基于殘差網絡的航天器測控系統診斷

魏 軒，慕曉冬，曾昭菊，劉偉強，李思凡

(1.火箭軍工程大學 作戰保障學院， 西安 710025； 2.西安衛星測控中心， 西安 710025)

1 引言

我國航天器承擔著保證國防安全、發展國民經濟、探索太空和造福人類的重大責任，是國之重器。然而，航天器所處的空間環境多變，各部件性能隨著在軌運行年限的增加而不斷下降，導致航天器發生故障的因素增多，及時對航天器進行故障診斷[1]，了解各系統的健康狀況[2]，對航天器安全、穩定運行具有實際意義。

近年來，故障診斷技術受到廣泛關注，診斷方法日新月異，出現了基于模型[3]、基于信號處理[4]以及基于數據驅動[5]的故障診斷方法。目前，基于模型和信號處理的故障診斷方法使用廣泛，高正明等[6]對故障特征提取方法進行總結，在設備狀態監測與故障診斷過程中，通過對監測數據進行特征提取實現重要設備健康監測，并結合實際工業應用進行對比分析。但這些方法大多是根據故障發生時的表象進行診斷，航天器各系統復雜且數據量龐大，這些方法對航天器地面測試數據和各階段的歷史數據挖掘不夠深入，存在數據利用率不足、準確率不高的問題；基于數據驅動[7]的方法通過大量歷史數據來建立系統故障模型，通過利用航天器的研制數據、地面測試數據和在軌運行期間的遙測數據來實現故障診斷[8]，克服了上述方法數據利用不足的缺陷。隨著航天器各分系統復雜程度的增加，產生的數據量呈指數增長，基于數據驅動的故障診斷方法對于航天器系統非常適用。

基于機器學習和深度學習的方法是數據驅動故障診斷方法的重要組成部分，其中支持向量機(support vector machine，SVM)[9]作為一種機器學習的主流方法被廣泛應用。張馳[10]在滾動軸承故障診斷中，以原始振動信號為對象，提出一種基于卷積神經網絡(convolutional neural network，CNN)和支持向量機的診斷模型，直接將信號輸入CNN進行特征提取，并將網絡最后一層的結果輸入SVM完成故障分類。趙立紅等[11]提出了基于局部均值分解的樣本熵和支持向量機方法融合的故障診斷模型，對信號進行局部均值分解后輸入到SVM中進行故障分類。然而，傳統的機器學習方法需要獲取的廣泛的專家知識[12]，對時間和人力的消耗極大[13]。

與傳統機器學習的方法不同，基于深度學習的故障診斷方法通過加深網絡結構來學習數據的深層特征，在自動提取特征的同時實現較高的故障診斷準確性。針對故障診斷中標注樣本少的情況，Wen等[14]將故障信號轉換為RGB圖像后，結合遷移學習提出了一種基于殘差網絡(residual network，ResNet)的故障診斷模型，利用少量電機軸承數據達到了高精度診斷。Zhang等[15]設計了基于通道注意力殘差網絡的風電齒輪箱故障診斷方法，將原始信號進行小波包變換后，利用該網絡進行特征提取，實現了振動信號的高識別精度。Zhang等[16]為建立特征變換與輸入信號之間的關系，提出了一種帶雙曲函數的斜率和閾值自適應激活函數，將其應用到殘差網絡后實現軸承故障診斷。Wang等[17]提出了結合遷移學習的殘差網絡故障診斷方法，利用ResNet-50提取軸承信號的低級特征，結合特征學習器進行多尺度分析，實現了軸承數據集的高精度診斷。但是，航天器所處空間環境復雜，地面接收的遙測信號時常伴隨大量噪聲，直接利用原始遙測信號會導致診斷準確率不高的問題。

近年來深度學習應用廣泛，卷積神經網絡在故障診斷領域也得到極大地使用，輸入二維圖像后可通過端到端的架構直接輸出診斷準確率。文獻[18]中將軸承故障信號進行最大值、最小值歸一化處理，然后再轉換為二維灰度圖像后實現故障診斷。文獻[19]中利用數據歸一化、灰度值化、信號截取和矩陣變換等操作將軸承原始時域信號轉化為二維灰度圖像，并將此圖像作為卷積神經網絡的輸入，由此實現了故障信號的診斷。

