一种基于深度学习算法的定量化航天产品质量控制方法

/北京神舟航天软件技术有限公司

张海利 /中国航天科技集团有限公司

航天产品具有高技术、高风险的特点，主要原因是航天产品系统复杂，技术指标要求高，常采用新技术、新材料、新工艺，而产品一旦发生故障，损失巨大。此外，航天产品多品种、小批量的生产特点使得产品实践机会少，对航天工作者从实践中摸索规律的能力提出了高要求。航天型号管理以质量要求严格著称，在多年型号管理中形成一套基于系统工程的质量管理体系，但在产品质量控制，尤其是定量化控制方面仍面临巨大挑战，如航天产品由于实验机会和验证机会少，从而导致产品研制规律难以把握，我国在基础理论研究和基础工业能力方面支撑力度不足且制造工艺过程分析能力薄弱。因此，急需结合航天产品的特点总结出一套从实际产品数据中归纳产品规律、加强航天产品过程控制的方法，并在科研生产实践中不断对其包含的内在规律进行检查与修正，以满足航天产品质量控制要求。

一、深度学习算法

1.深度学习模型

深度学习模型的作用是从历史数据中学习规律，进而对新的样本作出识别或结果预测，其关键在于中间的隐藏层结构，这种隐藏层架构几乎成了“规律”的代名词。深度学习模型起源于神经网络，但受计算能力的限制，神经网络在隐藏神经元的构建方面遇到巨大困难，发展一度停滞不前。近年来，随着计算机CPU及其速度的提升、并行计算技术发展以及众多优化算法的出现，深度学习再度崛起。

在定量化产品质量模型中，很多参数之间有无关联兼不清楚、线性非线性关系不清楚、积分导数关系不清楚，恰恰可以利用深度学习算法对产品参数低层特征形成更加抽象的高层特征，然后在这些高层次表达的基础上，通过线性或者非线性组合来获得一个更高层次的模型表达。

在深度学习模型建立的过程中，参数关联程度、关键参数数量以及指标数量都会对整个模型收敛产生巨大的影响，需要根据计算情况进行模型调优，进而建立起符合质量控制要求的定量化模型。

2.深度学习扩展能力

选取一组样本数据，双输入单输出，由于输入关系较为复杂，在建模方面应用线性和多阶函数拟合误差较大。应用深度学习算法进行模型建模（见图1），图1（a）为实践数据，（b）为深度学习模拟数据，（c）为残差，可见深度学习算法在（-1.5，1.5）区间，能够较好地逼近原函数。

下面将输入参数区间扩展到（-2.5，2.5）（见图2），由于训练样本来源于（-1.5，1.5）区间，所以对（-2.5，-1.5）以及（1.5，2.5）区间内规律实际上是难以掌握的。但从模拟结果来看，该模型对未知区间有着较好的“猜测”能力，该模型已掌握输入输出之间的变化“规律”。这对航天产品来说，能够通过深度学习模型与仿真手段不断推演，找到现有产品参数、工艺参数实践范围之外的最优点，为产品优化指明方向。

二、定量化产品质量控制方法

从信息中筛选数据，建立定量化模型从而形成控制机制，是实现航天产品质量受控的关键。但从航天型号研制实际情况看，产品试验投入巨大，难以利用传统的DOE方法重新安排试验，这对模型算法提出了较高要求，需要将历史产品数据利用好再进行模型推演，同时要求质量控制方法要做到与时俱进，不断利用新数据对模型进行改进修正。此外，基于历史数据由于参数区间受限，容易陷入局部最优，需要模型具有良好的规律把握能力，以便进行参数扩展寻优。从科研实际看，质量控制模型要做到航天专家经验和数据定量分析的结合，这样才能有效地支撑科研生产。

