基于LSTM网络的卫星寿命预测研究

2021-11-17王宪勇崔秀艳

计算机仿真 2021年9期

张伟，王宪勇，3，崔秀艳，何旭

(1.中国科学院沈阳自动化研究所机器人学国家重点实验室，辽宁沈阳 110016;2.中国科学院机器人与智能制造创新研究院，辽宁沈阳 110169;3.沈阳理工大学自动化与电气工程学院，辽宁沈阳 110159;4.河北软件职业技术学院，河北保定 071000)

1 引言

现如今，对未知空间领域的积极探索，极大地促进了科学技术的高速发展，航天器便是应时代发展的产物。航天技术的发展与进步，是社会和谐、国家安全、人民幸福的有力保障。为保证一系列探月活动等深空任务的高效开展，卫星的可靠性，即器件的稳定性、使用寿命等问题成为重中之重，是航天器运行的基本保障，更是开展探月活动的基石。

2013年7月至2014年5月，由于各种故障的出现，俄罗斯“质子-M”火箭七次发射失败、2015年4月，美国太空探索技术公司完成了五次空间站货运任务后，第六次将“龙”号宇宙飞船火箭发射到国际空间站时，火箭第一级垂直降落尝试失败。高成本、任务重已然成为卫星的标签，为确保卫星安全的运行在其轨道上，需要对其执行任务期间的工作状态进行分析和研究，通过数据信息预测其剩余寿命，以最大可能性减少或避免由时间积累导致的设备老化故障而造成的损失，十分有必要。

电源系统是航天器的核心部件之一，电源系统的研发、维护管理技术的不断进步是经国大业。锂电池——航天器上易损坏、易损耗的关键部件，其众多优点中的存储能量多、质量轻、使用寿命长等特点，符合航天技术进步的需求。航天技术的日益发展与完善，电源技术更随之不断完善，锂离子电池日趋取代了传统镍镉蓄电池在人造卫星中的地位，其质量轻、体积小，减轻卫星固有质量，有效载荷得到显著提高，因此，锂电池成为人造卫星核心储能设备，是航天事业发展的必然选择。文献[1]统计了527次国外航天器发生故障的原因，电源系统发生的故障占总比的14%，位居可能发生的故障因素的第二位。锂电池作为能源系统的主要储能设备及能源供应，研究影响其性能退化的因素以及预测其剩余使用寿命，对提高卫星使用的可靠性起到至关重要的作用。寿命预测技术不仅保证了系统的安全性[2]和可靠性[3-5]，又能最大化的利用资源，避免了资源浪费。随着人工智能技术与大数据的不断应用和发展，数据挖掘算法、递归滤波算法、粒子滤波算法等以及深度学习网络模型都被应用于卫星的寿命预测研究中。

1)数据挖掘算法，可以仅通过电池在使用阶段各个时刻的表征数据来建立回归模型，而不需要分析复杂多变的化学反应来建立机理模型[6]，使得电池的健康管理变得更为简单、便捷。Anton[7]等人应用支持向量回归机(Support Vector Regression，SVR)分析锂电池的电流与温度、电池的荷电状态与电压的关系，建立了基于数据驱动(data-driven model)来分析电池使用情况的模型，从而估计电池的损耗情况。

2)递归滤波算法(Recursive filter algorithm)，直接使用电池在使用阶段各个时刻的表征数据来分析、估计与预测电池的故障，因此被广泛应用于锂电池健康管理中。同类别的卡尔曼滤波算法(Kalman Filter)也毫无疑问的被一些研究者应用于电池健康状态诊断的研究中。因此，Andre[8]等人建立了无迹卡尔曼滤波器(Unscented Kalman Filter，UKF)与卡尔曼双滤波器模型估计电池的剩余容量与荷电状态，通过剩余容量值与荷电状态来估计电池的剩余使用时长。

3)粒子滤波(Particle Filter，PE)，贝叶斯滤波方法中最简单的一种，通过粒子定位，可以反应被测量的密度信息。Li等人应用粒子滤波估计出锂电池容量值随时间衰退的趋势，根据此趋势建立方程，得出相关关系的表达，估计出电池在任意时刻的容量信息，从而得出电池当前的使用情况，但是并未提及如何进行锂电池剩余使用时间预估计的方法。

卫星上的锂电池[9]随着充放电次数的不断增加，电池电压从满电压放电到阈值电压的时间会逐渐缩短[10]，按照等电压记录时间会得到一组组序列数据。LSTM网络因其独特的结构被频繁用于序列数据的分析与预测，被广泛的应用在语音识别、语言建模、机器翻译等。锂电池放电的特性也符合序列数据的特性，本文将采集的电池放电时间信息结合LSTM网络算法，进行卫星电源系统的寿命预测[11]。

2 LSTM网络的结构和特点

LSTM是循环神经网络的最知名和成功的扩展。由于循环神经网络有梯度消失和梯度爆炸的问题，学习能力有限，在实际的任务中往往达不到预期的效果，长短时记忆网络可以对有价值的信息进行长期记忆，从而减小循环神经网络的信息难度，因此在语音识别、图像描述文本生成等问题中有着广泛的应用。如图1为长短时记忆网络模型内部结构示意图。

