航天運(yùn)載器智能檢測(cè)技術(shù)研究與應(yīng)用

李 強(qiáng)，王國(guó)輝，陳海鵬，陸浩然

（北京宇航系統(tǒng)工程研究所，北京，100076）

0 引 言

運(yùn)載火箭研制是一項(xiàng)復(fù)雜的系統(tǒng)工程，產(chǎn)品的復(fù)雜性以及航天發(fā)射任務(wù)的重要性都對(duì)運(yùn)載火箭的質(zhì)量檢測(cè)提出了較高的要求，質(zhì)量檢測(cè)任務(wù)貫穿了運(yùn)載火箭的制造、測(cè)試以及發(fā)射的整個(gè)生命周期。中國(guó)運(yùn)載火箭要求“零缺陷”發(fā)射，在多型號(hào)并舉、研制與批產(chǎn)并重，尤其是高強(qiáng)密度發(fā)射的背景下，如何在全生命周期提高產(chǎn)品質(zhì)量檢測(cè)的覆蓋性和可靠性是運(yùn)載火箭研制過(guò)程中需首要解決的問(wèn)題。

傳統(tǒng)的產(chǎn)品檢測(cè)技術(shù)中，需要在系統(tǒng)中增加信號(hào)采集的測(cè)點(diǎn)，通過(guò)內(nèi)置式傳感器獲取代表物理特征的信息。無(wú)論是敏感壓力還是采集電流，這種檢測(cè)方法除了存在“盲腸”外，很難獲取全面的產(chǎn)品質(zhì)量信息。聲音和圖像作為系統(tǒng)工作時(shí)的固有特征，具有一定的辨識(shí)性，能夠從一定程度上反映產(chǎn)品的狀態(tài)，然而這些信息在現(xiàn)有運(yùn)載火箭研制過(guò)程中并未進(jìn)行有效的采集與處理。信號(hào)采集技術(shù)、信號(hào)處理技術(shù)和人工智能算法的快速發(fā)展，為采用聲音和圖像對(duì)產(chǎn)品進(jìn)行檢測(cè)提供了一定的技術(shù)支撐，由智能算法代替人工完成產(chǎn)品檢測(cè)將成為未來(lái)運(yùn)載火箭檢測(cè)技術(shù)發(fā)展的必然趨勢(shì)。

本文首先對(duì)航天運(yùn)載器智能檢測(cè)的需求進(jìn)行了分析，研究基于聲音的非接觸檢測(cè)技術(shù)和基于深度學(xué)習(xí)的X 光片智能檢測(cè)技術(shù)，并在電磁閥門測(cè)試和火工品檢測(cè)中開(kāi)展了一定的試驗(yàn)驗(yàn)證，探索智能技術(shù)在航天運(yùn)載器質(zhì)量控制中的應(yīng)用。

1 航天運(yùn)載器智能檢測(cè)應(yīng)用需求分析

1.1 傳統(tǒng)檢測(cè)中的問(wèn)題

航天技術(shù)發(fā)展至今，產(chǎn)品測(cè)試的理念和方法大多沿用了傳統(tǒng)的技術(shù)手段，沒(méi)有突破性進(jìn)展。運(yùn)載火箭傳統(tǒng)檢測(cè)方法中仍采用多重人員確認(rèn)的方式。產(chǎn)品檢測(cè)始終無(wú)法實(shí)現(xiàn)質(zhì)量隱患的充分挖掘及零隱患飛行的目標(biāo)?，F(xiàn)有測(cè)試中存在的主要問(wèn)題有：

a）人工確認(rèn)環(huán)節(jié)多，存在漏判、誤判的風(fēng)險(xiǎn)。

現(xiàn)有檢測(cè)中，無(wú)論是產(chǎn)品外觀、X 光片或電信號(hào)采集結(jié)果，所有檢測(cè)結(jié)果都需要人工進(jìn)行最終確認(rèn)，主觀不確定性導(dǎo)致了測(cè)試結(jié)果的不確定性，存在一定隱患。

