摘要：針對衛(wèi)星姿態(tài)控制系統(tǒng)（ACS）變工況下的故障診斷問題， 提出一種基于多尺度殘差對抗網(wǎng)絡(luò)的故障診斷方法。 該方法以領(lǐng)域?qū)箤W(xué)習(xí)策略為基礎(chǔ)， 設(shè)計了多尺度自適應(yīng)特征提取模塊， 可實現(xiàn)對不同信號的自適應(yīng)特征提取并將其映射到同一特征空間； 該方法還引入了梯度反轉(zhuǎn)層對領(lǐng)域分類代價進行反向傳播， 在保證域不變性的同時實現(xiàn)對故障的標簽分類。 最后， 利用某衛(wèi)星ACS地面半物理仿真平臺數(shù)據(jù)進行試驗驗證， 證明了所提方法具有良好效果， 為提高衛(wèi)星ACS的可靠性提供了有效途徑。
關(guān)鍵詞：故障診斷；姿態(tài)控制系統(tǒng)可靠性；人工智能；深度學(xué)習(xí)
作者：馬淑君；段欣欣；霍衛(wèi)杰；朱迪；朱蕾
作者單位：上海航天電子技術(shù)研究所
引言
故障診斷是保證現(xiàn)代控制系統(tǒng)安全性和可靠性的必備技術(shù)，經(jīng)過50多年的發(fā)展，該技術(shù)已在航空航天、軌道交通、智能制造等領(lǐng)域進行了應(yīng)用。衛(wèi)星本體與執(zhí)行機構(gòu)、控制機構(gòu)、敏感元件共同構(gòu)成姿態(tài)控制閉環(huán)，是保障衛(wèi)星運行能力的關(guān)鍵分系統(tǒng)之一。衛(wèi)星ACS本身結(jié)構(gòu)復(fù)雜冗余， 且其復(fù)雜的工作任務(wù)與惡劣的運行環(huán)境導(dǎo)致系統(tǒng)極易發(fā)生故障[1-2]，給衛(wèi)星的在軌可靠性帶來了極大的挑戰(zhàn)。因此，對衛(wèi)星姿態(tài)控制系統(tǒng) （ACS）的故障進行診斷，是確保其可靠運行的重要保障，也是提高系統(tǒng)健康運行能力的要求[3]。
近年來， 眾多專家學(xué)者從多角度開展了衛(wèi)星ACS 的故障診斷研究。文獻[4]中使用不確定性分解開發(fā)了一種自適應(yīng)故障補償方案，研究了穩(wěn)定反饋框架下微小衛(wèi)星執(zhí)行器故障診斷問題。文獻[5]中基于姿態(tài)運動學(xué)模型和傳感器測量方程， 提出了一種自適應(yīng)擴展卡爾曼濾波器（EKF）， 將其用于姿態(tài)傳感器。文獻[6]中提出了一種基于深度學(xué)習(xí)的方法，用于診斷推進器故障。然而， 這些研究工作只是針對設(shè)備在同一工況下的情況，即模型的測試集與訓(xùn)練集必須服從同一概率分布。在系統(tǒng)的實際運行中，衛(wèi)星的工況與環(huán)境并非恒定，導(dǎo)致診斷模型的泛化性能降低，難以在新的工況下完成診斷任務(wù)。對此，領(lǐng)域自適應(yīng)方法不失為一個有效的解決方案[7]。領(lǐng)域自適應(yīng)作為遷移學(xué)習(xí)的重要思想，可利用已有知識解決不同但相關(guān)領(lǐng)域的學(xué)習(xí)問題，從而完成知識的遷移。
領(lǐng)域自適應(yīng)對抗策略是一種基于領(lǐng)域自適應(yīng)思想的對抗學(xué)習(xí)方法，可以將一個領(lǐng)域?qū)W習(xí)到的知識遷移到另一個領(lǐng)域中，在提高樣本間的分辨能力的同時盡可能降低對領(lǐng)域的區(qū)分性，為模型泛化能力的提升提供了一些有效嘗試。雖然領(lǐng)域?qū)箤W(xué)習(xí)策略在圖像識別和自然語言處理等諸多領(lǐng)域都有應(yīng)用，但在故障診斷方面尚未得到充分研究，存在巨大潛力。
