航天运载器智能检测技术研究与应用

李 强，王国辉，陈海鹏，陆浩然

（北京宇航系统工程研究所，北京，100076）

0 引 言

运载火箭研制是一项复杂的系统工程，产品的复杂性以及航天发射任务的重要性都对运载火箭的质量检测提出了较高的要求，质量检测任务贯穿了运载火箭的制造、测试以及发射的整个生命周期。中国运载火箭要求“零缺陷”发射，在多型号并举、研制与批产并重，尤其是高强密度发射的背景下，如何在全生命周期提高产品质量检测的覆盖性和可靠性是运载火箭研制过程中需首要解决的问题。

传统的产品检测技术中，需要在系统中增加信号采集的测点，通过内置式传感器获取代表物理特征的信息。无论是敏感压力还是采集电流，这种检测方法除了存在“盲肠”外，很难获取全面的产品质量信息。声音和图像作为系统工作时的固有特征，具有一定的辨识性，能够从一定程度上反映产品的状态，然而这些信息在现有运载火箭研制过程中并未进行有效的采集与处理。信号采集技术、信号处理技术和人工智能算法的快速发展，为采用声音和图像对产品进行检测提供了一定的技术支撑，由智能算法代替人工完成产品检测将成为未来运载火箭检测技术发展的必然趋势。

本文首先对航天运载器智能检测的需求进行了分析，研究基于声音的非接触检测技术和基于深度学习的X 光片智能检测技术，并在电磁阀门测试和火工品检测中开展了一定的试验验证，探索智能技术在航天运载器质量控制中的应用。

1 航天运载器智能检测应用需求分析

1.1 传统检测中的问题

航天技术发展至今，产品测试的理念和方法大多沿用了传统的技术手段，没有突破性进展。运载火箭传统检测方法中仍采用多重人员确认的方式。产品检测始终无法实现质量隐患的充分挖掘及零隐患飞行的目标。现有测试中存在的主要问题有：

a）人工确认环节多，存在漏判、误判的风险。

现有检测中，无论是产品外观、X 光片或电信号采集结果，所有检测结果都需要人工进行最终确认，主观不确定性导致了测试结果的不确定性，存在一定隐患。

b）产品状态信息提取有限，无法杜绝质量隐患。

运载火箭总装完成后，产品状态仅靠个别的内置传感器对部分信息进行采集，无法做到对产品状态综合全面的判断与确认，而声音和图像等其它形式的产品信息往往能更全面地反应产品状态。由于检测手段的限制，现有测试并未将声音信号列入检测对象，图像方面也仅在单件产品检测中由人工对产品外观或透视光片进行检查，未形成高可靠、高效率的自动化检测手段。

c）判读规则简单，无法预测和挖掘故障。

现有测试参数判读中，往往通过设置门限范围或与标准值比较的方法进行确认，而测试数据中的微小波动以及一些门限范围内变化的规律并未进行有效的分析与确认，无法对产品可能出现的故障迹象进行挖掘。

1.2 智能检测技术的优势

a）测试可靠性更高。

传统检测项目中，产品质量很大程度上依靠检测评估人员的工作经验和责任心，检测的准确性与可靠性在一定程度上受到人为因素的影响，历史上曾多次出现漏判、误判的事故，风险始终存在。通过智能检测由机器代替人工开展产品检测工作，可以减少由于人为因素出现漏判、误判的可能性，提高运载火箭产品测试、测发监控的可靠性。

b）测试效率更高。

在数字信号处理与故障特征提取技术较为成熟的条件下，对运载火箭工作过程中声音和图像信号的高效采集与处理已经成为现实，同时采集过程更方便、快捷，采集设备简单可靠、易于实现，这些条件都为通过非接触信号采集对火箭进行智能化检测奠定了基础。实现智能化测试后，可以减少人为参与测试的过程，自动化的方式可大大缩短测试时间，提高测试效率。

c）测试覆盖性更好。

传统检测方法中，由于可靠性和复杂程度的限制，仅选取系统中具有代表性的测点作为产品特征提取的对象，很难覆盖全部的产品状态信息，在出现问题或存在隐患的情况下无法及时做出诊断。而声音和图像等以“场”形式存在的信息能以更全面的表征产品状态，为产品测试提供更充分的数据。获得产品缺陷的动态信息、并对缺陷的危害程度进行评价、预测使用寿命，适用于过程监控以及故障的预报。通过智能检测技术，可以突破检测方法的限制，挖掘深层次的产品信息，提高产品测试的覆盖性。

d）测试带来的损伤更小。

传统测试方法中，为了获取产品状态信息需要在产品中嵌入测试通路，将内部的压力、温度、电流电压信号引出进行采集诊断。一方面测试通路为非必须的飞行功能，另一方面测试通路潜在的故障有引起飞行功能故障的风险。而智能检测的检测信号均来自被测产品本身，不需要外界施加激励信号，采用非接触的测试方法，不损伤被测产品，不影响正常的飞行功能。