b）產(chǎn)品狀態(tài)信息提取有限，無(wú)法杜絕質(zhì)量隱患。

運(yùn)載火箭總裝完成后，產(chǎn)品狀態(tài)僅靠個(gè)別的內(nèi)置傳感器對(duì)部分信息進(jìn)行采集，無(wú)法做到對(duì)產(chǎn)品狀態(tài)綜合全面的判斷與確認(rèn)，而聲音和圖像等其它形式的產(chǎn)品信息往往能更全面地反應(yīng)產(chǎn)品狀態(tài)。由于檢測(cè)手段的限制，現(xiàn)有測(cè)試并未將聲音信號(hào)列入檢測(cè)對(duì)象，圖像方面也僅在單件產(chǎn)品檢測(cè)中由人工對(duì)產(chǎn)品外觀或透視光片進(jìn)行檢查，未形成高可靠、高效率的自動(dòng)化檢測(cè)手段。

c）判讀規(guī)則簡(jiǎn)單，無(wú)法預(yù)測(cè)和挖掘故障。

現(xiàn)有測(cè)試參數(shù)判讀中，往往通過(guò)設(shè)置門限范圍或與標(biāo)準(zhǔn)值比較的方法進(jìn)行確認(rèn)，而測(cè)試數(shù)據(jù)中的微小波動(dòng)以及一些門限范圍內(nèi)變化的規(guī)律并未進(jìn)行有效的分析與確認(rèn)，無(wú)法對(duì)產(chǎn)品可能出現(xiàn)的故障跡象進(jìn)行挖掘。

1.2 智能檢測(cè)技術(shù)的優(yōu)勢(shì)

a）測(cè)試可靠性更高。

傳統(tǒng)檢測(cè)項(xiàng)目中，產(chǎn)品質(zhì)量很大程度上依靠檢測(cè)評(píng)估人員的工作經(jīng)驗(yàn)和責(zé)任心，檢測(cè)的準(zhǔn)確性與可靠性在一定程度上受到人為因素的影響，歷史上曾多次出現(xiàn)漏判、誤判的事故，風(fēng)險(xiǎn)始終存在。通過(guò)智能檢測(cè)由機(jī)器代替人工開(kāi)展產(chǎn)品檢測(cè)工作，可以減少由于人為因素出現(xiàn)漏判、誤判的可能性，提高運(yùn)載火箭產(chǎn)品測(cè)試、測(cè)發(fā)監(jiān)控的可靠性。

b）測(cè)試效率更高。

在數(shù)字信號(hào)處理與故障特征提取技術(shù)較為成熟的條件下，對(duì)運(yùn)載火箭工作過(guò)程中聲音和圖像信號(hào)的高效采集與處理已經(jīng)成為現(xiàn)實(shí)，同時(shí)采集過(guò)程更方便、快捷，采集設(shè)備簡(jiǎn)單可靠、易于實(shí)現(xiàn)，這些條件都為通過(guò)非接觸信號(hào)采集對(duì)火箭進(jìn)行智能化檢測(cè)奠定了基礎(chǔ)。實(shí)現(xiàn)智能化測(cè)試后，可以減少人為參與測(cè)試的過(guò)程，自動(dòng)化的方式可大大縮短測(cè)試時(shí)間，提高測(cè)試效率。

c）測(cè)試覆蓋性更好。

傳統(tǒng)檢測(cè)方法中，由于可靠性和復(fù)雜程度的限制，僅選取系統(tǒng)中具有代表性的測(cè)點(diǎn)作為產(chǎn)品特征提取的對(duì)象，很難覆蓋全部的產(chǎn)品狀態(tài)信息，在出現(xiàn)問(wèn)題或存在隱患的情況下無(wú)法及時(shí)做出診斷。而聲音和圖像等以“場(chǎng)”形式存在的信息能以更全面的表征產(chǎn)品狀態(tài)，為產(chǎn)品測(cè)試提供更充分的數(shù)據(jù)。獲得產(chǎn)品缺陷的動(dòng)態(tài)信息、并對(duì)缺陷的危害程度進(jìn)行評(píng)價(jià)、預(yù)測(cè)使用壽命，適用于過(guò)程監(jiān)控以及故障的預(yù)報(bào)。通過(guò)智能檢測(cè)技術(shù)，可以突破檢測(cè)方法的限制，挖掘深層次的產(chǎn)品信息，提高產(chǎn)品測(cè)試的覆蓋性。