針對變工況下故障診斷的難點，本文提出了一種基于多尺度殘差對抗網(wǎng)絡(luò)的變工況故障診斷方法。該方法以深度神經(jīng)網(wǎng)絡(luò)架構(gòu)和領(lǐng)域?qū)箤W(xué)習(xí)策略為基礎(chǔ)，設(shè)計了多尺度自適應(yīng)特征提取模塊，通過多尺度采樣和激活函數(shù)的自適應(yīng)變換， 提高了對不同工況下數(shù)據(jù)潛在故障信息的學(xué)習(xí)與表征能力，同時引入梯度反轉(zhuǎn)層對領(lǐng)域分類代價進行反向傳播，縮小了領(lǐng)域分布差異。最后，利用某型衛(wèi)星ACS的半物理仿真平臺數(shù)據(jù)對所提出的診斷方法進行了試驗驗證。
1 問題分析
從原始數(shù)據(jù)中提取故障特征是基于人工智能診斷方法的關(guān)鍵，它決定了診斷的準確性。然而，在真實的工業(yè)場景中，隨著工作環(huán)境和任務(wù)的變化，衛(wèi)星工作條件的變化使其狀態(tài)監(jiān)測數(shù)據(jù)分布也發(fā)生了變化，通常表現(xiàn)為數(shù)值振幅和頻率特性的變化，一般的診斷模型會出現(xiàn)明顯的精度下降，這就要求診斷模型有較強的泛化性能，可以處理數(shù)據(jù)域分布改變后的跨域診斷問題。因此，如何在變工況情況下對本就難以提取特征的衛(wèi)星ACS故障進行診斷，是本文亟待解決的具有挑戰(zhàn)性的問題。
在變工況下對衛(wèi)星ACS進行重復(fù)采集，可獲得不同工況下的監(jiān)測數(shù)據(jù)集。將在某一工況下收集的帶有故障標簽的數(shù)據(jù)S設(shè)為源數(shù)據(jù)集，該數(shù)據(jù)集包含n個樣本xi，標簽為yi，分布為 S={( xi，y) }ni=1 ~ (SD)n 。將在其他工況下收集的不帶有故障標簽的數(shù)據(jù) τ 為目標域數(shù)據(jù)集， 該數(shù)據(jù)集包含n＇個樣本xi， 分布為
，表示不同工況的總樣本數(shù)，監(jiān)測數(shù)據(jù)樣本xi | Ni=1屬于樣本空間X，標簽空間Y= {1，…，L } 為L個可能的故障類別的標簽。
基于上述條件，本文的目標即建立一個能夠?qū)W習(xí)映射函數(shù)的變工況故障診斷模型F：X→Y， 利用源集合S中的數(shù)據(jù)訓(xùn)練該診斷模型，使其對目標集τ的標簽預(yù)測代價最低，且SD和TD的差異在F中最小。這種差異可表示為以下代價函數(shù)
式中：P表示源域與目標域分布的偏差。上述領(lǐng)域分布差異在本文中采用散度H來衡量。變工況下的故障診斷問題就轉(zhuǎn)化成：如何挖掘不同數(shù)據(jù)分布間的相同特征以完成信息遷移，從而有效地降低由工況變化引起的數(shù)據(jù)分布差異的影響，提高故障診斷精度。
2 基于多尺度殘差對抗網(wǎng)絡(luò)的故障診斷
針對變工況條件下的衛(wèi)星ACS故障診斷問題，本文提出了一種基于多尺度殘差對抗網(wǎng)絡(luò)的診斷方法，包括多尺度自適應(yīng)特征提取模塊Fm、故障分類器Gc和域分類器Gd這3個模塊，如圖1 所示。其中，F(xiàn)m提取不同工況下故障數(shù)據(jù)的特征，將其映射到同一分布上；Gc和Gd被連接到同一特征提取器之后，分別實現(xiàn)故障標簽的分類與樣本工況來源的區(qū)分。下面將分別介紹各模塊與網(wǎng)絡(luò)的整體框架。
圖1 診斷方法模塊與網(wǎng)絡(luò)整體框架
2.1 多尺度自適應(yīng)特征提取模塊
