/北京神舟航天軟件技術(shù)有限公司

張海利 /中國(guó)航天科技集團(tuán)有限公司

航天產(chǎn)品具有高技術(shù)、高風(fēng)險(xiǎn)的特點(diǎn)，主要原因是航天產(chǎn)品系統(tǒng)復(fù)雜，技術(shù)指標(biāo)要求高，常采用新技術(shù)、新材料、新工藝，而產(chǎn)品一旦發(fā)生故障，損失巨大。此外，航天產(chǎn)品多品種、小批量的生產(chǎn)特點(diǎn)使得產(chǎn)品實(shí)踐機(jī)會(huì)少，對(duì)航天工作者從實(shí)踐中摸索規(guī)律的能力提出了高要求。航天型號(hào)管理以質(zhì)量要求嚴(yán)格著稱(chēng)，在多年型號(hào)管理中形成一套基于系統(tǒng)工程的質(zhì)量管理體系，但在產(chǎn)品質(zhì)量控制，尤其是定量化控制方面仍面臨巨大挑戰(zhàn)，如航天產(chǎn)品由于實(shí)驗(yàn)機(jī)會(huì)和驗(yàn)證機(jī)會(huì)少，從而導(dǎo)致產(chǎn)品研制規(guī)律難以把握，我國(guó)在基礎(chǔ)理論研究和基礎(chǔ)工業(yè)能力方面支撐力度不足且制造工藝過(guò)程分析能力薄弱。因此，急需結(jié)合航天產(chǎn)品的特點(diǎn)總結(jié)出一套從實(shí)際產(chǎn)品數(shù)據(jù)中歸納產(chǎn)品規(guī)律、加強(qiáng)航天產(chǎn)品過(guò)程控制的方法，并在科研生產(chǎn)實(shí)踐中不斷對(duì)其包含的內(nèi)在規(guī)律進(jìn)行檢查與修正，以滿足航天產(chǎn)品質(zhì)量控制要求。

一、深度學(xué)習(xí)算法

1.深度學(xué)習(xí)模型

深度學(xué)習(xí)模型的作用是從歷史數(shù)據(jù)中學(xué)習(xí)規(guī)律，進(jìn)而對(duì)新的樣本作出識(shí)別或結(jié)果預(yù)測(cè)，其關(guān)鍵在于中間的隱藏層結(jié)構(gòu)，這種隱藏層架構(gòu)幾乎成了“規(guī)律”的代名詞。深度學(xué)習(xí)模型起源于神經(jīng)網(wǎng)絡(luò)，但受計(jì)算能力的限制，神經(jīng)網(wǎng)絡(luò)在隱藏神經(jīng)元的構(gòu)建方面遇到巨大困難，發(fā)展一度停滯不前。近年來(lái)，隨著計(jì)算機(jī)CPU及其速度的提升、并行計(jì)算技術(shù)發(fā)展以及眾多優(yōu)化算法的出現(xiàn)，深度學(xué)習(xí)再度崛起。

在定量化產(chǎn)品質(zhì)量模型中，很多參數(shù)之間有無(wú)關(guān)聯(lián)兼不清楚、線性非線性關(guān)系不清楚、積分導(dǎo)數(shù)關(guān)系不清楚，恰恰可以利用深度學(xué)習(xí)算法對(duì)產(chǎn)品參數(shù)低層特征形成更加抽象的高層特征，然后在這些高層次表達(dá)的基礎(chǔ)上，通過(guò)線性或者非線性組合來(lái)獲得一個(gè)更高層次的模型表達(dá)。

在深度學(xué)習(xí)模型建立的過(guò)程中，參數(shù)關(guān)聯(lián)程度、關(guān)鍵參數(shù)數(shù)量以及指標(biāo)數(shù)量都會(huì)對(duì)整個(gè)模型收斂產(chǎn)生巨大的影響，需要根據(jù)計(jì)算情況進(jìn)行模型調(diào)優(yōu)，進(jìn)而建立起符合質(zhì)量控制要求的定量化模型。