图1 样本数据的深度学习模型分析

图2 参数区间扩展后的深度学习模型分析

航天产品质量定量化控制模型（见图3）包括历史数据分析、定量化在线模型计算与生产监控3个部分。历史数据分析是通过对历史产品数据进行分析，确定有效数据集合作为产品模型的初始化数据；定量化在线模型计算是本方法的关键步骤，利用深度学习算法对数据进行定量化建模及小批量生产验证工作，确保当前模型的有效性和可控性；生产监控阶段按照预定的关键参数控制策略，利用SPC算法对实际生产参数进行监控，及时剔除质量不可控因素，确保产品指标的一致性。

1.历史数据分析阶段

航天产品历来重视产品数据，航天产品数据包建设已经取得初步成效，三类关键特性包括产品设计关键特性、产品工艺关键特性以及产品过程控制关键特性。以航天数据包为基础，结合FEMA以及FTA等质量工具，得到重点产品参数，对航天产品数据按照产品结构进行梳理。在数据整理时，围绕产品指标以及重点产品参数开展，应注意以下原则：一是按照产品数据包批次一致性，数据对照表要建立因果关系；二是按照共性产品和共性工艺条件等多个维度进行数据归集；三是对新设计、新材料、新工艺引入应予以特殊标识；四是对于不能确定是否相关的过程参数也要参与归集，并予以单独标识。

图3 航天产品质量定量化控制模型

对产品重点参数数据进行单参数分布分析，通过拟合得到不同历史数据分布，并通过分布检验算法对重点产品参数进行建模以及偏差估计，这样就完成了专家经验和历史数据的有效统一。但在实际数据检验过程中发现较多不合格数据，尤其是纸质单据的记录，其原因一方面是由于检验人员疏忽所致，而更主要的原因是缺乏数据分析带动，导致各个岗位对数据记录积极性不高。数据分析是一项长效性工作，针对重点科研生产环节应建立重点产品参数数据库。在国家技改项目支持下，多数单位加工设备和检测设备已具备较为完备的数据交换接口，对于数据分析工作来说，机器中记录的数据往往比手工记录的数据具有更大的分析价值。

2.定量化在线模型计算阶段

定量化在线模型计算利用深度学习算法对数据进行定量化建模并进行小批量生产验证工作，以确保模型随着内外部因素变化仍能保证有效性和受控性。

一是数据一致性分析算法，通过多种统计算法计算各参数与指标的相关性，将与指标关系不大的参数排除掉；二是关键参数确认，通过企业内部产品相关部门对数据一致性进行评审，考虑各环节专家意见，最终确定产品关键参数；三是深度学习算法，将3/4样本数据对深度学习模型进行训练，调整优化参数直至模型收敛；四是拟合精度检验，将剩余1/4样本用于模型检验，计算模型精度偏差，发现样本不足需要补充样本；五是蒙特卡洛仿真，利用关键参数分布，对确定模型进行蒙特卡罗仿真，检查模型一致性；六是确定定量化质量控制模型，针对已有模型，按实际生产条件尝试改变各个输入参数值和工差，不断试错，直至仿真结果达到质量控制要求为止；七是关键参数控制策略确定，通过与设计工艺部门沟通，确定关键参数和其工差范围，制定试制方案；八是小批量生产验证，通过小批量生产验证关键参数调整和控制策略是否可行，完成后可以使用小批量试制数据对模型进行强化训练，如产品不适合进行试制验证，则将新规则作为后续参数约束条件对新产品加以控制。通过以上步骤得到一个离线的、定量的质量控制模型，这个模型基于历史数据并进行了小批量生产试制。

3.生产监控阶段

模型在生产过程中，按照既定参数和工差要求进行生产，保证产品指标参数一致性，收敛于指定区间。对于生产数据超差应进行及时处理，生产数据实时传回模型，使其参数不断调整，通过更多数据实现不断在线优化改进。

笔者提出了一种基于深度学习算法的定量化航天产品质量优化方法，能够对最终产品指标一致性进行定量化的分析。航天产品数据包工作开展多年，但仍面临着电子化水平低、数据分析能力不足等挑战。人工智能作为新兴技术不再遥不可及，已经广泛融入我们日常生活点点滴滴中，在型号产品质量控制过程中加快人工智能技术论证和引入，能够有效提升航天产品质量控制能力。▲