d）測(cè)試帶來(lái)的損傷更小。

傳統(tǒng)測(cè)試方法中，為了獲取產(chǎn)品狀態(tài)信息需要在產(chǎn)品中嵌入測(cè)試通路，將內(nèi)部的壓力、溫度、電流電壓信號(hào)引出進(jìn)行采集診斷。一方面測(cè)試通路為非必須的飛行功能，另一方面測(cè)試通路潛在的故障有引起飛行功能故障的風(fēng)險(xiǎn)。而智能檢測(cè)的檢測(cè)信號(hào)均來(lái)自被測(cè)產(chǎn)品本身，不需要外界施加激勵(lì)信號(hào)，采用非接觸的測(cè)試方法，不損傷被測(cè)產(chǎn)品，不影響正常的飛行功能。

2 基于聲音的非接觸檢測(cè)技術(shù)

聲音檢測(cè)是指通過(guò)采集被測(cè)設(shè)備的聲音并對(duì)聲音特性進(jìn)行分析、比對(duì)，判斷設(shè)備狀態(tài)的方法。主要包含兩個(gè)類型的應(yīng)用：a）通過(guò)聲音頻率特性建模及判斷設(shè)備是否出現(xiàn)故障；b）通過(guò)多個(gè)測(cè)點(diǎn)的聲音采集判斷異常聲音產(chǎn)生的位置。聲音檢測(cè)算法中可以通過(guò)小波變換與特征提取對(duì)初始聲音信號(hào)進(jìn)行消噪處理，再通過(guò)短時(shí)傅里葉分析提取關(guān)鍵信號(hào)特征。聲音定位算法主要用于對(duì)故障或發(fā)出特征聲音信號(hào)的位置進(jìn)行確認(rèn)，包括傳統(tǒng)的波束形成算法和通過(guò)卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks，CNN）訓(xùn)練獲取的聲音定位算法。

2.1 聲音檢測(cè)算法

a）小波變換與特征提取。

對(duì)于采集到的信號(hào)，需要對(duì)其進(jìn)行快速的時(shí)域與頻域分析，為下一步的工作狀態(tài)檢測(cè)與故障定位檢測(cè)提供分析依據(jù)。因此，首先需要通過(guò)小波變換的手段對(duì)信號(hào)進(jìn)行消噪處理。

消噪的目的是去除得到的聲音信號(hào)中的環(huán)境噪聲和傳感器背景噪聲，保留更多系統(tǒng)工作的聲音信號(hào)。由于環(huán)境噪聲與傳感器背景噪聲頻率成分豐富，而電磁閥工作信號(hào)中存在一些奇異點(diǎn)，若采用傳統(tǒng)方法對(duì)檢測(cè)信號(hào)去噪，會(huì)影響電磁閥工作脈沖的波形。因此考慮采用小波閾值消噪的方法進(jìn)行去噪處理。

任意函數(shù)對(duì)小波函數(shù)的連續(xù)小波變換定義為Ψ

式中 a，b 分別控制小波的兩個(gè)變換，對(duì)系數(shù)a 或b或a 與b 同時(shí)做離散化，可以得到離散小波變換。離散小波函數(shù)表示為式（2）。離散小波分解得到的小波系數(shù)表示為式（3）。小波重構(gòu)得到的函數(shù)由式（4）計(jì)算：

b）短時(shí)傅里葉分析與特征提取。

在傅里葉變換的基礎(chǔ)上，將非平穩(wěn)信號(hào)看作由一系列短時(shí)平穩(wěn)信號(hào)組成，通過(guò)加窗實(shí)現(xiàn)短時(shí)性，并通過(guò)平移參數(shù)覆蓋整個(gè)時(shí)域。即采用窗函數(shù)與待分析的非平穩(wěn)信號(hào)的乘積，實(shí)現(xiàn)窗口附近的開(kāi)窗與平移，再進(jìn)行傅里葉變換。其基本原理如下：

設(shè) (s)τ 為非平穩(wěn)信號(hào)， h (t) 為窗函數(shù)，通過(guò)窗函數(shù)定義的新信號(hào) st(τ)滿足：

新信號(hào)為t 的函數(shù)，是原信號(hào) (s)τ 在t 時(shí)刻附近τ 時(shí)間段的成分。對(duì)新信號(hào) st(τ)進(jìn)行傅里葉變換，結(jié)果即為短時(shí)傅里葉變換。其表達(dá)式為