針對上述問題，提出了一種基于主成分分析(principal component analysis，PCA)和殘差網絡(PCA-ResNet)的航天器測控系統的故障診斷方法。首先將航天器測控系統故障數據集中的遙測信號進行PCA處理，實現遙測信號的降噪，后將信號數據轉換為灰度圖像，最后通過殘差網絡對圖像進行特征提取，利用Softmax分類器進行故障分類，以實現航天器測控系統的故障診斷。

2 傳統故障診斷方法

2.1 主成分分析法

目前基于CNN的故障診斷方法開始大量使用灰度圖像作為輸入端，將一維故障數據進行歸一化后直接堆疊成二維矩陣，這種方法的優勢是可以保留原始信號的特征，但由于太空電磁環境復雜，地面接收到的航天器遙測信號時常伴隨大量噪聲，直接利用原始遙測信息會導致故障診斷的準確率不高。為解決上述問題，從帶有強噪聲的航天器遙測信號中提取故障特征，可使用主成分分析方法對航天器遙測信號進行降噪處理。

PCA是一種線性降維方法，通過線性投影將原始高維數據映射到低維空間，最小化信息量損失，實現較少的數據維度獲取最大的信息量，并一定程度上保留原始數據的特性，它具有良好的去噪性能，目前在故障診斷領域[20]已有應用。在PCA方法中通過選取適當降噪比例，將原始遙測信號降維后再映射回高維數據，可實現原始信號的降噪處理。

設航天器故障數據集X=[x1,x2,…,xn]共有n個樣本，每個樣本有k個特征，每個特征對應各自的特征值。

1) 首先對每組數據求平均值和標準差，并進行標準化。

(1)

(2)

2) 求n個樣本的標準化矩陣M和協方差矩陣C。

3) 求協方差矩陣C的特征值(λ1,λ2,…,λk)和特征向量ai=(ai1,ai2,…,aik)，i=1,2,…,k，將特征值λi按照從大到小的順序排序，選擇最大的前p個，并將其相對應的p個特征向量拿出來，會得到一組{(λ1,a1),(λ2,a2),…, (λp,ap)}。

4) 確定前P個主成分

計算前P個主成分的貢獻率：

(3)

貢獻率越大，樣本特征中包含的原始信息越多。一般當累計貢獻率θ(p)≥85%時，認為該樣本特征保留了原始數據的信息。

5) 將原始數據投影到選取的特征向量上，得到降維后的p維特征。對于每一個樣本xi，原來的特征是(xi1,xi2,…,xik)T，投影后的新特征是(yi1,yi2,…,yip)T，計算公式如下：

(4)

2.2 信號-圖像轉換

為從帶有強噪聲的航天器遙測信號中提取故障特征，首先將航天器遙測信號進行PCA降噪，再將一維數據歸一化后直接堆疊成二維矩陣并轉換為灰度圖像，以實現故障診斷。將一維遙測信號處理為二維圖像，既可保留原始信號的特征，又利于殘差網絡的結構特征自動進行特征提取。航天器測控系統遙測信號值并不集中，各部件標志位數值范圍不同，其遙測信號的最大值、最小值不穩定，直接使用最大值、最小值方法對原始遙測信號進行處理，會導致歸一化效果不好，影響故障診斷的效率。而本文中，航天器測控系統的遙測信號經過PCA處理后已標準化，可有效避免直接進行數據歸一化導致的問題。

為轉換為二維灰度圖像，首先將處理后的數據取整后轉化為灰度值，方法為：

(5)

其次，將灰度化后的遙測信號進行分段，共截取a段，每段包含b個數據點，所有遙測值堆疊后獲得一個a×b的二維矩陣，此時，航天器測控系統遙測信號就轉變為一張長為a,寬為b,包含a×b個像素點的灰度圖，實現了將遙測信號轉換為二維灰度圖像。

轉換流程為：

1) 對航天器測控系統遙測信號進行PCA降噪處理；

2) 處理后的遙測數據進行取整并轉化為灰度值；

3) 根據圖片大小進行遙測數據截取和矩陣變換；

4) 獲得航天器測控系統遙測數據灰度圖。

2.3 殘差網絡

殘差網絡[21]是一個經典的深度卷積神經網絡，旨在解決因網絡層數加深所引起的網絡退化問題，主要由殘差塊構成。殘差塊的輸入為，輸出為，殘差映射為，其基本思想是對輸入進行卷積、最大池化和Relu激活函數操作后，得到輸出為，再將進行卷積和激活函數操作，并與最開始的輸入相連接，得到輸出。殘差塊可實現網絡的恒等映射，在增加層數的同時保留原輸入的特征，以減緩特征丟失的方式來避免網絡退化，圖1為殘差塊結構框圖。

