中国人工智能学会系列白皮书-航天器智能精准运维2025年

2025 第1章引 第2章航天器智能精准运维的概念与内 第3章基于云边协同的航天器智能精准运维机 第4章数据增强技 第5章状态监测技 第6章异常检测技 第7章故障诊断技 第8章健康评估技 第9章寿命预测技 第10章航天器智能精准运维技术的应用情 美 欧 日 中 第11章航天器智能精准运维技术的发展趋势与关键技 第12章结束 1天器带来重大的安全隐患甚至是致命伤害。例如：美国的钱德拉XObservatory1.1所示。因此，要实现安全可靠稳定图 美国的钱德拉X射线天文台卫1）（）姿态控制装置等发生了一系列的故障与技术问题，导致归期延迟图 1.3所示200616气象卫星有整整20个小时不能正常工作，造成了重大经济损失[2]。图 第2 顶 能任 约（空间无人系统（简称GNC）顶 能任 约（空间无人系统图 智能精准运维与GNC分系统的关联关智能程度2.2所示。智能程度利用人工智工具标准化等技术、为能、大数据人工决策提图 自主评估预测、自主任务决策、自主学习更新等五个方面（如图2.3先验知识不完备资源配置不充分 本体感 监测数据采环境感 系统状态监其他对象感 异常状态检本体状态感知自主故障定 故障定位特 故障信 模型提 结合状态感知结果自主健康评 自主寿命预 感知数据分 故障定位结 健康状态评 诊断结果分 故障自动恢 冗余设计备 内外环境感 历史数据知 提升自主水 本体适应性任务响应 可重复使运维自学习图 表 通过人工干预保障系统正基于人工智能数据分析等先提升智能水性维护与自人工智能与机理知识的有机调整与更新等同步提升智能水平与精运维全过程自主化与持第3 层级（3.1所示，具体如下：图 中心云层、边缘层与现场层的功能组成情况（3.2所示网页界面及APP软件图 学习的航天器智能精准运维自主更新策略（3.3所示，实（可以根据“确诊”结果的精度，实现模型算法的自主更新与主动学图 辑关系具体如图34障诊断技术，通过异常鉴别/识别结果的对比分析，进一步实现故障6大关键核心技术的研究现状、理图 第4 4.1难以还原训练数据提高模型的泛化能4.1①过采样。主要包含以下两种方法：a.重复采样：从少数类别少数类别的样本数量；b.合成采样：通过在特征空间中对少数类样插值补全。文献[7提出了一种时间序列的双向递归填补模型（BRITS据的缺失。文献[8]使用快速理解（GRU-U）在不均衡样本增强方面，文献[9]提出了基于样本密度分布的自（T[0（AY[1]T[2]（MCEA[3]制的辅助条件生成对抗网络（A-AGN）的故障样本生成方法，通过度量判别器与生成器之间的相对性能来自适应调节生成器的损[4]成对抗网络的故障数据增强方法，采用梯度惩罚推土机距离（DAC）第5 表 2）65.2所示。表 单元的开/A开展基于多变量时间序列数据的航天器状态监测研究是当前该类技Petri网结构可用于表征系统中各事件的依赖关系和可能发生的Petri网模型的动态行为Petri（GM程模型来寻求原始序列数据之间隐含的关系。常用的几种模型有的航天器状态监测问题，一般采用GM(1,1)模型，其建模过程主要分（SVM（AR，验证了提出了一种非线性退化AR[0利用AA螺仪状态进行监测。文献[41]利用长短时记忆网络（LTM）监视与50振动值变化而引起的系统级状态变化与微小故障的实时监测与趋势42[3]（第6 表 与运维数据的动态特性难以用解知识和试验调整2）2）3）3）合或陷入局部最数据来检测、识别系统在运行过程中的非预期行为或突发的异常状映射到特征空间中，利用聚类（如K-means、DBSCAN等、密度估计（如LOF、LocalOutlierFactor）等技术手段，在特征空间中识别统计测试（卡方检验、t检验等）等。基于回归的检测方法是另一种ARMAARMA（自回归滑动平均）模型，为了解决非平稳序列的问题，又改进得到了ARIMA模型。文献[6R对于航天系统冗余捷联惯组的异常，文献[47]基于等价空间原理的OTt（tO8[9AA[0]针对航天器中的动量轮1][25][4]55[6（）P9]结合rnsorerN、N、LTM0]常检测，结合多种智能检测模型实现航天器运行状态的早期异常检[1]记忆效应长短期记忆网络（LTM）的异常检测方法。文献[62]提出第7 表 （IMF（P网络、径向基函数（）网络等，将故障向量作为输入、诊断结果作为（的该类技术首先根据航天器中各组件或者遥测数据之间的耦合关aEprs[08离与评估，提出了一种自适应更新网络权值的算法。文献[14]设计了一种适用于某类型航天器地面及飞行状态监测的实时故障诊断专家系统（DS，该系统通过总结原理性、结构性知识和专家经NC11]NC实现了执行器微小故障的有效诊断。文献[24]针对航天器资源不充（GNC[5]NC分（IIA升了辨识精度。文献2]提出了一种新颖的模糊C均值方法（KFCMGNC分系统大小。文献11]基于改进的非线性微分代数方法设计残差滤波器，组合鲁棒故障检测和隔离。文献12]设计了基于故障树的故障诊断与健康管理专家系统软件平台，应用并推广于多类航空航天测控设33利用VM疏特征矩阵来实现故障分类、识别。文献[34]将一维轴承数据输入文献[35]使用叠积卷积自编码器预训练的深度卷积神经网络，分别16]提出了一种紧凑型自适应一维卷积神经网络用于实时轴承故障诊断，其中网络输入为原始时序数据，无需任何变换。文献[37]针模型的加速深度神经网络。文献18]开发了一个生成对抗网络与时域卷积神经网络（GNTN）复合的模型，完成特征提取简化学19采用K邻近KANN分析。文献10]针对航天器控制系统故障闭环传播和数据维数高的问题，提出了一种基于序列数据-图像映射的智能故障诊断方法，将NN和LTM112LMI[2]IEA（故障模型，利用故障模型中的动力学特性进行特征结构配置（EA）生成重构控制器对原系统进行补偿控制。文献[3]通过引入改进的粒子群算法优化高级卷积块（OACBNN）方法，解决卫星姿NN献[44]在贝叶斯框架内集成了一组系统化组织的自动编码器，介绍文献[45]针对小卫星集群研究了具有非线性动力学特性的多种多智献[46]结合格拉姆角场（AF）算法与深度转移卷积神经网络（DTCNN值得一提的是，文献11]和0]，不同于传统抓“两头”的研突破了航天器自主故障诊断与重构亟需解决的重大基础问题和技术71所示。

