劉大禹，徐二寶

（1. 中國東方紅衛(wèi)星股份有限公司，北京 100081； 2. 西安理工大學 機械與精密儀器工程學院，西安 710048）

0 引言

人造衛(wèi)星載荷結(jié)構(gòu)復雜、零部件繁多的特點給其健康管理帶來了巨大的挑戰(zhàn)。一旦某個關鍵零部件發(fā)生故障，將會引起連鎖反應，甚至導致整個衛(wèi)星服務中斷。為了保證衛(wèi)星在軌運行期間的高可靠性，減少意外故障的發(fā)生，對衛(wèi)星及其載荷各子系統(tǒng)模塊的健康狀況進行預測成為一項極為重要的工作。

目前衛(wèi)星的剩余壽命預測大多基于傳統(tǒng)的可靠性和隨機過程等統(tǒng)計學的方法，一般使用隨機過程來描述設備的退化過程，用可靠性分布和參數(shù)估計等手段獲得衛(wèi)星零部件的故障概率和剩余壽命。然而，目前衛(wèi)星逐漸向小型化和輕量化的趨勢發(fā)展，且其精密程度越來越高，功能越來越強大，結(jié)構(gòu)越來越復雜，影響其剩余壽命的因素具有多維、耦合等特點，因此越來越難以用精準的可靠性分布模型來描述衛(wèi)星部件的退化和失效進程。

近年來，隨著以物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能為代表的新一代信息技術的蓬勃發(fā)展，傳統(tǒng)的基于可靠性的預測方法正朝著更為直接、有效的基于數(shù)據(jù)驅(qū)動的方式轉(zhuǎn)變?；跀?shù)據(jù)驅(qū)動的剩余使用壽命（remaining useful life, RUL）預測方法主要利用深度學習技術，具有較強的自適應特征提取能力，無需專業(yè)的統(tǒng)計學知識和精準的機理模型，完全依賴歷史數(shù)據(jù)以及實時狀態(tài)監(jiān)測數(shù)據(jù)對設備的RUL進行預測，預測精度較高、普適性較強。事實上，隨著健康管理技術的應用和發(fā)展，某些衛(wèi)星已經(jīng)建立了完善的實時在軌數(shù)據(jù)采集系統(tǒng)，并積累了一定數(shù)量的歷史數(shù)據(jù)，為實施基于數(shù)據(jù)的預測提供了重要的支撐。

通過對現(xiàn)有研究成果的梳理發(fā)現(xiàn)，目前的衛(wèi)星RUL 預測模型大多是基于衛(wèi)星本身的遙測數(shù)據(jù)，并使用卷積神經(jīng)網(wǎng)絡（convolutional neural networks,CNN）或長短時記憶網(wǎng)絡（long short-term memory,LSTM）等深度學習技術來構(gòu)建的，普遍缺乏對部件周邊環(huán)境類以及地面統(tǒng)計類等數(shù)據(jù)信息的考慮，導致預測精度不高。為了更精準預測衛(wèi)星關鍵零部件的RUL，同時解決CNN 和LSTM 技術存在的時序數(shù)據(jù)提取能力不足以及模型訓練速度過慢的問題，本文選用門控循環(huán)單元（gated recurrent unit,GRU）網(wǎng)絡對衛(wèi)星關鍵零部件的RUL 進行預測；而且在基于GRU 構(gòu)建預測模型時除衛(wèi)星遙測數(shù)據(jù)之外，將熱噪聲溫度等在軌環(huán)境類數(shù)據(jù)以及通信質(zhì)量等地面統(tǒng)計類數(shù)據(jù)也考慮進去，并使用CNN 與GRU 融合的方法來改善GRU 網(wǎng)絡模型提取特征能力不足的問題。

1 GRU 理論基礎

與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡不同，GRU 網(wǎng)絡能同時處理當前和前序時間的數(shù)據(jù)，解決了傳統(tǒng)神經(jīng)網(wǎng)絡難以有效處理時序類型數(shù)據(jù)的問題。GRU 網(wǎng)絡由輸入單元、輸出單元和隱藏單元3 部分組成，其模型架構(gòu)如圖1 所示，其中，x、s和o分別為位置的輸入數(shù)據(jù)、隱藏單元輸出和輸出單元輸出。