2 基于声音的非接触检测技术

声音检测是指通过采集被测设备的声音并对声音特性进行分析、比对，判断设备状态的方法。主要包含两个类型的应用：a）通过声音频率特性建模及判断设备是否出现故障；b）通过多个测点的声音采集判断异常声音产生的位置。声音检测算法中可以通过小波变换与特征提取对初始声音信号进行消噪处理，再通过短时傅里叶分析提取关键信号特征。声音定位算法主要用于对故障或发出特征声音信号的位置进行确认，包括传统的波束形成算法和通过卷积神经网络（Convolutional Neural Networks，CNN）训练获取的声音定位算法。

2.1 声音检测算法

a）小波变换与特征提取。

对于采集到的信号，需要对其进行快速的时域与频域分析，为下一步的工作状态检测与故障定位检测提供分析依据。因此，首先需要通过小波变换的手段对信号进行消噪处理。

消噪的目的是去除得到的声音信号中的环境噪声和传感器背景噪声，保留更多系统工作的声音信号。由于环境噪声与传感器背景噪声频率成分丰富，而电磁阀工作信号中存在一些奇异点，若采用传统方法对检测信号去噪，会影响电磁阀工作脉冲的波形。因此考虑采用小波阈值消噪的方法进行去噪处理。

任意函数对小波函数的连续小波变换定义为Ψ

式中 a，b 分别控制小波的两个变换，对系数a 或b或a 与b 同时做离散化，可以得到离散小波变换。离散小波函数表示为式（2）。离散小波分解得到的小波系数表示为式（3）。小波重构得到的函数由式（4）计算：

b）短时傅里叶分析与特征提取。

在傅里叶变换的基础上，将非平稳信号看作由一系列短时平稳信号组成，通过加窗实现短时性，并通过平移参数覆盖整个时域。即采用窗函数与待分析的非平稳信号的乘积，实现窗口附近的开窗与平移，再进行傅里叶变换。其基本原理如下：

设 (s)τ 为非平稳信号， h (t) 为窗函数，通过窗函数定义的新信号 st(τ)满足：

新信号为t 的函数，是原信号 (s)τ 在t 时刻附近τ 时间段的成分。对新信号 st(τ)进行傅里叶变换，结果即为短时傅里叶变换。其表达式为

连续信号的短时傅里叶变换对信号理论分析具有重要意义，但在实际应用中常需要分析处理离散信号，即离散化时间序列。设 s ( n) 为非平稳离散序列，其离散短时傅里叶变换为

式中 n 为采样个数；m 为离散时间；N 为序列个数。

采用短时傅里叶变换可以使信号同时显现出时域特征和频域特征，有利于进一步得出有效的时频综合识别特征。对检测信号进行消噪处理之后，可以根据系统的时序命令信号对已经得到的信号进行分帧，分别对其进行短时傅里叶分析，可以在时域、频域上分别提取出不同的特征。短时傅里叶变换波形如图1 所示。

图1 短时傅里叶变换波形Fig.1 Short Time Fourier Transform Waveform

2.2 声音定位算法

a）波束形成算法。

平面波假设的理论示意如图2 所示。

图2 平面波假设的理论示意Fig.2 Theoretical Schematic Diagram of Plane Wave Hypothesis

图2 中， k0为平面波传播方向的波数向量，κ 为聚焦方向的单位向量，k=-kκ 为聚焦方向的波数向量，其中：ω=2πf为声音的圆频率；c 为声速。rm为m 号传声器的坐标向量；m 为传声器序号，m = 1,2,… ,M。设原点为参考位置， P0为该位置的声压信号，为声压幅值，则阵列各传声器接收到的声压信号为

当波束形成的聚焦方向为κ 方向时，m 号传声器相对于原点的时间延迟量 Δm（ κ ）为

根据延迟求和，按M 个传声器归一化的波束形成输出结果 B （ κ ,ω）为

时间延迟量 Δm（ κ ）取决于波束形成的聚焦方向κ，以此量对各传声器的声压信号进行相位校正，在实际计算过程中，扫描可能的聚焦方向（0～360°），当聚焦方向恰好等同于声波来向 k0时，校正后各传声器声压信号一致，波束形成幅值等于平面波幅值，形成“主瓣”，当聚焦方向不同于声波来向时，校正后各传声器声压信号的相位仍存在差异，叠加求和时幅值被衰减，形成“旁瓣”如图3 所示，从而有效识别声源。