圖1 殘差塊結構框圖

ResNet網絡因殘差塊的特殊結構在自動提取特征時可有效避免梯度問題，常用的殘差模型有ResNet-18、ResNet-50和ResNet-101。考慮到實驗中的樣本數量，文中使用ResNet-18作為基礎網絡。

3 基于PCA-ResNet故障診斷方法

3.1 特征提取

殘差網絡的特征提取過程如圖2所示。首先將航天器遙測信號灰度圖像作為殘差網絡輸入(輸入尺寸為的圖像，1、64、64分別表示圖像的通道數、高度和寬度)，經過步長為、填充為的的卷積操作和步長為、填充為的的最大池化處理；再將特征圖輸入到通道數為的殘差塊中，后經過個填充為的的卷積操作，此時特征圖的尺寸為，由于輸出通道數都是64，殘差塊用實線連接;該特征圖作為輸入，一方面通過升維并下采樣至大小為，另一方面經過2個步長分別為2和1、通道數為的卷積操作，將卷積操作后的特征圖與升維后的特征圖相加，此時圖片尺寸為。其中實線連接的上下層網絡特征圖維度沒有發生變化，可以直接相加，虛線連接的上下層網絡特征圖維度增加了1倍，使得輸入與輸出不能直接疊加，需要增加輸入x的維度后再進行相加。

圖2 殘差網絡特征提取過程

3.2 診斷流程

航天器測控系統故障診斷流程分為4個步驟：數據預處理[22]、遙測信號-圖像轉換、診斷模型訓練、故障診斷。如圖3所示。

1) 數據預處理。首先將航天器測控系統故障數據集遙測信號與采集到的航天器遙測信號進行PCA降噪處理。

2) 遙測信號-圖像轉換。將2種數據集的遙測信號利用信號-圖像轉換方法，生成所需的故障集圖像和測試集圖像。

3) 診斷模型訓練。故障集圖像作為模型訓練集，輸入到殘差網絡后得到的特征向量，經過全連接層后由Softmax分類器直接輸出損失值和準確率。

4) 故障診斷。將測試集圖像輸入該模型，判斷所屬故障類型，并計算診斷準確率。

圖3 故障診斷流程框圖

4 實例分析

4.1 航天器遙測信號處理結果

實驗中使用的航天器測控系統故障數據集和測試集均來自某航天器的歷史數據和地面測試數據，數據由某衛星測控中心提供，該數據集中故障1包含32 320組數據，故障2包含16 640組數據，故障3包含18 240組數據，故障4包含23 360組數據，每組數據包含64個數據量。首先將所有樣本數據經過PCA降噪處理，然后進行信號圖像轉換，由于每組數據均是64維，為方便圖像處理，將轉換后的圖片大小設置為64×64，并隨機抽取其中的80%作為訓練集樣本、20%作為測試集樣本。轉換后的結果如表1所示。

原始遙測信號經過PCA處理后去除了大量噪聲，保證了殘差網絡的訓練效果，圖4為信號降噪后轉換的灰度圖像。

表1 信號-圖像轉換結果Table 1 Signal-image conversion results

圖4 航天器遙測信號灰度圖

4.2 實驗參數設置

本實驗在Pytorch 0.4.1 (Python 3.6)的深度學習下框架進行，計算機配置為Intel Xeon E5-2630 v4 20處理器，64G內存，NVIDIA GeForce GTX 1080Ti顯卡，模型訓練過程選用Adam優化器來優化網絡，配置學習率為α=10-3，衰減系數β1=0.9，β2=0.999，小值常數ε=10-8，Batchsize設置為64，epoch設置為800。驗證過程與訓練一致，epoch設置為100。

4.3 模型的訓練與驗證

將降噪處理后一維航天器遙測信號當作大量數字，利用統計原理對遙測信號進行挖掘后提取有效特征，并根據主元的累計貢獻率保留包含重要特征信息的主元。由表2可知，前6個主元的貢獻率累計達到95.774%，即前6個主元包含了航天器測控系統遙測信號特征的絕大部分信息。