連續(xù)信號(hào)的短時(shí)傅里葉變換對(duì)信號(hào)理論分析具有重要意義，但在實(shí)際應(yīng)用中常需要分析處理離散信號(hào)，即離散化時(shí)間序列。設(shè) s ( n) 為非平穩(wěn)離散序列，其離散短時(shí)傅里葉變換為

式中 n 為采樣個(gè)數(shù)；m 為離散時(shí)間；N 為序列個(gè)數(shù)。

采用短時(shí)傅里葉變換可以使信號(hào)同時(shí)顯現(xiàn)出時(shí)域特征和頻域特征，有利于進(jìn)一步得出有效的時(shí)頻綜合識(shí)別特征。對(duì)檢測(cè)信號(hào)進(jìn)行消噪處理之后，可以根據(jù)系統(tǒng)的時(shí)序命令信號(hào)對(duì)已經(jīng)得到的信號(hào)進(jìn)行分幀，分別對(duì)其進(jìn)行短時(shí)傅里葉分析，可以在時(shí)域、頻域上分別提取出不同的特征。短時(shí)傅里葉變換波形如圖1 所示。

圖1 短時(shí)傅里葉變換波形Fig.1 Short Time Fourier Transform Waveform

2.2 聲音定位算法

a）波束形成算法。

平面波假設(shè)的理論示意如圖2 所示。

圖2 平面波假設(shè)的理論示意Fig.2 Theoretical Schematic Diagram of Plane Wave Hypothesis

圖2 中， k0為平面波傳播方向的波數(shù)向量，κ 為聚焦方向的單位向量，k=-kκ 為聚焦方向的波數(shù)向量，其中：ω=2πf為聲音的圓頻率；c 為聲速。rm為m 號(hào)傳聲器的坐標(biāo)向量；m 為傳聲器序號(hào)，m = 1,2,… ,M。設(shè)原點(diǎn)為參考位置， P0為該位置的聲壓信號(hào)，為聲壓幅值，則陣列各傳聲器接收到的聲壓信號(hào)為

當(dāng)波束形成的聚焦方向?yàn)棣?方向時(shí)，m 號(hào)傳聲器相對(duì)于原點(diǎn)的時(shí)間延遲量 Δm（ κ ）為

根據(jù)延遲求和，按M 個(gè)傳聲器歸一化的波束形成輸出結(jié)果 B （ κ ,ω）為

時(shí)間延遲量 Δm（ κ ）取決于波束形成的聚焦方向κ，以此量對(duì)各傳聲器的聲壓信號(hào)進(jìn)行相位校正，在實(shí)際計(jì)算過(guò)程中，掃描可能的聚焦方向（0～360°），當(dāng)聚焦方向恰好等同于聲波來(lái)向 k0時(shí)，校正后各傳聲器聲壓信號(hào)一致，波束形成幅值等于平面波幅值，形成“主瓣”，當(dāng)聚焦方向不同于聲波來(lái)向時(shí)，校正后各傳聲器聲壓信號(hào)的相位仍存在差異，疊加求和時(shí)幅值被衰減，形成“旁瓣”如圖3 所示，從而有效識(shí)別聲源。

圖3 波束形成示意Fig.3 Beamforming Diagram

b）基于CNN 的聲音定位算法。

深度神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)、語(yǔ)音識(shí)別和自然語(yǔ)言處理等諸多領(lǐng)域均取得了突破性研究進(jìn)展，隨著標(biāo)注數(shù)據(jù)的積累和GPU 計(jì)算性能的提升，卷積神經(jīng)網(wǎng)絡(luò)的研究迅速涌現(xiàn)，并取得了各種最新成果。一般的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中主要由3 種層結(jié)構(gòu)組成：卷積層、池化層和全連接層，如圖4 所示。

圖4 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Convolutional Neural Network Structure