2.深度學(xué)習(xí)擴(kuò)展能力

選取一組樣本數(shù)據(jù)，雙輸入單輸出，由于輸入關(guān)系較為復(fù)雜，在建模方面應(yīng)用線性和多階函數(shù)擬合誤差較大。應(yīng)用深度學(xué)習(xí)算法進(jìn)行模型建模（見(jiàn)圖1），圖1（a）為實(shí)踐數(shù)據(jù)，（b）為深度學(xué)習(xí)模擬數(shù)據(jù)，（c）為殘差，可見(jiàn)深度學(xué)習(xí)算法在（-1.5，1.5）區(qū)間，能夠較好地逼近原函數(shù)。

下面將輸入?yún)?shù)區(qū)間擴(kuò)展到（-2.5，2.5）（見(jiàn)圖2），由于訓(xùn)練樣本來(lái)源于（-1.5，1.5）區(qū)間，所以對(duì)（-2.5，-1.5）以及（1.5，2.5）區(qū)間內(nèi)規(guī)律實(shí)際上是難以掌握的。但從模擬結(jié)果來(lái)看，該模型對(duì)未知區(qū)間有著較好的“猜測(cè)”能力，該模型已掌握輸入輸出之間的變化“規(guī)律”。這對(duì)航天產(chǎn)品來(lái)說(shuō)，能夠通過(guò)深度學(xué)習(xí)模型與仿真手段不斷推演，找到現(xiàn)有產(chǎn)品參數(shù)、工藝參數(shù)實(shí)踐范圍之外的最優(yōu)點(diǎn)，為產(chǎn)品優(yōu)化指明方向。

二、定量化產(chǎn)品質(zhì)量控制方法

從信息中篩選數(shù)據(jù)，建立定量化模型從而形成控制機(jī)制，是實(shí)現(xiàn)航天產(chǎn)品質(zhì)量受控的關(guān)鍵。但從航天型號(hào)研制實(shí)際情況看，產(chǎn)品試驗(yàn)投入巨大，難以利用傳統(tǒng)的DOE方法重新安排試驗(yàn)，這對(duì)模型算法提出了較高要求，需要將歷史產(chǎn)品數(shù)據(jù)利用好再進(jìn)行模型推演，同時(shí)要求質(zhì)量控制方法要做到與時(shí)俱進(jìn)，不斷利用新數(shù)據(jù)對(duì)模型進(jìn)行改進(jìn)修正。此外，基于歷史數(shù)據(jù)由于參數(shù)區(qū)間受限，容易陷入局部最優(yōu)，需要模型具有良好的規(guī)律把握能力，以便進(jìn)行參數(shù)擴(kuò)展尋優(yōu)。從科研實(shí)際看，質(zhì)量控制模型要做到航天專(zhuān)家經(jīng)驗(yàn)和數(shù)據(jù)定量分析的結(jié)合，這樣才能有效地支撐科研生產(chǎn)。

圖1 樣本數(shù)據(jù)的深度學(xué)習(xí)模型分析

圖2 參數(shù)區(qū)間擴(kuò)展后的深度學(xué)習(xí)模型分析

航天產(chǎn)品質(zhì)量定量化控制模型（見(jiàn)圖3）包括歷史數(shù)據(jù)分析、定量化在線模型計(jì)算與生產(chǎn)監(jiān)控3個(gè)部分。歷史數(shù)據(jù)分析是通過(guò)對(duì)歷史產(chǎn)品數(shù)據(jù)進(jìn)行分析，確定有效數(shù)據(jù)集合作為產(chǎn)品模型的初始化數(shù)據(jù)；定量化在線模型計(jì)算是本方法的關(guān)鍵步驟，利用深度學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行定量化建模及小批量生產(chǎn)驗(yàn)證工作，確保當(dāng)前模型的有效性和可控性；生產(chǎn)監(jiān)控階段按照預(yù)定的關(guān)鍵參數(shù)控制策略，利用SPC算法對(duì)實(shí)際生產(chǎn)參數(shù)進(jìn)行監(jiān)控，及時(shí)剔除質(zhì)量不可控因素，確保產(chǎn)品指標(biāo)的一致性。