對于不同工況下存在分布差異的衛(wèi)星ACS監(jiān)測數(shù)據(jù)，僅通過網(wǎng)絡(luò)深度的堆疊難以充分提取故障特征并將其完全映射到同一分布上。因此，設(shè)計了多尺度自適應(yīng)特征提取模塊，該模塊以殘差單元為基本組成，通過多尺度采樣操作實現(xiàn)對不同層次故障信息的挖掘；引入自適應(yīng)激活函數(shù)， 根據(jù)輸入信號的特點靈活地調(diào)整非線性變換方式，以提高對潛在故障信息的學(xué)習(xí)與表征能力。
1） 多尺度特征提取單元考慮到衛(wèi)星ACS的狀態(tài)監(jiān)測數(shù)據(jù)復(fù)雜且不同工況下的差異無法確定，所隱含的故障信息也呈現(xiàn)多樣化的特點，單一尺度的特征將不能完全反映其狀態(tài)情況，故引入多尺度特征提取單元，如圖2所示。
圖2 多尺度特征提取單元構(gòu)成
相較于一般的卷積層，多尺度特征提取單元呈三通道并行結(jié)構(gòu)，將不同卷積核和步長的卷積塊組合進行特征提取，可以同時學(xué)習(xí)不同精細程度的故障特征信息。小尺寸的卷積核可以提取精細化的特征，對高頻變化量敏感；大尺寸的卷積核擁有更大的感受野，可以學(xué)習(xí)長時間尺度內(nèi)的特征，對低頻變化量較敏感。因此，將不同尺寸的卷積核進行結(jié)合可以提取更加豐富靈活的故障特征；然后，利用級聯(lián)層將不同尺度下提取的故障特征信息進行拼接，形成新的特征。
對于本文所使用的長度為1024個數(shù)據(jù)點的衛(wèi)星 ACS 監(jiān)測信號樣本，多尺度特征提取單元中卷積核的具體參數(shù)如表1所示。
表1 多尺度特征提取單元參數(shù)
2） 自適應(yīng) ReLU 激活函數(shù)
在深層網(wǎng)絡(luò)中，上下層的神經(jīng)元通過激活函數(shù)連接，激活函數(shù)通過引入非線性變換使網(wǎng)絡(luò)具有更強的非線性表征能力。ReLU（x）=max（0，x）是最常用的激活函數(shù)之一，其利用單側(cè)抑制和稀疏激活的特點使網(wǎng)絡(luò)能更好地表征輸入信息。
基于人工智能的診斷方法的本質(zhì)是挖掘ACS監(jiān)測信號中可以分辨故障類別的特征信息，將同一狀態(tài)下的數(shù)據(jù)映射到相近的區(qū)域，將不同狀態(tài)下的數(shù)據(jù)隔開。隨著工況條件的變化，同一狀態(tài)下的監(jiān)測信號會出現(xiàn)不同的特征（例如脈沖、波動波形），不同狀態(tài)下的數(shù)據(jù)也可能變得相似。 在使用傳統(tǒng)激活函數(shù)的診斷模型中，對所有樣本均采用固定的非線性映射變換，這樣極大地限制了診斷模型對不同工況下監(jiān)測信號的學(xué)習(xí)能力， 導(dǎo)致特征難以被映射到正確的區(qū)域。對此，文獻[8]中通過在ReLU函數(shù)中增加1個可學(xué)習(xí)參數(shù)項， 使網(wǎng)絡(luò)具有更強的擬合能力。改進的PReLU函數(shù)如圖3所示，可描述為
式中：α為非線性變換系數(shù)，在測試時為固定的常數(shù)，無法根據(jù)不同的輸入數(shù)據(jù)進行動態(tài)的調(diào)整。
圖3 改進的 PReLU 函數(shù)圖像
因此，本文在殘差單元中引入基于自適應(yīng)Re-LU函數(shù)的殘差單元，通過嵌入1個子網(wǎng)絡(luò)模塊，使網(wǎng)絡(luò)可以根據(jù)輸入的ACS監(jiān)測信號特性， 靈活地調(diào)整PReLU函數(shù)中的非線性變換系數(shù)， 選擇對當前任務(wù)最有利的非線性變換方式，增強網(wǎng)絡(luò)對不同工況下ACS泛化故障特征的學(xué)習(xí)性能。自適應(yīng)ReLU激活函數(shù)的原理如圖4所示。
圖4 自適應(yīng) ReLU 激活函數(shù)原理