卷積層由多組可學(xué)習(xí)的卷積核組成。每個(gè)卷積核對(duì)前一層中相鄰的神經(jīng)元進(jìn)行加權(quán)求和得到下一層中新的神經(jīng)元表達(dá)，對(duì)所有區(qū)域進(jìn)行計(jì)算則得到一個(gè)新的特征映射圖。多組卷積核對(duì)應(yīng)多個(gè)新的特征映射圖，輸入圖像的每一個(gè)局部區(qū)域都共享一個(gè)相同的卷積核，每一局部區(qū)域?yàn)橐粋€(gè)預(yù)設(shè)的感受野范圍，該過(guò)程可表示為

池化層是卷積神經(jīng)網(wǎng)絡(luò)中較為重要的一個(gè)模塊。它通過(guò)減少輸入尺寸來(lái)降低可計(jì)算的連接權(quán)數(shù)目，池化操作可以理解為局部區(qū)域內(nèi)相鄰特征的統(tǒng)計(jì)輸出，例如最大池化的輸出是相鄰矩形區(qū)域內(nèi)特征的最大值，可表示為

式中 Ri,j為以(i, j )為中心的局部相鄰區(qū)域；為最大池化的輸出結(jié)果。

全連接層是在多層卷積和池化層之后用以學(xué)習(xí)高層表達(dá)和輸出的模塊。它將前一層所有神經(jīng)元和下一層的神經(jīng)元進(jìn)行連接，從而產(chǎn)生全局的語(yǔ)義信息。

3 基于關(guān)鍵點(diǎn)的X 光片智能檢測(cè)技術(shù)

傳統(tǒng)基于深度神經(jīng)網(wǎng)絡(luò)的通用物體檢測(cè)方法中，面向檢測(cè)精度的方法最為通用。這類方法主要由候選區(qū)域生成、分類及邊界框回歸2 個(gè)階段組成。而現(xiàn)有的基于深度神經(jīng)網(wǎng)絡(luò)的通用物體檢測(cè)方法，大部分檢測(cè)錯(cuò)誤來(lái)源于對(duì)候選區(qū)域的錯(cuò)誤分類，所以本文提出的方法主要利用關(guān)鍵點(diǎn)信息提升候選區(qū)域分類的準(zhǔn)確度。針對(duì)典型運(yùn)載器產(chǎn)品X 光片檢測(cè)中異常區(qū)域無(wú)固定形狀、無(wú)固定大小、色差分布不可控等問(wèn)題，采用一種固定點(diǎn)檢測(cè)的方式，利用關(guān)鍵點(diǎn)信息提升候選區(qū)域分類的準(zhǔn)確度。

圖5 為基于關(guān)鍵點(diǎn)的圖像檢測(cè)算法框架。如圖5所示，首先開(kāi)展“關(guān)鍵點(diǎn)預(yù)測(cè)”，給出整張圖片中的關(guān)鍵點(diǎn)；再通過(guò)“關(guān)聯(lián)編碼”的方法建立關(guān)鍵點(diǎn)之間的關(guān)聯(lián)信息；最后利用關(guān)鍵點(diǎn)和關(guān)聯(lián)編碼這兩種信息，采用“結(jié)構(gòu)化評(píng)分方法”，同時(shí)考慮關(guān)鍵點(diǎn)的置信度以及關(guān)鍵點(diǎn)之間的關(guān)聯(lián)信息，為X 光片中每個(gè)區(qū)域生成類別分?jǐn)?shù)，確認(rèn)是否出現(xiàn)故障以及故障的位置。

圖5 基于關(guān)鍵點(diǎn)的圖像檢測(cè)算法框架Fig.5 Algorithm Framework of Key Points Based on Image Detection

3.1 關(guān)鍵點(diǎn)預(yù)測(cè)

為了預(yù)測(cè)全圖關(guān)鍵點(diǎn)，以共享特征圖為輸入，預(yù)測(cè)每個(gè)位置關(guān)鍵點(diǎn)的置信度。具體來(lái)說(shuō)，假設(shè)有N 個(gè)需檢測(cè)的物體類別，每個(gè)類別的物體有ki 個(gè)預(yù)定義的關(guān)鍵點(diǎn)，那么總共有K 個(gè)關(guān)鍵點(diǎn)。為了預(yù)測(cè)全圖的關(guān)鍵點(diǎn)，將該預(yù)測(cè)過(guò)程建模為一個(gè)像素級(jí)分類問(wèn)題，共有K+1 個(gè)類別。對(duì)于共享特征圖的每一個(gè)位置，其應(yīng)當(dāng)屬于K 類關(guān)鍵點(diǎn)之一或是屬于背景類。關(guān)鍵點(diǎn)預(yù)測(cè)類似基于全卷積網(wǎng)絡(luò)（Fully Convolutional Networks，F(xiàn)CN）的語(yǔ)義分割。