图 第8 表 3）器上搭载的各种传感器，如惯性测量单元（IMU、全球定位系统（GPS性，提高了模型评价的准确率。文献[148]C阶段性有效动态识别。文献[9]研究了一种基于双卡尔曼滤波算法HgeHsa自适应算法实现高准确度在线估计。文献[50]以电池老化数据分析为出发点，结合方差筛选、灰色关联分析GA和递归特征消除PH状态估计。文献1]首先提出一种基于无监督模型的航天器蓄电池值以及健康等级的变化情况。文献2]采用模糊隶属度函数，利用改进DS5314]结合微纳卫星健康状态信息产生、传播特点，建立了微纳卫星ri康状态评估。文献15]设计了一种基于带属性可靠性的可解释信念（BRB-果的透明性和解释性。文献[6]提出了一种航天器空间动力系统的能可靠性评估。文献[57]针对航天器机电类关键部件存在性能退化LTM网络的第9 表 无需深入理解系统的内部物综合了失效机理和数据驱动系统维护等行为，预测其剩余使用寿命，常用方法包括：petri网等。文献[9E）M而实现寿命的有效预测。文献11]针对具有多退化变量的陀螺寿命plaoula14]提出了一种基于混合模型的寿命预测方法，该方法将最小二乘支持向量回归（LVR）（H）H；LVRHM11]AS进行了验证。文献12]把基于轴承寿命方程的疲劳损伤累积模型和预测的不确定度。文献[73]开发了一种数据驱动的神经网络方法用于航天器驱动部件的剩余寿命预测，利用命令/响应信号以及液压数据来对该设备的剩余寿命进行预测。文献[74]发现了监控数据的变上，文献[5]提出了一种状态残留时间分布模型，结合随机滤波理论估计了某关键部件剩余寿命的分布。文献7]引入了退化状态/局KplneeretriNC1]针对一类NC式实现剩余寿命预测。文献[8]结合支持向量数据描述与移动地平提高剩余寿命（L）预测准确率。文献[79]提出了一种基于并行果卷积模块，提高剩余寿命指数估算的效率和准确性。文献[80]基UL[1第10 10.1所示。表 国别/应用系统/优势/自主监测与分析GNC关键ISS控制力矩陀对GNC球观察卫星1号Livingstone预测GNC分系统中激光陀对GNC分系统的状态监视SPOTGNC分系统能够自主完成DrMUST500个诊断规则“天宫”能够在地面实现GNC分系“资源一号”Wiener（AMASGNC在内的多个关键分系统遥测数据进行了自动状态监测与特征项，采用多项式拟合外推、BP神经网络预测、非参数回归的预测、ARMA预测等多种算法对分解后的数据项进行处理，最后对经10.1所示。波动项预测tX11方法分解数据趋势项图 X⁃11的分解算法对原始数据进行分解，之后采基于X⁃11X⁃11由三部分组成；其中，季节因素（SeasonalFactor）是选定数据中的周期性变化序列；趋势因素（TrendFactor）是选定数据趋势性部分总目前，NASA已将相关状态监测技术固化成多款软件工具[184]，IMS操作系统/全局总线缓冲器和控 本地总线缓冲器和控操作系统/全局总线缓冲器和控 本地总线缓冲器和控图 MDS的功能简BIT

