人工智能技术在航天质量管理领域的应用初探

杜朋 王飞 张镇琦 张丁磊 陈敏

（北京宇航系统工程研究所，北京，100076）

人工智能技术是让机器像人类一样具有思考和推理能力的智能技术。人工智能萌芽于20世纪50年代，经过了低谷萧条期、黄金发展期，现在已在多个领域开花结果，如人脸识别、自动驾驶、写诗作画、机器翻译等诸多方面，其中AlphaGo更是依托人工智能技术战胜了围棋世界冠军。

与此同时，中国航天事业快速发展，航天产品的高可靠性对质量管理提出了很高的要求。虽然质量制度与标准已很完善，但很多研制环节依然离不开人工管理，这种管理具有成本高、易出错、一致性差、管理不到位等问题。随着型号种类日益增多、发射密度不断升高，以人监督为主的质量管理模式效率有限。项目质量管理人员往往被事务性、重复性工作缠身，在型号质量管理中很难发挥自身专业优势。航天型号研制过程中产生的知识类资料、工程数据规模越来越庞大，技术人员、质量人员分析数据的难度较大。应用人工智能技术是解决上述问题的最佳技术途径。

1 人工智能的支撑技术

人工智能应用的三要素包括算法、算力和数据。以数据为基础，通过算法构建模型，依托物理硬件进行计算和输出，实现记忆、判断和预测。

人工智能算法支撑技术主要包括二叉树、支持向量机、随机森林、神经网络模型等，其中神经网络模型应用最为广泛，适应性最好、综合效果最优。神经网络算法又包括长短记忆神经网络LSTM、循环神经网络RNN、深度神经网络CNN、对抗神经网络GAN等。

人工智能算力支撑技术主要依据处理器芯片。目前谷歌、苹果、英特尔、高通、英伟达、阿里巴巴、百度等科技企业均自主研发人工智能芯片，为人工智能发展提供算力支撑。

数据是人工智能的灵魂。当算法和硬件固定时，输入什么样的数据进行学习就会产生相应的输出。航天质量管理领域经过较长时间的积累，质量管理已拥有较为成熟完善的质量管理体系、丰富的标准/规范、完善的规章制度等指导性文件资料。随着质量管理工作的开展，各个院所逐步积累了大量技术、产品的质量过程数据。这些将是航天人工智能质量管理系统的重要素材。

2 在航天领域里的应用案例设想

2.1 质量管理知识问答系统

以GJB 9001C质量体系、航天行业标准、院所标准、规章制度及红头文件等质量管理材料为主要学习库，建立质量管理智能问答系统。通过对质量管理知识的学习和训练，实现对质量管理文件的整理、记忆和掌握。当质量管理人员遇到专业领域的困惑时，可以向系统进行提问，智能问答系统进行相应的解答。目前在医学领域，智能机器人通过对医学知识进行学习，以优秀的成绩顺利通过了执业医师资格综合笔试，笔者认为，将该医学智能机器人背后的模型改进升级后即可用于质量管理知识智能问答系统。

2.2 智能评审系统

航天质量管理的评审通常指一部分专家对技术报告进行评议和审查，进而对技术或产品进行质量把关的过程，一般采取会议的形式。依托人工智能技术，以标准/规范、专业领域知识和已有的评审记录（评审记录一般包括会议记录、专家意见、意见答复情况、评审报告、参会人员信息等）为学习资料构建评审系统。智能评审系统分为初级阶段和高级阶段。初级阶段，智能评审系统实现对报告的文章结构、标准符合性等常见或低级错误初步筛查，经过修改完善后再提交会议评审。通过系统初检可以避免部分错误带入评审会场，提高报告质量，也能提升会议效率和效果。高级阶段，智能评审系统完全取代专家书面评审，通过对报告的读取、审查，准确的给出专家意见，从管理和技术两个角度提出问题和改进方案。

2.3 质量问题智能管理系统

通过对航天历史上有关质量问题的学习，构建质量问题智能管理系统，实现对质量问题发生情况进行预测并给出相应、有效的质量管理预防措施。学习材料一般包括专业领域知识、双归零标准要求、近20年来质量问题技术归零报告和管理归零报告等。质量问题智能管理系统可以预测近半年、1年的质量形势，指出近期质量管理的薄弱环节、需要加强质量管控的型号或项目、即将频繁暴露问题的产品名称、近期或未来质量管控不到位的外协配套单位。质量问题智能管理系统能够准确地对当期质量形势进行评价、对未来质量形势进行预测。

