化建模并進行小批量生產驗證工作，以確保模型隨著內外部因素變化仍能保證有效性和受控性。

一是數據一致性分析算法，通過多種統計算法計算各參數與指標的相關性，將與指標關系不大的參數排除掉；二是關鍵參數確認，通過企業內部產品相關部門對數據一致性進行評審，考慮各環節專家意見，最終確定產品關鍵參數；三是深度學習算法，將3/4樣本數據對深度學習模型進行訓練，調整優化參數直至模型收斂；四是擬合精度檢驗，將剩余1/4樣本用于模型檢驗，計算模型精度偏差，發現樣本不足需要補充樣本；五是蒙特卡洛仿真，利用關鍵參數分布，對確定模型進行蒙特卡羅仿真，檢查模型一致性；六是確定定量化質量控制模型，針對已有模型，按實際生產條件嘗試改變各個輸入參數值和工差，不斷試錯，直至仿真結果達到質量控制要求為止；七是關鍵參數控制策略確定，通過與設計工藝部門溝通，確定關鍵參數和其工差范圍，制定試制方案；八是小批量生產驗證，通過小批量生產驗證關鍵參數調整和控制策略是否可行，完成后可以使用小批量試制數據對模型進行強化訓練，如產品不適合進行試制驗證，則將新規則作為后續參數約束條件對新產品加以控制。通過以上步驟得到一個離線的、定量的質量控制模型，這個模型基于歷史數據并進行了小批量生產試制。

3.生產監控階段

模型在生產過程中，按照既定參數和工差要求進行生產，保證產品指標參數一致性，收斂于指定區間。對于生產數據超差應進行及時處理，生產數據實時傳回模型，使其參數不斷調整，通過更多數據實現不斷在線優化改進。

筆者提出了一種基于深度學習算法的定量化航天產品質量優化方法，能夠對最終產品指標一致性進行定量化的分析。航天產品數據包工作開展多年，但仍面臨著電子化水平低、數據分析能力不足等挑戰。人工智能作為新興技術不再遙不可及，已經廣泛融入我們日常生活點點滴滴中，在型號產品質量控制過程中加快人工智能技術論證和引入，能夠有效提升航天產品質量控制能力?！?/p>