3.2 關(guān)聯(lián)編碼

關(guān)聯(lián)編碼可以用來(lái)建模關(guān)鍵點(diǎn)之間的關(guān)系，有效的編碼相對(duì)位置和視覺(jué)線索。首先將二維平面空間劃分為扇形網(wǎng)格，對(duì)于共享特征圖的每個(gè)位置，首先取出該位置的特征，然后通過(guò)變換T 將該特征向量變換為向量E。

通過(guò)使用具有較大感受野的深度卷積神經(jīng)網(wǎng)絡(luò)特征，特征圖的每個(gè)位置可以包含來(lái)自大面積圖片區(qū)域的信息，從而引入更多的視覺(jué)線索。扇形網(wǎng)格設(shè)計(jì)也合理地將相對(duì)位置分解為兩個(gè)正交的因素，即方向和距離。扇形網(wǎng)格的特點(diǎn)是距離中心越遠(yuǎn)，其網(wǎng)格越大，這個(gè)性質(zhì)與距離越遠(yuǎn)的關(guān)鍵點(diǎn)越難估計(jì)是一致的。關(guān)聯(lián)編碼不直接接受監(jiān)督，而是通過(guò)結(jié)構(gòu)化得分方法反向傳播回來(lái)的信號(hào)進(jìn)行學(xué)習(xí)。

3.3 結(jié)構(gòu)化評(píng)分方法

基于關(guān)鍵點(diǎn)預(yù)測(cè)和關(guān)聯(lián)編碼，通過(guò)一種結(jié)構(gòu)化評(píng)分方法來(lái)計(jì)算每個(gè)候選區(qū)域的類別得分。該方法由2 個(gè)階段構(gòu)成：關(guān)鍵點(diǎn)定位和結(jié)構(gòu)化評(píng)分。

對(duì)于一個(gè)給定的候選區(qū)域，結(jié)構(gòu)化評(píng)分方法首先在關(guān)鍵點(diǎn)預(yù)測(cè)得到的關(guān)鍵點(diǎn)響應(yīng)圖上，對(duì)每一類關(guān)鍵點(diǎn)尋找最高響應(yīng)，具體為

式中 feature 為關(guān)鍵點(diǎn)預(yù)測(cè)模塊輸出的關(guān)鍵點(diǎn)響應(yīng)函數(shù)；代表在給定的候選區(qū)域RoI 內(nèi)，關(guān)鍵點(diǎn)類別c的最大響應(yīng)值；代表在給定的候選區(qū)域RoI 內(nèi)，關(guān)鍵點(diǎn)類別c 的最大響應(yīng)值對(duì)應(yīng)的位置。即作為對(duì)應(yīng)候選區(qū)域RoI 內(nèi)關(guān)鍵點(diǎn)類別c 的預(yù)測(cè)結(jié)果?；陉P(guān)鍵點(diǎn)預(yù)測(cè)的位置以及關(guān)聯(lián)編碼模塊的輸出，可以得到關(guān)鍵點(diǎn)之間的關(guān)聯(lián)信息。

這種結(jié)構(gòu)化評(píng)分方法對(duì)每個(gè)候選區(qū)域的物體類別進(jìn)行評(píng)分，并通過(guò)多分類進(jìn)行監(jiān)督學(xué)習(xí)。訓(xùn)練過(guò)程中的損失可以通過(guò)結(jié)構(gòu)化評(píng)分方法反向傳播到和上，同時(shí)調(diào)整關(guān)鍵點(diǎn)預(yù)測(cè)模塊并訓(xùn)練關(guān)聯(lián)編碼模塊。

4 智能檢測(cè)在航天運(yùn)載器測(cè)試中的應(yīng)用研究

4.1 非接觸電磁閥極性自動(dòng)檢測(cè)系統(tǒng)