圖1 GRU 模型架構(gòu)Fig. 1 Architecture of the GRU model

從其模型架構(gòu)可以發(fā)現(xiàn)，GRU 處理時序數(shù)據(jù)時，序列中每個當前位置的輸出值不僅依賴于當前位置的輸入x，還依賴于前序位置隱藏單元的輸出s，以此來實現(xiàn)對前序位置信息的記憶。GRU 的隱藏單元是一個比較復雜的門限結(jié)構(gòu)，如圖2 所示，每個隱藏單元包含更新門和重置門2 個門控。

圖2 GRU 隱藏單元的門限結(jié)構(gòu)Fig. 2 Threshold structure of the hidden cell of the GRU model

更新門控制著序列中前序位置信息保留到當前位置的程度Z，值越大表示在當前位置中保留了越多的前序位置信息，更新門Z的計算表達式為

式中：(·)為Sigmoid 激活函數(shù)；為更新門對輸入向量的權重；為更新門對前序單元輸出的權重。

重置門控制著當前位置狀態(tài)與前序位置信息結(jié)合的程度，R值越小說明忽略的信息越多，重置門R的計算表達式為

式(3)和式(4)中：為隱藏單元輸出時對輸入向量的權重；為隱藏單元輸出時對前序單元輸出的權重。

式(1)～式(4)中的、、、、、均為可訓練的參數(shù)矩陣，在得到隱藏單元輸出s后，經(jīng)過全連接網(wǎng)絡，即可得到當前位置的輸出o。

2 數(shù)據(jù)驅(qū)動的衛(wèi)星RUL 預測模型構(gòu)建

衛(wèi)星健康狀態(tài)數(shù)據(jù)通常具有非線性相關、時序性強及退化過程復雜的特點，增加了后續(xù)時序特征提取及數(shù)據(jù)趨勢預測的難度，導致在對衛(wèi)星RUL進行預測時，使用一般的機器學習方法或單一的深度學習方法的預測效果無法滿足應用要求。相比于RNN、LSTM 等常見的處理時序型數(shù)據(jù)的方法，GRU 可通過引入門控機制很好地解決模型訓練時容易梯度消失的問題，并且能以更少的訓練參數(shù)達到較佳的預測效果，因此本文選用GRU 網(wǎng)絡進行RUL 預測；同時考慮到CNN 在從原始數(shù)據(jù)中提取顯著特征時往往優(yōu)于其他神經(jīng)網(wǎng)絡，結(jié)合CNN 和GRU 的網(wǎng)絡結(jié)構(gòu)優(yōu)勢，使用CNN 進行特征提取，將CNN 輸出結(jié)果作為GRU 的輸入，建立CNN 與GRU相融合的RUL 預測方法。相比原始輸入，CNN 能夠?qū)Ω嚓P鍵信息進行編碼，壓縮序列的長度，增強后續(xù)GRU 捕獲時間信息的能力；同時，模型的輸入數(shù)據(jù)不僅包含傳統(tǒng)的衛(wèi)星遙測類數(shù)據(jù)，還添加了衛(wèi)星在軌環(huán)境類數(shù)據(jù)，旨在提高衛(wèi)星RUL 的預測精度。綜上所述，本文提出的基于CNN-GRU 的衛(wèi)星RUL 預測模型如圖3 所示。

圖3 基于CNN-GRU 的衛(wèi)星RUL 預測模型示意Fig. 3 Schematic model for predicting RUL of satellite based on CNN-GRU

3 算例分析

為驗證所構(gòu)建模型的有效性，本文以某型號衛(wèi)星的天線轉(zhuǎn)發(fā)器這一通信系統(tǒng)關鍵部件作為具體研究對象，進行其RUL 預測。

影響天線轉(zhuǎn)發(fā)器性能的主要參數(shù)為G/T（接收系統(tǒng)品質(zhì)因數(shù)）、SFD（飽和通量密度）和EIRP（有效全向輻射功率），均與天線增益在軌監(jiān)測參數(shù)息息相關。用于數(shù)據(jù)驅(qū)動的原始數(shù)據(jù)集除了包含天線增益在軌監(jiān)測參數(shù)外，還要包括從地面站遙測歷史數(shù)據(jù)庫中檢索出的遙測數(shù)據(jù)傳輸幀率、遙測誤碼率、信噪比、丟幀率、數(shù)據(jù)幀時延等反映通信質(zhì)量的統(tǒng)計類參數(shù)數(shù)據(jù)，以及天線熱噪聲數(shù)據(jù)。衛(wèi)星溫度測點相對較少，因此將星間鏈路天線主反射器和鎖緊/釋放裝置的溫度等價為天線熱噪聲參數(shù)，用以反映天線在軌環(huán)境。最終把這些參數(shù)數(shù)據(jù)一并輸入到模型中，將60%的數(shù)據(jù)作為訓練集，20%的數(shù)據(jù)作為驗證集，剩余20%的數(shù)據(jù)作為測試集，分別建立GRU 回歸模型和CNN-GRU 模型對天線轉(zhuǎn)發(fā)器的RUL 進行預測。