在自適應(yīng)ReLU的子網(wǎng)絡(luò)模塊中，首先將上層網(wǎng)絡(luò)的輸出特征同時輸入到2個通道，第1通道將輸入特征經(jīng)max（0，x）和GAP映射傳播，用于計算正特征的全局信息；第2通道將輸入特征經(jīng)min（0，x）和GAP映射傳播，用于計算負特征的全局信息。同時，利用 max（0，x）和min（0，x）來綜合考慮正負特征信息，GAP層則降低了監(jiān)測信號中脈沖或波動的空間位移所帶來的影響，增強了特征提取的穩(wěn)定性。
然后，利用級聯(lián)層將2個通道輸出的一維向量進行連接，再依次通過全連層、BN層、ReLU函數(shù)、全連層、BN層和Sigmoid函數(shù)得到1組一維向量，即非線性變換系數(shù)α。其中，每個全連層的神經(jīng)元數(shù)量與輸入特征映射中的通道數(shù)一致，分別使用Sigmoid和ReLU函數(shù)，為非線性變換系數(shù)α的計算提供2級非線性變換，控制梯度范圍并防止系數(shù)值α過大。最后，將α與輸入特征相乘得到最終的特征輸出。
在上述過程中，自適應(yīng)ReLU函數(shù)通過同時參考正、負特征的全局信息來確定非線性變換系數(shù)α，這樣可以根據(jù)輸入信號的特點靈活地調(diào)整非線性變換方式，從而充分挖掘不同分布下數(shù)據(jù)的故障特征信息。多尺度自適應(yīng)特征提取模塊將殘差單元的ReLU激活函數(shù)替換為自適應(yīng)ReLU函數(shù)，改進后的殘差單元如圖5所示。
圖5 自適應(yīng)ReLU殘差單元
多尺度自適應(yīng)特征提取模塊Fm由多尺度特征提取單元和多個自適應(yīng)ReLU殘差單元構(gòu)成。假設(shè)輸入數(shù)據(jù) xi∈Rm為 m 維故障樣本，在特征提取過程中，F(xiàn)m將輸入數(shù)據(jù)映射為一個新的n維特征，即f：xi→Rn，表示為
式中，θm為多尺度自適應(yīng)特征提取模塊Fm的網(wǎng)絡(luò)參數(shù)。
2.2故障分類器模塊
故障分類器Gc根據(jù)多尺度自適應(yīng)特征提取模塊的輸出特征對輸入數(shù)據(jù)xi進行故障類別的判斷，
定義樣本標簽空間Y={1，…，L} 為L個可能的健康和故障類別標簽，則故障分類器Gc學(xué)習(xí)分類映射關(guān)系Gc ： Rn→RL， 使用 softmax 層計算預(yù)測標簽， 樣本 xi的診斷結(jié)果可表示為
式中，θc為故障分類器Gc的網(wǎng)絡(luò)參數(shù)。
對于源域的輸入樣本（xi，yi）|ns i=1定義分類交叉熵為故障分類器的損失，故障分類的代價函數(shù)可以描述為
式中：ns為源域樣本量；lossc，i（θm ，θc）為單個輸入樣本xi的故障分類損失。
2.3 域分類器模塊
域分類器Gd根據(jù)特征提取網(wǎng)絡(luò)的輸出特征對輸入數(shù)據(jù) xi進行領(lǐng)域的判斷，即判斷輸入數(shù)據(jù)來自源工況還是目標工況。為了使診斷模型在工況發(fā)生改變時仍保持高診斷精度，需要網(wǎng)絡(luò)所提取的特征盡可能少地包含對領(lǐng)域的鑒別信息。因此，在Fm與Gd間引入了梯度反轉(zhuǎn)層 （GRL）， 反向傳播中以Gd最后一層的反向傳播誤差乘以 -ρ，其中ρ∈（0，1］，實現(xiàn)梯度逆轉(zhuǎn)傳播至 Fm ，以達到Gc與Gd的“對抗” 效果。
域分類器Gd采用交叉熵來衡量領(lǐng)域分類的損失，代價函數(shù)Jd可表示為
式中，θd為全局領(lǐng)域分類器Gd的網(wǎng)絡(luò)參數(shù)；lossid （θm，θd）為單個樣本的領(lǐng)域分類損失。
2.4 目標函數(shù)