1.歷史數(shù)據(jù)分析階段

航天產(chǎn)品歷來(lái)重視產(chǎn)品數(shù)據(jù)，航天產(chǎn)品數(shù)據(jù)包建設(shè)已經(jīng)取得初步成效，三類(lèi)關(guān)鍵特性包括產(chǎn)品設(shè)計(jì)關(guān)鍵特性、產(chǎn)品工藝關(guān)鍵特性以及產(chǎn)品過(guò)程控制關(guān)鍵特性。以航天數(shù)據(jù)包為基礎(chǔ)，結(jié)合FEMA以及FTA等質(zhì)量工具，得到重點(diǎn)產(chǎn)品參數(shù)，對(duì)航天產(chǎn)品數(shù)據(jù)按照產(chǎn)品結(jié)構(gòu)進(jìn)行梳理。在數(shù)據(jù)整理時(shí)，圍繞產(chǎn)品指標(biāo)以及重點(diǎn)產(chǎn)品參數(shù)開(kāi)展，應(yīng)注意以下原則：一是按照產(chǎn)品數(shù)據(jù)包批次一致性，數(shù)據(jù)對(duì)照表要建立因果關(guān)系；二是按照共性產(chǎn)品和共性工藝條件等多個(gè)維度進(jìn)行數(shù)據(jù)歸集；三是對(duì)新設(shè)計(jì)、新材料、新工藝引入應(yīng)予以特殊標(biāo)識(shí)；四是對(duì)于不能確定是否相關(guān)的過(guò)程參數(shù)也要參與歸集，并予以單獨(dú)標(biāo)識(shí)。

圖3 航天產(chǎn)品質(zhì)量定量化控制模型

對(duì)產(chǎn)品重點(diǎn)參數(shù)數(shù)據(jù)進(jìn)行單參數(shù)分布分析，通過(guò)擬合得到不同歷史數(shù)據(jù)分布，并通過(guò)分布檢驗(yàn)算法對(duì)重點(diǎn)產(chǎn)品參數(shù)進(jìn)行建模以及偏差估計(jì)，這樣就完成了專(zhuān)家經(jīng)驗(yàn)和歷史數(shù)據(jù)的有效統(tǒng)一。但在實(shí)際數(shù)據(jù)檢驗(yàn)過(guò)程中發(fā)現(xiàn)較多不合格數(shù)據(jù)，尤其是紙質(zhì)單據(jù)的記錄，其原因一方面是由于檢驗(yàn)人員疏忽所致，而更主要的原因是缺乏數(shù)據(jù)分析帶動(dòng)，導(dǎo)致各個(gè)崗位對(duì)數(shù)據(jù)記錄積極性不高。數(shù)據(jù)分析是一項(xiàng)長(zhǎng)效性工作，針對(duì)重點(diǎn)科研生產(chǎn)環(huán)節(jié)應(yīng)建立重點(diǎn)產(chǎn)品參數(shù)數(shù)據(jù)庫(kù)。在國(guó)家技改項(xiàng)目支持下，多數(shù)單位加工設(shè)備和檢測(cè)設(shè)備已具備較為完備的數(shù)據(jù)交換接口，對(duì)于數(shù)據(jù)分析工作來(lái)說(shuō)，機(jī)器中記錄的數(shù)據(jù)往往比手工記錄的數(shù)據(jù)具有更大的分析價(jià)值。

2.定量化在線模型計(jì)算階段

定量化在線模型計(jì)算利用深度學(xué)習(xí)算法對(duì)數(shù)據(jù)進(jìn)行定量化建模并進(jìn)行小批量生產(chǎn)驗(yàn)證工作，以確保模型隨著內(nèi)外部因素變化仍能保證有效性和受控性。

