人工智能技術在航天質量管理領域的應用初探

杜朋 王飛 張鎮琦 張丁磊 陳敏

（北京宇航系統工程研究所，北京，100076）

人工智能技術是讓機器像人類一樣具有思考和推理能力的智能技術。人工智能萌芽于20世紀50年代，經過了低谷蕭條期、黃金發展期，現在已在多個領域開花結果，如人臉識別、自動駕駛、寫詩作畫、機器翻譯等諸多方面，其中AlphaGo更是依托人工智能技術戰勝了圍棋世界冠軍。

與此同時，中國航天事業快速發展，航天產品的高可靠性對質量管理提出了很高的要求。雖然質量制度與標準已很完善，但很多研制環節依然離不開人工管理，這種管理具有成本高、易出錯、一致性差、管理不到位等問題。隨著型號種類日益增多、發射密度不斷升高，以人監督為主的質量管理模式效率有限。項目質量管理人員往往被事務性、重復性工作纏身，在型號質量管理中很難發揮自身專業優勢。航天型號研制過程中產生的知識類資料、工程數據規模越來越龐大，技術人員、質量人員分析數據的難度較大。應用人工智能技術是解決上述問題的最佳技術途徑。

1 人工智能的支撐技術

人工智能應用的三要素包括算法、算力和數據。以數據為基礎，通過算法構建模型，依托物理硬件進行計算和輸出，實現記憶、判斷和預測。

人工智能算法支撐技術主要包括二叉樹、支持向量機、隨機森林、神經網絡模型等，其中神經網絡模型應用最為廣泛，適應性最好、綜合效果最優。神經網絡算法又包括長短記憶神經網絡LSTM、循環神經網絡RNN、深度神經網絡CNN、對抗神經網絡GAN等。

人工智能算力支撐技術主要依據處理器芯片。目前谷歌、蘋果、英特爾、高通、英偉達、阿里巴巴、百度等科技企業均自主研發人工智能芯片，為人工智能發展提供算力支撐。

數據是人工智能的靈魂。當算法和硬件固定時，輸入什么樣的數據進行學習就會產生相應的輸出。航天質量管理領域經過較長時間的積累，質量管理已擁有較為成熟完善的質量管理體系、豐富的標準/規范、完善的規章制度等指導性文件資料。隨著質量管理工作的開展，各個院所逐步積累了大量技術、產品的質量過程數據。這些將是航天人工智能質量管理系統的重要素材。

2 在航天領域里的應用案例設想

2.1 質量管理知識問答系統

以GJB 9001C質量體系、航天行業標準、院所標準、規章制度及紅頭文件等質量管理材料為主要學習庫，建立質量管理智能問答系統。通過對質量管理知識的學習和訓練，實現對質量管理文件的整理、記憶和掌握。當質量管理人員遇到專業領域的困惑時，可以向系統進行提問，智能問答系統進行相應的解答。目前在醫學領域，智能機器人通過對醫學知識進行學習，以優秀的成績順利通過了執業醫師資格綜合筆試，筆者認為，將該醫學智能機器人背后的模型改進升級后即可用于質量管理知識智能問答系統。

2.2 智能評審系統

航天質量管理的評審通常指一部分專家對技術報告進行評議和審查，進而對技術或產品進行質量把關的過程，一般采取會議的形式。依托人工智能技術，以標準/規范、專業領域知識和已有的評審記錄（評審記錄一般包括會議記錄、專家意見、意見答復情況、評審報告、參會人員信息等）為學習資料構建評審系統。智能評審系統分為初級階段和高級階段。初級階段，智能評審系統實現對報告的文章結構、標準符合性等常見或低級錯誤初步篩查，經過修改完善后再提交會議評審。通過系統初檢可以避免部分錯誤帶入評審會場，提高報告質量，也能提升會議效率和效果。高級階段，智能評審系統完全取代專家書面評審，通過對報告的讀取、審查，準確的給出專家意見，從管理和技術兩個角度提出問題和改進方案。

2.3 質量問題智能管理系統

通過對航天歷史上有關質量問題的學習，構建質量問題智能管理系統，實現對質量問題發生情況進行預測并給出相應、有效的質量管理預防措施。學習材料一般包括專業領域知識、雙歸零標準要求、近20年來質量問題技術歸零報告和管理歸零報告等。質量問題智能管理系統可以預測近半年、1年的質量形勢，指出近期質量管理的薄弱環節、需要加強質量管控的型號或項目、即將頻繁暴露問題的產品名稱、近期或未來質量管控不到位的外協配套單位。質量問題智能管理系統能夠準確地對當期質量形勢進行評價、對未來質量形勢進行預測。