綜合上述3個部分內(nèi)容，本文所提的故障診斷方法的整體目標函數(shù)為
式中：δ為平衡系數(shù)，Jcl和Jd分別為故障分類和域分類的代價函數(shù)。
對抗學(xué)習(xí)策略的優(yōu)化目標即為找到一組最優(yōu)參數(shù) θm ，θc ，θd ，使得故障分類器Gc的代價最小，同時域分類器Gd的代價最大。優(yōu)化目標可以表示為
式中：
為模型收斂時各參數(shù)的最優(yōu)解。模型以最小化目標函數(shù)進行訓(xùn)練，當?shù)螖?shù)達到給定的最大輪數(shù)后予以保存。得到的模型可以用于工況改變后目標域的故障診斷，輸入測試樣本即可得到診斷結(jié)果。
3 試驗結(jié)果
為了證明本文所提診斷方法的有效性，將該方法在某衛(wèi)星半物理仿真平臺的變工況故障數(shù)據(jù)集上進行試驗。在獲取數(shù)據(jù)時，設(shè)置一種固定工況A，分別注入7種不同故障，編號設(shè)為1～7， 健康狀態(tài)編號設(shè)為0，為有標簽的源域數(shù)據(jù)集。 每類故障或健康數(shù)據(jù)中包含450個樣本，長度為 1024，維度包含37維非標志類信號特征，即數(shù)據(jù)型為（450，1024，37），對應(yīng)450×1的標簽集。為滿足變工況診斷的需求，設(shè)置工況B，和工況A下的故障類型與樣本型一致，為無標簽?zāi)繕擞驍?shù)據(jù)集。源域數(shù)據(jù)和部分目標域數(shù)據(jù)用于網(wǎng)絡(luò)的訓(xùn)練，其余目標域數(shù)據(jù)用于測試。迭代次數(shù)為100，學(xué)習(xí)率根據(jù)一般經(jīng)驗初始設(shè)為0.01，采用隨機梯度下降算法（SGD）進行參數(shù)優(yōu)化。
本文所提的多尺度殘差對抗網(wǎng)絡(luò)在變工況下的故障診斷任務(wù)中，故障診斷結(jié)果和混淆矩陣分別如表2、圖6所示。
表2 故障診斷結(jié)果圖
6 故障診斷結(jié)果混淆矩陣
其中，精確率反映了故障的誤診情況，值越大表示被誤診的樣本越少；召回率表示故障的漏診率，值越大表示被漏診的樣本越少；F1值用來綜合考量診斷模型的精確率和召回率，對其綜合性能進行評價。
混淆矩陣中的橫縱坐標分別表示模型的預(yù)測標簽與真實標簽，對角線為測試集中每類被正確診斷樣本量。由表2和圖6可以看出，目標域的整體診斷準確率達到了94%以上，僅有健康狀態(tài)、 故障1和故障2存在部分混淆，表明本文所提方法對衛(wèi)星ACS的跨域診斷能力較強，可以滿足變工況條件下的故障診斷需求。
為了更加直觀地展示網(wǎng)絡(luò)性能，經(jīng)過多尺度殘差對抗網(wǎng)絡(luò)訓(xùn)練后的數(shù)據(jù)領(lǐng)域分布情況如圖7所示。其中：紅色三角表示源域樣本，黑色點表示目標域樣本，紫色部分表示源域的域空間分布，灰色部分表示目標域的域空間分布?？梢姡?經(jīng)本文所提模型訓(xùn)練后，來自2種工況的數(shù)據(jù)多數(shù)處于同一種領(lǐng)域空間分布，表明本文所提模型具有良好的領(lǐng)域自適應(yīng)效果。
圖7 數(shù)據(jù)領(lǐng)域分布情況
4 結(jié)束語