2.4 智慧质量体系审核平台

质量体系审核过程是企业为了确认质量体系各要素是否按照计划有效开展质量活动，是否达到了规定的质量目标而进行的检查和评价活动。该过程是一个固定的工作过程，且流程较为清楚，一般先审核企业（组织）的质量体系完整和正确性，然后对标质量体系条款，被审核单位提供相应的见证材料，最后审核员审查见证材料是否有效落实了质量体系要求。审核材料作为历史数据供给智慧质量体系审核平台，审核材料包括GJB 9001C质量体系标准、航天集团院所质量体系文体、标准规范、检查条款、见证材料等内容。从航天总体技术单位、设计单位、生产单位方面，按照分工进行分类；从电气类、结构类、动力类等方面，从主营产品进行分类。通过分类，智慧质量体系审核平台可以更加准确的制定审核计划并实施有效的审核检查，发现质量管理体系的薄弱环节。

2.5 智能检验机器人

智能检验机器人可以识别铸件、焊缝等生产加工缺陷，通过对电气产品测试数据或试验曲线的分析自动评价产品性能，通过与航天型号 （项目）的设计文件比对，对设计正确性进行确认把关。生产加工缺陷识别检验机器人主要对历史缺陷进行学习，例如贮箱焊接裂纹X光图片、接头铸造孔洞荧光照片。电气产品试验过程中采集数据量较大的时候，人很难识别出产品的性能不稳定或性能下降，但依托智能检验机器人可以有效发现产品性能优劣的蛛丝马迹。同专业不同型号或不同产品的设计文件部分内容上会有所差异，但很多方面有着相通的特性，通过智能检验机器人进行学习比对，对设计文体的正确性给出评价和意见，供设计人员参考和改进。

2.6 飞行试验数据智慧利用软件

运载火箭点火、起飞、将卫星送入预定轨道的过程中，火箭的测量系统会获取大量的飞行试验数据，包括录像、图片、曲线、单独的数据等。当火箭发射失利时，测量系统返回的飞行试验数据更加珍贵。飞行试验数据智慧利用包括2个方面：①对当期飞行过程的评价，确认发动机、惯性组件、机构、火工品是否按照设计值进行了工作，并检查是否存在薄弱环节；②对当期飞行数据进行挖掘，发现火箭改进的思路和方向。通过对多发次、多型号历史飞行数据的智慧分析，进一步探寻数据底层的物理逻辑，输出结果将成为提高火箭可靠性和运载能力以及技术改进升级的宝贵依据。

3 机遇与挑战

3.1 机遇方面

人工智能技术传统难点在于底层的复杂数学算法，包括高阶偏微分方程求解、非线性函数的寻求最优解等，这些传统难点导致质量管理人员对人工智能的应用望而却步。近几年随着人工智能技术的进步和发展，把数学问题交给数学专业人员解决，将高级复杂的数据算法集成、打包为工具箱、工具包，只需要调用即可。应用人员更多精力放在流程实现、业务端的开发，不必过多在意复杂数学公式的求解工作。谷歌人工智能团队开源的TensorFlow平台、Facebook人工智能研究院开源的PyTorch计算包等算法平台都给人工智能的实现提供了极大的便利。

复杂的算法、海量的数据对计算器的要求越来越高。优化图形应用程序和游戏的专用数字芯片，即图形处理器 （Graphics Processing Units，GPUs），正在成为深度学习和计算应用的高效芯片； 张 量 处 理 单 元 （Tensor Processing Unit，TPU）的出现进一步提高了计算效率，为人工智能的部署提供便利。计算器的快速发展将推动人工智能在质量管理领域应用。

3.2 挑战方面

在数据训练之前，人工智能算法犹如大脑一片空白的小孩。训练和学习的数据是孩子的教材，数据的数量和质量决定了学习效果。我国航天领域已有60多年的发展历史，大量的历史质量数据将成为人工智能应用的基础。但搜集、整理数据的工作量较为庞大；同时，人工智能中监督学习模式，需要对数据进行标注，数据分类和标注工作量也较为庞大。因此，人工智能在航天质量管理领域的应用过程中仍需要投入一定的人力、物力。

人工智能技术是21世纪关键技术之一，已广泛应用到医药、先制造、金融、家居、零售等很多领域。人工智能凭借低成本高效率、加速创新、深度分析等优势也将在航天质量管理领域有着越来越多的应用。