兩模型均選擇平均絕對誤差（MAE）作為損失函數(shù)，選擇tanh 激活函數(shù)，設置最大迭代步數(shù)為500。為防止模型出現(xiàn)過擬合情況，在模型中加入早停法，以獲得更好的泛化性能。GRU 回歸模型訓練過程的迭代損失如圖4(a)所示，迭代172 次后，模型在驗證集上的表現(xiàn)開始下降，此時須停止訓練。在模型驗證環(huán)節(jié)，預測值與真實值的比對如圖4(b)所示。圖中的真實值是根據(jù)衛(wèi)星發(fā)射時間及退役時間分階段進行線性處理得到的，真實值（紅線）中的拐點是天線轉(zhuǎn)發(fā)器首次發(fā)生參數(shù)數(shù)據(jù)異常的運行時間點。

圖4 基于GRU 的天線轉(zhuǎn)發(fā)器RUL 預測模型Fig. 4 The prediction model for RUL of the antenna transponder based on GRU

通常使用MAE、均方根誤差（RMSE）、決定系數(shù)（）等評價指標來衡量模型在訓練集、驗證集和測試集上的預測精度。MAE、RMSE 這2 項指標越小代表模型的預測精度越高；的范圍為[0, 1]，其值越大表示模型擬合效果越好。GRU 模型的RUL預測結(jié)果評價如表1 所示。結(jié)果表明，該模型相比傳統(tǒng)的LSTM 模型，預測準確度提高了近70%，預測速度提高了近10%，能更好滿足大規(guī)模時序數(shù)據(jù)的預測需求。

表1 GRU 模型RUL 預測結(jié)果評價Table 1 Evaluation of RUL prediction results based on GRU model

CNN-GRU 模型訓練過程的迭代損失如圖5(a)所示，迭代198 次后，模型在驗證集上的表現(xiàn)開始下降，此時須停止訓練。在模型驗證環(huán)節(jié)，預測值與真實值的比對如圖5(b)所示。相較于圖4(b)可以直觀地看出，CNN-GRU 模型的預測結(jié)果明顯更接近真實值。

圖5 基于CNN-GRU 的天線轉(zhuǎn)發(fā)器RUL 預測模型Fig. 5 The model for predicting RUL of the antennatransponder based on CNN-GRU

CNN-GRU 模型在訓練集、驗證集及測試集上的RUL 預測結(jié)果評價如表2 所示。

表2 CNN-GRU 模型RUL 預測結(jié)果評價Table 2 Evaluation of RUL prediction results based on CNNGRU model

對比表1 和表2 可見，CNN-GRU模型RUL 預測結(jié)果的各項評價指標均較單純GRU模型的有明顯提升，說明CNN-GRU 模型的預測結(jié)果更接近真實值，驗證了本文所提出的基于CNN-GRU 的衛(wèi)星關鍵部件RUL 預測模型具有更高的預測精度。

4 結(jié)束語

本文構(gòu)建了基于數(shù)據(jù)驅(qū)動的衛(wèi)星關鍵部件剩余壽命預測模型，并將CNN 和GRU 相融合進一步優(yōu)化模型。選取某型號衛(wèi)星的天線轉(zhuǎn)發(fā)器的數(shù)據(jù)傳輸質(zhì)量類參數(shù)以及天線熱噪聲溫度參數(shù)作為原始數(shù)據(jù)集，采用單純的GRU 模型和CNN-GRU 融合模型進行RUL 預測。對兩模型RUL 預測結(jié)果的評價對比，驗證了相較于單純的GRU 模型，本文提出的CNN-GRU 融合模型可充分發(fā)揮CNN 在特征提取能力方面以及GRU 在時間序列預測方面的優(yōu)勢，能更快速、精準地對衛(wèi)星關鍵零部件的剩余壽命進行預測。