針對衛(wèi)星ACS在變工況下由于數(shù)據(jù)分布差異而引起的模型診斷精度低的問題，本文提出了一種基于多尺度殘差對抗網(wǎng)絡(luò)的故障診斷方法。該方法基于領(lǐng)域?qū)箤W(xué)習(xí)策略，設(shè)計了多尺度自適應(yīng)特征提取模塊，以實現(xiàn)對不同層次故障信息的挖掘；利用自適應(yīng)激活函數(shù)，根據(jù)輸入信號靈活調(diào)整非線性變換方式，提高對不同工況下數(shù)據(jù)潛在故障信息的學(xué)習(xí)與表征能力，然后，引入梯度反轉(zhuǎn)層進行反向傳播，從而縮小分布差異。最后，利用半物理仿真數(shù)據(jù)進行試驗驗證，結(jié)果表明，所提的多尺度殘差對抗網(wǎng)絡(luò)具有良好的診斷性能，可以在變工況條件下對衛(wèi)星ACS故障進行有效的診斷。由于數(shù)據(jù)資源與時間的限制，所研究的故障類型均為單一故障，但在實際運行中衛(wèi)星ACS可能會同時出現(xiàn)多重故障，后續(xù)研究中可以考慮復(fù)合故障下的衛(wèi)星ACS故障診斷問題。
參考文獻
[1] HUANG W, SUN H, WANG W. Resonance-based sparse signal decomposition and its ap-plication in mechanical fault diagnosis: a re-view[J]. Sensors, 2017，17 （6）：1279-1305.
[2] TIPPING M E. Sparse bayesian learning and the relevance vector machine[J]. Journal of ma-chine learning research, 2001，1（6） ：211 -244.
[3] XIAO B, KARIMI H R, YU X, et al. IEEE Access Special Section: Recent advances in fault diagnosis and fault -tolerant control of aerospace engineering systems[J].IEEE Access,2020（8）：61157-61160.
[4] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature，2015（521）：436-444.
[5] YANG Z, XU B, LUO W, et al. Autoencoder-based representation learning and its application in intelligent fault diagnosis: a review [J]. Mea-surement, 2022（189）：11460-11472.
[6] CEN J, YANG Z, LIU X, et al. A review of data -driven machinery fault diagnosis using machine learning algorithms[J]. Journal of vi-bration engineering & technologies, 2022，10（7）：2481-2507.
[7] PAN SJ. A survey on transfer learning[J]. IEEE Transaction knowledge and data engineering,2010，22（10）：1345-1359.
[8] HE K, ZHANG X, REN S, et al. Delving deep into rectifiers: surpassing human - level perfor-mance on imagenet classification [C] //IEEE.Proceedings of the IEEE International Confer-ence on Computer Vision, 2015. New York：IEEE，2015：1026-1034.
京公網(wǎng)安備11010802046783號
