現代空間飛行器必須持續監控遙測數據，并檢測或預測傳感器數據中的任何異常行為。由于從機載傳感器接收到的數據維度高且數據量大，基于閾值的監控等傳統方法顯得捉襟見肘。軌道衛星的環境具有高度動態性，這也使得識別異常指標充滿挑戰性。

為了克服這些挑戰，空中客車防務與航天公司 Airbus 決定開發用于故障檢測、隔離和還原 (FDIR) 的機載系統，以實現異常檢測深度學習模型。 空中客車發現，FPGA 以其高性能、長壽命成為機載航天器系統的理想平臺。FPGA 可重新編程，能夠耐受空間輻射，并可設計成低功耗器件。

然而，對于此級別的時間關鍵型任務，使用資源有限的 FPGA 實現深度學習模型，可能是一項巨大的挑戰。 空中客車的設計團隊選擇使用 Deep Learning HDL Toolbox 來生成 MATLAB 深度學習處理器 IP 核作為人工智能加速器。該工作流支持使用 FreeRTOS 作為操作系統。

為了進行測試，空中客車使用了 AMD Zynq UltraScale+ MPSoC ZCU102 板以及長短期記憶 (LSTM) 模型，該模型是基于一組相關的遙測參數訓練的。

此外，更新 LSTM 模型不需要對 FPGA 重新編程，因為只需重新編譯更新后的模型并將其下載到深度學習處理器中。

“從本質上講，MATLAB 深度學習處理器 IP 核與平臺無關。這使其能夠被集成到可通過太空認證的實時操作系統中。我們面臨的一大挑戰是開發與之交互的應用，而在這一方面，MathWorks 提供了很多支持。”

—— Andreas C. Koch，空中客車機載軟件工程師

在 TensorFlow 中訓練的 LSTM 模型導入 MATLAB 中。基于這些模型，該團隊針對性能和資源使用情況，對深度學習處理器配置進行了優化。此后，他們使用 HDL Coder 將深度學習處理器 IP 核生成為獨立于目標的可綜合 HDL 代碼，并通過 AXI 接口將其集成到空中客車的參考設計中。

然后，工程師使用基于 Python 的工作流對深度學習處理器進行編程，并從 AMD Zynq MPSoC 上的 Arm 處理器觸發它。

在硬件板上針對運行衛星上檢測到的異常來測試 FDIR 系統時，深度學習處理器能夠在可靠工作的同時，滿足吞吐量和功耗的要求。空中客車計劃在將來的航天器上部署基于 FPGA 的 FDIR 系統。



基于 FPGA 的深度學習網絡檢測到的真實異常。

▼ 空客Airbus 取得的關鍵成果

開發了基于 MATLAB 的工作流，用于在 FPGA 上進行深度神經網絡的快速原型構建和驗證，從而實現硬件、系統和深度學習工程師之間的協作

與基于閾值的傳統方法相比，更早地檢測到潛在的衛星故障模式

生成了深度學習處理器，可供任何采用 FreeRTOS 或其他操作系統的 FPGA 供應商使用和部署

可以在板上更新深度學習模型，而不需要對 FPGA 重新編程

▼空客 Airbus 使用到的產品

MATLAB

Deep Learning HDL Toolbox

Deep Learning Toolbox

HDL Coder

審核編輯：劉清