图3 波束形成示意Fig.3 Beamforming Diagram

b）基于CNN 的声音定位算法。

深度神经网络在计算机视觉、语音识别和自然语言处理等诸多领域均取得了突破性研究进展，随着标注数据的积累和GPU 计算性能的提升，卷积神经网络的研究迅速涌现，并取得了各种最新成果。一般的卷积神经网络结构中主要由3 种层结构组成：卷积层、池化层和全连接层，如图4 所示。

图4 卷积神经网络结构Fig.4 Convolutional Neural Network Structure

卷积层由多组可学习的卷积核组成。每个卷积核对前一层中相邻的神经元进行加权求和得到下一层中新的神经元表达，对所有区域进行计算则得到一个新的特征映射图。多组卷积核对应多个新的特征映射图，输入图像的每一个局部区域都共享一个相同的卷积核，每一局部区域为一个预设的感受野范围，该过程可表示为

池化层是卷积神经网络中较为重要的一个模块。它通过减少输入尺寸来降低可计算的连接权数目，池化操作可以理解为局部区域内相邻特征的统计输出，例如最大池化的输出是相邻矩形区域内特征的最大值，可表示为

式中 Ri,j为以(i, j )为中心的局部相邻区域；为最大池化的输出结果。

全连接层是在多层卷积和池化层之后用以学习高层表达和输出的模块。它将前一层所有神经元和下一层的神经元进行连接，从而产生全局的语义信息。

3 基于关键点的X 光片智能检测技术

传统基于深度神经网络的通用物体检测方法中，面向检测精度的方法最为通用。这类方法主要由候选区域生成、分类及边界框回归2 个阶段组成。而现有的基于深度神经网络的通用物体检测方法，大部分检测错误来源于对候选区域的错误分类，所以本文提出的方法主要利用关键点信息提升候选区域分类的准确度。针对典型运载器产品X 光片检测中异常区域无固定形状、无固定大小、色差分布不可控等问题，采用一种固定点检测的方式，利用关键点信息提升候选区域分类的准确度。

图5 为基于关键点的图像检测算法框架。如图5所示，首先开展“关键点预测”，给出整张图片中的关键点；再通过“关联编码”的方法建立关键点之间的关联信息；最后利用关键点和关联编码这两种信息，采用“结构化评分方法”，同时考虑关键点的置信度以及关键点之间的关联信息，为X 光片中每个区域生成类别分数，确认是否出现故障以及故障的位置。

图5 基于关键点的图像检测算法框架Fig.5 Algorithm Framework of Key Points Based on Image Detection

3.1 关键点预测

为了预测全图关键点，以共享特征图为输入，预测每个位置关键点的置信度。具体来说，假设有N 个需检测的物体类别，每个类别的物体有ki 个预定义的关键点，那么总共有K 个关键点。为了预测全图的关键点，将该预测过程建模为一个像素级分类问题，共有K+1 个类别。对于共享特征图的每一个位置，其应当属于K 类关键点之一或是属于背景类。关键点预测类似基于全卷积网络（Fully Convolutional Networks，FCN）的语义分割。

3.2 关联编码

关联编码可以用来建模关键点之间的关系，有效的编码相对位置和视觉线索。首先将二维平面空间划分为扇形网格，对于共享特征图的每个位置，首先取出该位置的特征，然后通过变换T 将该特征向量变换为向量E。

通过使用具有较大感受野的深度卷积神经网络特征，特征图的每个位置可以包含来自大面积图片区域的信息，从而引入更多的视觉线索。扇形网格设计也合理地将相对位置分解为两个正交的因素，即方向和距离。扇形网格的特点是距离中心越远，其网格越大，这个性质与距离越远的关键点越难估计是一致的。关联编码不直接接受监督，而是通过结构化得分方法反向传播回来的信号进行学习。

3.3 结构化评分方法

基于关键点预测和关联编码，通过一种结构化评分方法来计算每个候选区域的类别得分。该方法由2 个阶段构成：关键点定位和结构化评分。

对于一个给定的候选区域，结构化评分方法首先在关键点预测得到的关键点响应图上，对每一类关键点寻找最高响应，具体为

式中 feature 为关键点预测模块输出的关键点响应函数；代表在给定的候选区域RoI 内，关键点类别c的最大响应值；代表在给定的候选区域RoI 内，关键点类别c 的最大响应值对应的位置。即作为对应候选区域RoI 内关键点类别c 的预测结果。基于关键点预测的位置以及关联编码模块的输出，可以得到关键点之间的关联信息。

这种结构化评分方法对每个候选区域的物体类别进行评分，并通过多分类进行监督学习。训练过程中的损失可以通过结构化评分方法反向传播到和上，同时调整关键点预测模块并训练关联编码模块。