2.4 智慧質量體系審核平臺

質量體系審核過程是企業為了確認質量體系各要素是否按照計劃有效開展質量活動，是否達到了規定的質量目標而進行的檢查和評價活動。該過程是一個固定的工作過程，且流程較為清楚，一般先審核企業（組織）的質量體系完整和正確性，然后對標質量體系條款，被審核單位提供相應的見證材料，最后審核員審查見證材料是否有效落實了質量體系要求。審核材料作為歷史數據供給智慧質量體系審核平臺，審核材料包括GJB 9001C質量體系標準、航天集團院所質量體系文體、標準規范、檢查條款、見證材料等內容。從航天總體技術單位、設計單位、生產單位方面，按照分工進行分類；從電氣類、結構類、動力類等方面，從主營產品進行分類。通過分類，智慧質量體系審核平臺可以更加準確的制定審核計劃并實施有效的審核檢查，發現質量管理體系的薄弱環節。

2.5 智能檢驗機器人

智能檢驗機器人可以識別鑄件、焊縫等生產加工缺陷，通過對電氣產品測試數據或試驗曲線的分析自動評價產品性能，通過與航天型號 （項目）的設計文件比對，對設計正確性進行確認把關。生產加工缺陷識別檢驗機器人主要對歷史缺陷進行學習，例如貯箱焊接裂紋X光圖片、接頭鑄造孔洞熒光照片。電氣產品試驗過程中采集數據量較大的時候，人很難識別出產品的性能不穩定或性能下降，但依托智能檢驗機器人可以有效發現產品性能優劣的蛛絲馬跡。同專業不同型號或不同產品的設計文件部分內容上會有所差異，但很多方面有著相通的特性，通過智能檢驗機器人進行學習比對，對設計文體的正確性給出評價和意見，供設計人員參考和改進。

2.6 飛行試驗數據智慧利用軟件

運載火箭點火、起飛、將衛星送入預定軌道的過程中，火箭的測量系統會獲取大量的飛行試驗數據，包括錄像、圖片、曲線、單獨的數據等。當火箭發射失利時，測量系統返回的飛行試驗數據更加珍貴。飛行試驗數據智慧利用包括2個方面：①對當期飛行過程的評價，確認發動機、慣性組件、機構、火工品是否按照設計值進行了工作，并檢查是否存在薄弱環節；②對當期飛行數據進行挖掘，發現火箭改進的思路和方向。通過對多發次、多型號歷史飛行數據的智慧分析，進一步探尋數據底層的物理邏輯，輸出結果將成為提高火箭可靠性和運載能力以及技術改進升級的寶貴依據。

3 機遇與挑戰

3.1 機遇方面

人工智能技術傳統難點在于底層的復雜數學算法，包括高階偏微分方程求解、非線性函數的尋求最優解等，這些傳統難點導致質量管理人員對人工智能的應用望而卻步。近幾年隨著人工智能技術的進步和發展，把數學問題交給數學專業人員解決，將高級復雜的數據算法集成、打包為工具箱、工具包，只需要調用即可。應用人員更多精力放在流程實現、業務端的開發，不必過多在意復雜數學公式的求解工作。谷歌人工智能團隊開源的TensorFlow平臺、Facebook人工智能研究院開源的PyTorch計算包等算法平臺都給人工智能的實現提供了極大的便利。

復雜的算法、海量的數據對計算器的要求越來越高。優化圖形應用程序和游戲的專用數字芯片，即圖形處理器 （Graphics Processing Units，GPUs），正在成為深度學習和計算應用的高效芯片； 張 量 處 理 單 元 （Tensor Processing Unit，TPU）的出現進一步提高了計算效率，為人工智能的部署提供便利。計算器的快速發展將推動人工智能在質量管理領域應用。

3.2 挑戰方面

在數據訓練之前，人工智能算法猶如大腦一片空白的小孩。訓練和學習的數據是孩子的教材，數據的數量和質量決定了學習效果。我國航天領域已有60多年的發展歷史，大量的歷史質量數據將成為人工智能應用的基礎。但搜集、整理數據的工作量較為龐大；同時，人工智能中監督學習模式，需要對數據進行標注，數據分類和標注工作量也較為龐大。因此，人工智能在航天質量管理領域的應用過程中仍需要投入一定的人力、物力。

人工智能技術是21世紀關鍵技術之一，已廣泛應用到醫藥、先制造、金融、家居、零售等很多領域。人工智能憑借低成本高效率、加速創新、深度分析等優勢也將在航天質量管理領域有著越來越多的應用。