運(yùn)載火箭各項(xiàng)控制機(jī)構(gòu)的安裝極性一直是型號(hào)風(fēng)險(xiǎn)聚焦區(qū)域，由于整條通路環(huán)節(jié)較多，涉及各系統(tǒng)間接口，極性安裝檢測(cè)工作大多采用分段檢查和人工確認(rèn)的方式進(jìn)行。極性錯(cuò)誤曾導(dǎo)致多次飛行失利：2013年7 月，俄羅斯質(zhì)子號(hào)火箭因?yàn)樗俾释勇輼O性錯(cuò)誤起飛后爆炸；2016 年4 月，日本X 射線衛(wèi)星瞳也因?yàn)橄龂姽軜O性錯(cuò)誤而失控。如何在型號(hào)研制中杜絕由于人工確認(rèn)環(huán)節(jié)導(dǎo)致的故障是解決極性隱患需要解決的首要問(wèn)題，通過(guò)聲音定位由機(jī)器自動(dòng)確認(rèn)可大幅提高產(chǎn)品可靠性，電磁閥定位測(cè)試如圖6 所示。

圖6 電磁閥定位測(cè)試示意Fig.6 Solenoid Valve Positioning Test Schematic

結(jié)合某型運(yùn)載火箭總裝測(cè)試環(huán)節(jié)開(kāi)展了輔助動(dòng)力系統(tǒng)電磁閥安裝極性檢查，確認(rèn)工作工程中具體動(dòng)作的電磁閥極性位置，如圖7 所示。測(cè)試過(guò)程中，麥克風(fēng)陣列支架擺放在二級(jí)尾端正對(duì)面約8 m 處，被測(cè)電磁閥位于麥克風(fēng)陣列中的攝像頭視場(chǎng)內(nèi)。根據(jù)現(xiàn)場(chǎng)指揮口令對(duì)18 個(gè)電磁閥依次進(jìn)行開(kāi)閉操作，通過(guò)聲音定位確認(rèn)工作電磁閥與口令中的極性是否一致。測(cè)試結(jié)果表明，通過(guò)基于CNN 的聲音定位算法可以準(zhǔn)確根據(jù)閥門工作時(shí)的聲音給出電磁閥動(dòng)作的位置，完成極性的確認(rèn)。

圖7 電磁閥極性測(cè)試結(jié)果Fig.7 Solenoid Valve Polarity Test Results

另外，對(duì)測(cè)試過(guò)程中電磁閥產(chǎn)生的聲音進(jìn)行了分析，電磁閥聲音特性存在以下規(guī)律：

a）可根據(jù)聲音信號(hào)在時(shí)域上的持續(xù)時(shí)間和強(qiáng)度，區(qū)分電磁閥的開(kāi)關(guān)狀態(tài)；

b）頻域上，電磁閥在開(kāi)通時(shí)和關(guān)斷時(shí)所發(fā)出的聲音頻率成分不重疊，能更準(zhǔn)確的判斷電磁閥的工作狀態(tài)；

c）不同電磁閥開(kāi)閉的聲音存在一定差異，可以通過(guò)聲音對(duì)電磁閥種類進(jìn)行判別。

4.2 雷管X 光片在線檢測(cè)系統(tǒng)

火工品主要用于實(shí)現(xiàn)航天運(yùn)載器的發(fā)動(dòng)機(jī)點(diǎn)火、分離、起旋、拋撒、展開(kāi)、彈射、起爆等功能?；鸸て饭δ苁欠裾Ｍ苯佑绊戯w行任務(wù)的成敗。按要求火工品必須100%開(kāi)展射線檢測(cè)工作，以確保產(chǎn)品結(jié)構(gòu)與裝配的完整性、一致性與正確性。目前中國(guó)火工品檢測(cè)方法中仍完全依靠人工完成結(jié)果的評(píng)估與檢測(cè)，為了盡可能降低受評(píng)估人員主觀因素影響導(dǎo)致的漏判、誤判，需要引入人工智能技術(shù)對(duì)火工品射線檢測(cè)結(jié)果進(jìn)行輔助識(shí)別。

現(xiàn)有的雷管射線檢測(cè)中由翻拍的X 光照相機(jī)直接輸出電子圖片至臺(tái)式計(jì)算機(jī)，并在顯示器上顯示。待檢測(cè)的火工品X 光片如圖8 所示。圖像顯示隨著每批雷管產(chǎn)品的出廠進(jìn)行更新，檢測(cè)員需要通過(guò)肉眼對(duì)顯示屏上的X 光圖片進(jìn)行確認(rèn)。