FDIFDI

在线接

库通信和跟踪接口（程序间交流通信和跟踪接口（程序间交流

MDS

MDS控制（入轨

图 MDS的系统组表 可以同时诊断两个或三个以上估计状态是来自于多传感器信一个通用元件并不是总能定义成L2模型的元器L2离散模型推理比连续模型推理ResearchCenter）开发的自主故障诊断软件，它是由一些特殊的离散L1L2两个版本，L3版本目前尚未见到发布。L1LISP语言编写的软件Livingstone10.2所示。Ligone（快速命题推理等算法，消除了人工智能中演绎和反推之间的突出矛104-7EahOseigne

适配器据线适配器据线

SCL

SCLSCL 图10.4 Livingstone系统在“EarthObservingOne”任务中L210.5通用推理机（GeneralDiagnosticGDE是固定的，不会因为被诊断对象的不同而改变，GDE采用Managers识）和MR（ModeReconfiguration：模型重构）两部分。LMVL2LMVSMVLPFL2软件的仿真验证工具，它由置于一个模拟操作环境的试平台上。尽管LPF主要应用于NASALivingstoneLPF图 Livingstone系统L2版本的模型验证模块界面示意锂电池寿命预测方面，比传统回归分析方法和Gaussian过程方法精30%GNC分系统中陀螺部件的10hNC分系统中关键部组件——激光陀螺的剩余寿命。iurenayis公司在EENC[8216D）启动“地球同步轨道卫星机器人服务”（S）项目，旨在建立地GAA（该项目合作的商业公司主要负责研发能够携带有效载荷并执行服务任务的V瑞典空间物理学院研制了航天器状态监视和异常预测系统（SAAPS70%，并能给出可信度。（TSO以从数据库检索相关数据。TSO包含元数据，例如：字段名、单位、数据。所有的模型和工具都在TSO的基础上运行。Javaappletweb10.6图 10.7所示。图 图 意大利的VITROCISET公司为欧盟发射的XMM-Newton科学探名字源于X射线多镜面设计和纪念英国著名物理学家牛顿。这颗卫星装备了三部X射线望远镜，因其奇异的飞行轨道而著称，这种飞行轨道可令其长时间、不间断观测深空。它是迄今为止最灵敏的X170多片薄片圆柱体镜面来收集和聚焦X射线。120X射线望远镜舱中，有（RGSXMM-Newton卫星让欧洲天文学界获得了诸多突破，如观测到迄今在遥远宇宙看到的最大星系团10.910.10所示。图 XMM-Newton科学探测卫图10.10 XMM-Newton科学探测卫星的GNC分系统组成示意图过 过 ε…模型故障模型故障图 10.12SMART-1月球探测器的故障检测与隔离架构示意图欧空局（ESA）DrMUST在健康评估方面，JAXA（日本国家航天局）HAYABUSA卫DOC10.13图 ISACS-DOC的工作示意HAYABUSA是JAXA的小行星25143Itokawa10.14所示。图 ISACS-DOC在状态监测方面，我国正逐渐重视对状态监测技术的验证与确（NC分系NC前为止，还没有真