為研究PCA方法中選取不同降噪比是否對故障分類的準確率有影響，考慮文中所選用的故障數據集來源于航天器歷史數據和地面測試數據，主成分的累計貢獻率大于85%，可保證整個主元模型的精確度。文中將PCA降噪比選取在0.85和1之間。其中，降噪比選取“0.88”表示保留原航天器遙測信號中88%的主要特征，即前3個主元，選取“1”表示不對數據進行降噪處理，保留原航天器遙測信號中所有特征。在每個降噪比下將試驗重復10次，結果如圖5所示。

表2 航天器遙測信號主成分累計貢獻率Table 2 Cumulative contribution rate of principal components of spacecraft telemetry signal

圖5 不同降噪比下的診斷準確率對比圖

將本次實驗結果進行統計可以得出:不同降噪比下的測試集平均診斷準確率均在90%以上，其中降噪比為0.88時診斷準確率的平均值最低為90.64%，當降噪比為1時有最高診斷準確率96.363%，但其平均值為94.706 2%。降噪比為0.95時測試的平均值為95.326%，在幾個結果中均值最大，魯棒性較好，由表3可知對航天器故障數據集使用適當比例的降噪比能在一定程度上提高診斷結果準確率。

表3 不同降噪比下的診斷準確率統計表Table 3 Statistics of diagnostic accuracy under different noise reduction ratios

圖6為降噪比為0.95時，一次訓練中測試集的診斷準確率隨迭代步數的變化情況。由圖可以得出:隨著迭代步數的增加，診斷的準確率越來越高，迭代70次后，模型收斂并趨于穩定，最終測試集的診斷準確率為95.341 5%。

圖6 降噪比為0.95的準確率

為觀察PCA-ResNet模型在4類故障中的表現，在測試集上進行一次隨機測試并繪制混淆矩陣。其中，橫軸代表測試集真實標簽，縱軸代表測試集的預測標簽，主對角線為PCA-ResNet模型預測的正確樣本數。由圖7可以看出PCA-ResNet模型對航天器測控系統各類故障識別具有較高的準確度。

圖7 測試結果混淆矩陣

4.4 對比研究

為驗證提出的模型有較好地診斷效果，針對同一數據集，分別利用SVM、LeNet-5、ResNet18與所提模型進行比較，其中傳統方法SVM可直接對一維原始遙測信號進行診斷，而其余3種模型均使用轉換后的圖像作為輸入。為使對比實驗更加可靠，對每種診斷模型都重復操作10次，epoch取值為100，最后診斷的準確率取10次平均值。各診斷模型的準確率如表4所示。

表4 各診斷模型及準確率Table 4 Accuracy rates of the diagnostic models

由表4可知:

1) 所提出的PCA-ResNet模型對于航天器測控系統故障診斷的準確率達到95.34%，高于SVM、LeNet-5和ResNet-18故障診斷算法。

2) ResNet-18網絡參數與文中使用的殘差網絡參數一致，但直接使用未經降噪后的遙測信號使得診斷效果相對較差，其總體波動性大，穩定性不如PCA-ResNet模型。

3) LeNet-5、ResNet-18和PCA-ResNet三種模型的診斷準確率均高于SVM算法，說明對遙測信號利用信號-圖像轉換方法，可有效保留遙測信號的特征，減少對人工經驗的依賴，提高了診斷的準確率。

5 結論

針對航天器測控系統實際，提出了基于PCA-ResNet模型的航天器測控系統故障診斷方法，將故障集與測試集遙測信號經過PCA方法處理后再通過信號-圖像轉換，并利用殘差網絡進行訓練，最后對比3種典型模型的訓練效果，得出結論如下：

1) 航天器所處空間環境惡劣，對其遙測信號進行PCA降噪，可有效降低航天器外部噪聲對故障診斷的干擾，進而提高故障診斷的準確率。

2) 運用信號-圖像處理方法，更利于殘差網絡進行深層特征提取，相比于傳統故障診斷算法，提高了診斷的精度。

3) 通過對比SVM、LeNet-5和ResNet-18方法，PCA-ResNet模型在航天器故障樣本少的條件下取得了95.33%故障診斷準確率，為地面進行故障精準判別提供可靠依據。

4) 本研究利用PCA對遙測信號進行處理，再利用殘差網絡進行深層特征提取，既使用了傳統的數據處理方法，又結合深度網絡設計了航天器測控系統的故障診斷方法，為航天器智能化管理提供了新的思路。