4 智能检测在航天运载器测试中的应用研究

4.1 非接触电磁阀极性自动检测系统

运载火箭各项控制机构的安装极性一直是型号风险聚焦区域，由于整条通路环节较多，涉及各系统间接口，极性安装检测工作大多采用分段检查和人工确认的方式进行。极性错误曾导致多次飞行失利：2013年7 月，俄罗斯质子号火箭因为速率陀螺极性错误起飞后爆炸；2016 年4 月，日本X 射线卫星瞳也因为消旋喷管极性错误而失控。如何在型号研制中杜绝由于人工确认环节导致的故障是解决极性隐患需要解决的首要问题，通过声音定位由机器自动确认可大幅提高产品可靠性，电磁阀定位测试如图6 所示。

图6 电磁阀定位测试示意Fig.6 Solenoid Valve Positioning Test Schematic

结合某型运载火箭总装测试环节开展了辅助动力系统电磁阀安装极性检查，确认工作工程中具体动作的电磁阀极性位置，如图7 所示。测试过程中，麦克风阵列支架摆放在二级尾端正对面约8 m 处，被测电磁阀位于麦克风阵列中的摄像头视场内。根据现场指挥口令对18 个电磁阀依次进行开闭操作，通过声音定位确认工作电磁阀与口令中的极性是否一致。测试结果表明，通过基于CNN 的声音定位算法可以准确根据阀门工作时的声音给出电磁阀动作的位置，完成极性的确认。

图7 电磁阀极性测试结果Fig.7 Solenoid Valve Polarity Test Results

另外，对测试过程中电磁阀产生的声音进行了分析，电磁阀声音特性存在以下规律：

a）可根据声音信号在时域上的持续时间和强度，区分电磁阀的开关状态；

b）频域上，电磁阀在开通时和关断时所发出的声音频率成分不重叠，能更准确的判断电磁阀的工作状态；

c）不同电磁阀开闭的声音存在一定差异，可以通过声音对电磁阀种类进行判别。

4.2 雷管X 光片在线检测系统

火工品主要用于实现航天运载器的发动机点火、分离、起旋、抛撒、展开、弹射、起爆等功能。火工品功能是否正常往往直接影响飞行任务的成败。按要求火工品必须100%开展射线检测工作，以确保产品结构与装配的完整性、一致性与正确性。目前中国火工品检测方法中仍完全依靠人工完成结果的评估与检测，为了尽可能降低受评估人员主观因素影响导致的漏判、误判，需要引入人工智能技术对火工品射线检测结果进行辅助识别。

现有的雷管射线检测中由翻拍的X 光照相机直接输出电子图片至台式计算机，并在显示器上显示。待检测的火工品X 光片如图8 所示。图像显示随着每批雷管产品的出厂进行更新，检测员需要通过肉眼对显示屏上的X 光图片进行确认。

图8 待检测的火工品X 光片Fig.8 Pyrotechnic X-ray Film to be Tested

采用智能算法检测X 光片，首先读取电子图像的信息，按照图片预处理、图片分割、数字识别和异常检测4 个步骤完成图像的自动化检测：

a）图片预处理。

输入的图片中包含大量与检测结果无关的信息，开始检测之前需要将非检测区域从图片中清除，将剩下的部分在内存中拼接成新的图片。

b）图片分割。

根据输入图片中每一行像素值和的大小，可以判断出输入图片中数字标号存在的位置，根据标号的位置将图片分割成一段一段的图片，每一段图片中含有多个数字标号。

由于每一段图片中包含多行列需要检测的雷管图像，并且图像位置在每一段图片中并不固定，需要根据亮度分割出每一段的图片中每一枚雷管的图片，分割后的图片可以作为异常检测部分的输入图片。

c）数字识别。

由于需要根据图片中的数字标号为每一根线分配一个对应的ID，故而需要通过数字识别技术识别图片中的数字标号。此处将每一段图片中数字标号的部分分割出来。在识别之前需要对分割出的数字标号的图片进行放大处理，目的是获得更准确的数字识别结果。

c）异常检测。

采用基于关键点的X 光片智能检测技术，结合标定数据的训练生成自动检测的网络模型，图9 为计算机自动检测的结果，当出现装药分层或分布不均匀、装填顺序错误时，可以准确判断采集到的X 光片故障，并给出故障的种类和位置。

图9 X 光片自动化检测结果Fig.9 X-ray Film Automated Test Results

5 结 论

针对运载火箭研制过程中易出现问题的质量环节，结合产品测试特点，创新提出了基于声音和图像的智能检测方法，采用非接触的无损测试方式在产品工作过程中实时对产品状态进行检验。该方法不仅能检测产品的故障类型，同时能够定位故障位置，可对产品的安装极性进行确认。在型号测试中的应用表明，智能检测技术可以有效代替人工完成测试，提高检测效率的同时也降低了漏检和误检的风险。未来随着人工智能技术的不断成熟，智能检测技术将在更多产品的测试项目中得到推广，逐步代替人工检测的工作。