一是數(shù)據(jù)一致性分析算法，通過(guò)多種統(tǒng)計(jì)算法計(jì)算各參數(shù)與指標(biāo)的相關(guān)性，將與指標(biāo)關(guān)系不大的參數(shù)排除掉；二是關(guān)鍵參數(shù)確認(rèn)，通過(guò)企業(yè)內(nèi)部產(chǎn)品相關(guān)部門(mén)對(duì)數(shù)據(jù)一致性進(jìn)行評(píng)審，考慮各環(huán)節(jié)專(zhuān)家意見(jiàn)，最終確定產(chǎn)品關(guān)鍵參數(shù)；三是深度學(xué)習(xí)算法，將3/4樣本數(shù)據(jù)對(duì)深度學(xué)習(xí)模型進(jìn)行訓(xùn)練，調(diào)整優(yōu)化參數(shù)直至模型收斂；四是擬合精度檢驗(yàn)，將剩余1/4樣本用于模型檢驗(yàn)，計(jì)算模型精度偏差，發(fā)現(xiàn)樣本不足需要補(bǔ)充樣本；五是蒙特卡洛仿真，利用關(guān)鍵參數(shù)分布，對(duì)確定模型進(jìn)行蒙特卡羅仿真，檢查模型一致性；六是確定定量化質(zhì)量控制模型，針對(duì)已有模型，按實(shí)際生產(chǎn)條件嘗試改變各個(gè)輸入?yún)?shù)值和工差，不斷試錯(cuò)，直至仿真結(jié)果達(dá)到質(zhì)量控制要求為止；七是關(guān)鍵參數(shù)控制策略確定，通過(guò)與設(shè)計(jì)工藝部門(mén)溝通，確定關(guān)鍵參數(shù)和其工差范圍，制定試制方案；八是小批量生產(chǎn)驗(yàn)證，通過(guò)小批量生產(chǎn)驗(yàn)證關(guān)鍵參數(shù)調(diào)整和控制策略是否可行，完成后可以使用小批量試制數(shù)據(jù)對(duì)模型進(jìn)行強(qiáng)化訓(xùn)練，如產(chǎn)品不適合進(jìn)行試制驗(yàn)證，則將新規(guī)則作為后續(xù)參數(shù)約束條件對(duì)新產(chǎn)品加以控制。通過(guò)以上步驟得到一個(gè)離線的、定量的質(zhì)量控制模型，這個(gè)模型基于歷史數(shù)據(jù)并進(jìn)行了小批量生產(chǎn)試制。

3.生產(chǎn)監(jiān)控階段

模型在生產(chǎn)過(guò)程中，按照既定參數(shù)和工差要求進(jìn)行生產(chǎn)，保證產(chǎn)品指標(biāo)參數(shù)一致性，收斂于指定區(qū)間。對(duì)于生產(chǎn)數(shù)據(jù)超差應(yīng)進(jìn)行及時(shí)處理，生產(chǎn)數(shù)據(jù)實(shí)時(shí)傳回模型，使其參數(shù)不斷調(diào)整，通過(guò)更多數(shù)據(jù)實(shí)現(xiàn)不斷在線優(yōu)化改進(jìn)。

筆者提出了一種基于深度學(xué)習(xí)算法的定量化航天產(chǎn)品質(zhì)量?jī)?yōu)化方法，能夠?qū)ψ罱K產(chǎn)品指標(biāo)一致性進(jìn)行定量化的分析。航天產(chǎn)品數(shù)據(jù)包工作開(kāi)展多年，但仍面臨著電子化水平低、數(shù)據(jù)分析能力不足等挑戰(zhàn)。人工智能作為新興技術(shù)不再遙不可及，已經(jīng)廣泛融入我們?nèi)粘Ｉ铧c(diǎn)點(diǎn)滴滴中，在型號(hào)產(chǎn)品質(zhì)量控制過(guò)程中加快人工智能技術(shù)論證和引入，能夠有效提升航天產(chǎn)品質(zhì)量控制能力。▲