圖8 待檢測(cè)的火工品X 光片F(xiàn)ig.8 Pyrotechnic X-ray Film to be Tested

采用智能算法檢測(cè)X 光片，首先讀取電子圖像的信息，按照?qǐng)D片預(yù)處理、圖片分割、數(shù)字識(shí)別和異常檢測(cè)4 個(gè)步驟完成圖像的自動(dòng)化檢測(cè)：

a）圖片預(yù)處理。

輸入的圖片中包含大量與檢測(cè)結(jié)果無(wú)關(guān)的信息，開(kāi)始檢測(cè)之前需要將非檢測(cè)區(qū)域從圖片中清除，將剩下的部分在內(nèi)存中拼接成新的圖片。

b）圖片分割。

根據(jù)輸入圖片中每一行像素值和的大小，可以判斷出輸入圖片中數(shù)字標(biāo)號(hào)存在的位置，根據(jù)標(biāo)號(hào)的位置將圖片分割成一段一段的圖片，每一段圖片中含有多個(gè)數(shù)字標(biāo)號(hào)。

由于每一段圖片中包含多行列需要檢測(cè)的雷管圖像，并且圖像位置在每一段圖片中并不固定，需要根據(jù)亮度分割出每一段的圖片中每一枚雷管的圖片，分割后的圖片可以作為異常檢測(cè)部分的輸入圖片。

c）數(shù)字識(shí)別。

由于需要根據(jù)圖片中的數(shù)字標(biāo)號(hào)為每一根線分配一個(gè)對(duì)應(yīng)的ID，故而需要通過(guò)數(shù)字識(shí)別技術(shù)識(shí)別圖片中的數(shù)字標(biāo)號(hào)。此處將每一段圖片中數(shù)字標(biāo)號(hào)的部分分割出來(lái)。在識(shí)別之前需要對(duì)分割出的數(shù)字標(biāo)號(hào)的圖片進(jìn)行放大處理，目的是獲得更準(zhǔn)確的數(shù)字識(shí)別結(jié)果。

c）異常檢測(cè)。

采用基于關(guān)鍵點(diǎn)的X 光片智能檢測(cè)技術(shù)，結(jié)合標(biāo)定數(shù)據(jù)的訓(xùn)練生成自動(dòng)檢測(cè)的網(wǎng)絡(luò)模型，圖9 為計(jì)算機(jī)自動(dòng)檢測(cè)的結(jié)果，當(dāng)出現(xiàn)裝藥分層或分布不均勻、裝填順序錯(cuò)誤時(shí)，可以準(zhǔn)確判斷采集到的X 光片故障，并給出故障的種類和位置。

圖9 X 光片自動(dòng)化檢測(cè)結(jié)果Fig.9 X-ray Film Automated Test Results

5 結(jié) 論

針對(duì)運(yùn)載火箭研制過(guò)程中易出現(xiàn)問(wèn)題的質(zhì)量環(huán)節(jié)，結(jié)合產(chǎn)品測(cè)試特點(diǎn)，創(chuàng)新提出了基于聲音和圖像的智能檢測(cè)方法，采用非接觸的無(wú)損測(cè)試方式在產(chǎn)品工作過(guò)程中實(shí)時(shí)對(duì)產(chǎn)品狀態(tài)進(jìn)行檢驗(yàn)。該方法不僅能檢測(cè)產(chǎn)品的故障類型，同時(shí)能夠定位故障位置，可對(duì)產(chǎn)品的安裝極性進(jìn)行確認(rèn)。在型號(hào)測(cè)試中的應(yīng)用表明，智能檢測(cè)技術(shù)可以有效代替人工完成測(cè)試，提高檢測(cè)效率的同時(shí)也降低了漏檢和誤檢的風(fēng)險(xiǎn)。未來(lái)隨著人工智能技術(shù)的不斷成熟，智能檢測(cè)技術(shù)將在更多產(chǎn)品的測(cè)試項(xiàng)目中得到推廣，逐步代替人工檢測(cè)的工作。