图1 长短时记忆网络内部结构

与传统的循环神经网络相比，长短时记忆网络仍然是基于xt和ht-1来计算ht，内部的结构进行了优化设计来缓解误差的无限累计，加入了输入门it、遗忘门ft以及输出门ot三个门和一个内部记忆单元ct输入门控制当前时刻新状态更新到细胞中的程度；遗忘门控制上一时刻细胞单元中的信息被遗忘掉的程度；输出门决定当前细胞输出有多大程度上取决于当前的记忆单元。通过“门”来对数据流进行控制，来增加或去除信息到细胞状态的能力，计算过程如式(1)至式(6)。

it=σ(wixt+uiht-1+bi)

(1)

ft=σ(wfxt+ufht-1+bf)

(2)

ot=σ(woxt+uoht-1+bo)

(3)

(4)

(5)

ht=ot⊙tanh(ct)

(6)

在LSTM细胞中，如图1所示，第一步会经过“遗忘门”，该门会读取细胞上一时刻的输出ht-1和当前时刻的输入xt。数据经过sigmoid函数输出一个在0和1之间的数值，更新上一时刻细胞状态ct-1，‘1’表示“完全保留”，‘0’表示“完全舍弃”。更新后的数据与输入层的数据结合，得到当前细胞状态ct，作为下一时刻更新细胞状态的输入数据。然后对信息就行筛选，决定什么信息将被更新到细胞状态中，统称为“输入层”，一部分为sigmoid层，决定什么信息将要更新，另一部分为tanh层，根据输入产生一个候选向量。接着将细胞状态由旧状态ct-1更新到新状态ct。将旧状态ct-1与ft相乘，对信息进行筛选，并加上更新的新信息，得到新的状态ct。最后，根据当前的细胞状态产生一个输出值，作为下一个细胞的输入值。

3 基于LSTM网络的卫星寿命预测方法

本论文采用两种规范化数据的方法，分别为基于最小-最大规范化、Z-score规范化，对比不同规范化对数据预测的影响。

3.1 网络细胞的长度及层数的选取

如图2所示为长短时记忆网络的基本架构。

图2 长短时记忆网络架构

为使算法预测的准去性较高，在正式预测前需要对算法的层数及细胞的长度进行选取，在相同层数不同细胞长度及相同细胞长度不同层数的长短时记忆网络模型中进行训练和测试分别得到如图3、图4所示的测试图片。

图3中，从左至右从上至下分别是细胞长度为16、32、64、128的长短时记忆网络，从图中可以看出随着层数的增加预测的精度在不断提高，在16层和32层时可能由于模型过于简单，存在欠拟合问题使其预测精度不高，在64和128个细胞长度的长短时记忆网络预测的效果较好。考虑效率等问题，选取64个细胞长度的网络模型

图3 不同细胞长度的算法训练对比图

图4中，从左至右从上至下分别是网络层数为1、2、3和4的网络模型，从图中可以看出使用1层的网络模型预测效果最好，2层和3层的网络模型预测数据出现波动情况，4层的网络模型甚至无法进行数据预测。故本文选取1层的LSTM网络模型。

图4 不同层数的算法训练对比图

3.2 数据预处理方法

卫星在长期运行过程中不可避免地会逐渐老化，如果运行的条件复杂，运行环境恶劣，则会加速其老化的过程。设备的剩余寿命减少，安全隐患风险逐渐增大，甚至导致突发性的恶劣事件。

在影响卫星寿命的诸多因素中，可控因素只有卫星本身。通常会研究锂电池和动量轮近而来研究卫星的剩余寿命。美国国家航空航天局(NASA)公布的卫星电池测量数据集(共对4块电池进行了相同的实验，分别为电池5、电池6、电池7和电池18)如图5所示为电池5的放电曲线，从中可以看出随着充放电次数的增加电池有效使用时间逐渐减少。

图5 放电曲线

为使用长短时记忆网络，需要对此数据进行预处理，对数据进行特征提取，选取电压相同时间点，记录下电池此时已使用的时间，每组数据选取170个特征数据一共130组数据作为长短时记忆网络的输入数据来进行网络的训练，其中70%的数据作为训练数据集，30%的数据作为测试数据集。处理后的训练数据集如图6所示。

图6 电池放电时间曲线

图6中每条数据之间相差20次充放电次数，图中曲线可以明显的看出电池使用时间在逐渐减少。

从图6中可以看出数据量级跨度比较大，包含十、百、千，为提高数据预测的精度，需要对数据进行无量纲处理。本文采用Z-score数据规范化方法，Z-score规范化公式为

(7)

图7 数据无量纲化

3.3 LSTM网络的训练与预测

网络的总体架构选取如表1所示，网络训练前采用Z-score规范化方法对数据进行无量纲操作，提高训练精度。网络的输入为130组数据，每组包含170个数据，共22100个数据。70%为训练数据集，30%为测试数据集。经过训练，网络预测准确率达到98%以上，如图8所示为网络的预测曲线，数据分析如表2所示，预测误差稳定在0.03左右。