張豫龍，王建峰，李陶然，葛 亮，兀 穎，趙 勇，姜曉軍

(1. 中國科學院光學天文重點實驗室 (國家天文臺)，北京 100101；2. 中國科學院大學天文與空間科學學院，北京 100049)

望遠鏡是天文研究的重要工具，其高效穩(wěn)定運行是保證有效天文觀測的前提。因此，為了實現(xiàn)長時間穩(wěn)定的觀測運行，故障診斷系統(tǒng)不可或缺。

故障診斷系統(tǒng)是一種分析故障時的系統(tǒng)數(shù)據(jù)并迅速判斷、定位故障點的程序系統(tǒng)，它能在望遠鏡發(fā)生故障時迅速響應，給出解決方案。故障診斷技術在多個領域中已有應用，早在20世紀60年代，美國斯坦福大學首次提出了基于專家系統(tǒng)的故障診斷方法，將行業(yè)內專家的知識庫應用在故障診斷領域[1]。20世紀70年代，關于控制系統(tǒng)的故障診斷技術在麻省理工學院首次提出[2]。在天文方面，美國針對哈勃望遠鏡維護困難的問題開展了對望遠鏡控制系統(tǒng)故障診斷技術的研究[3]。澳大利亞也于90年代將故障診斷技術應用于澳大利亞望遠鏡(Australia Telescope)中，實現(xiàn)了基于傳感器的望遠鏡故障診斷[4]。在國內，故障診斷技術在天文方面也有所應用。南極望遠鏡上使用了智能鏡面除霜系統(tǒng)，用于加熱望遠鏡鏡面來確保其不受霜雪的影響[5]。Mini-GWAC使用了基于故障樹與傳感器的望遠鏡故障診斷系統(tǒng)，實現(xiàn)了系統(tǒng)的安全全自動控制[6]。

然而，傳統(tǒng)的故障診斷系統(tǒng)在故障信息獲取受限的條件下很難發(fā)揮原有的作用。診斷方法單一，信息獲取渠道單一，例如上世紀研制的中小口徑望遠鏡，往往沒有完備的傳感器設備，傳統(tǒng)故障診斷系統(tǒng)無法準確地通過傳感器獲取系統(tǒng)所需信息，運行效果大打折扣。如今人工智能技術突飛猛進[7]，故障診斷系統(tǒng)也變得多方法融合化、多渠道信息化與智能化，利用這些技術可以很好地彌補傳統(tǒng)故障診斷系統(tǒng)的不足，最大化發(fā)揮故障診斷的效果。

本文提出的基于觀測圖像識別的天文望遠鏡智能故障輔助診斷系統(tǒng)使用了卷積神經(jīng)網(wǎng)絡的圖像識別模塊，利用望遠鏡故障時產生的觀測圖像，將圖像的智能識別技術與故障診斷系統(tǒng)相結合，很好地解決傳感器不完備的老式中小口徑望遠鏡信息獲取不充分的問題。此外，信息獲取越充分，故障判定的準確性就越高，所以這一系統(tǒng)也可以輔助傳統(tǒng)的基于傳感器的故障診斷系統(tǒng)，增加信息獲取渠道，提高故障診斷的準確率。

1 基于觀測圖像識別的望遠鏡智能故障輔助診斷系統(tǒng)設計

本文提出的故障輔助診斷系統(tǒng)是基于望遠鏡觀測時的圖像、過往的故障記錄、故障的解決方案以及可能的傳感器信息運作的。傳感器與圖像信息經(jīng)分析整合后，通過與過往故障記錄比對可以給出關于望遠鏡可能的故障原因、故障概率并從故障的解決方案中給出相應建議。因此本系統(tǒng)采用以下的設計方案。

1.1 系統(tǒng)總體設計

基于觀測圖像識別的望遠鏡智能故障輔助診斷系統(tǒng)主要由4部分組成：信息收集模塊、數(shù)據(jù)庫模塊、推理模塊與人機交互界面。結構如圖1。

圖1 基于觀測圖像識別的望遠鏡智能故障輔助診斷系統(tǒng)結構框圖Fig.1 Structure of intelligent fault-assisted diagnosis system for telescope based on observation image recognition

系統(tǒng)各組成部分功能如下：

(1)信息收集模塊：負責接收傳感器和觀測圖像傳遞的信息，其中有基于卷積神經(jīng)網(wǎng)絡的圖像識別算法，負責根據(jù)重訓練的故障模型分辨實測圖像的大致故障類型。之后它將收集到的故障信息傳遞給數(shù)據(jù)庫模塊與推理模塊并展示到人機交互界面。此外，信息收集模塊也負責監(jiān)視望遠鏡的實時運行狀況，它通過判斷圖像質量以及傳感器返回的參數(shù)確定目前的狀態(tài)，并將數(shù)據(jù)與參數(shù)存儲于系統(tǒng)運行數(shù)據(jù)庫中，以便出現(xiàn)故障時推理模塊進行調閱。

(2)數(shù)據(jù)庫模塊：為整個系統(tǒng)的知識儲備與運行庫，分為系統(tǒng)運行數(shù)據(jù)庫與故障知識庫。系統(tǒng)運行數(shù)據(jù)庫中存儲著故障ID、方法ID、路徑權重、對應關系以及望遠鏡的運行數(shù)據(jù)，是整個系統(tǒng)運行的基本保障。故障知識庫存儲了故障樹中記錄的相應故障知識，包括故障基礎知識與概率性的權重信息。

(3)推理模塊：包含推理機與解釋器，它負責將信息收集模塊、系統(tǒng)運行數(shù)據(jù)庫與故障知識庫中的相關信息收集并推理，以一定的邏輯策略判斷可能的結果，并將結果送往人機交互界面。推斷故障成立時，推理模塊也會將結果返回至知識庫中儲存，作為日后工程師維護望遠鏡的方向性依據(jù)。

(4)人機交互界面：用于展示信息并接受用戶的控制，是用戶與系統(tǒng)之間的重要交互渠道。

1.2 故障樹設計與分析

本系統(tǒng)采用了基于故障樹的邏輯結構設計，故障樹是一種樹型結構，能夠清晰地反映上層 “樹干” 與下層 “樹枝” 之間的邏輯與因果關系。系統(tǒng)從頂事件出發(fā)，逐步依據(jù)信息與樹狀結構向下層判斷，一旦確定底事件，對應的故障就被確定了。故障樹的頂事件是望遠鏡的實測圖像異常，代表著望遠鏡系統(tǒng)失效。通過對以往故障記錄進行電子化整理并統(tǒng)計興隆觀測基地8臺望遠鏡的歷史故障，建立故障庫，咨詢相關專家，決定將故障樹中層分為星像拉長、星像滑躍、星像消失 3大類。依據(jù)望遠鏡的結構細分至系統(tǒng)乃至部件的失效，建立起興隆觀測基地8臺光學望遠鏡的系統(tǒng)故障樹如圖2，故障標記說明如表1。

圖2 望遠鏡系統(tǒng)故障樹Fig.2 Fault tree of telescope system

表1 望遠鏡系統(tǒng)故障樹標記事件Table 1 Description of the labels in telescope system fault tree

故障圖像經(jīng)由重訓練的圖像識別模型分類至3個圖像大類之一，再與各系統(tǒng)通信進一步判斷至底事件。底事件擁有各自的權重，成功判定的故障與工程師反饋的故障都會記入其中并實時進行調整，在因條件所限無法精確判斷時可以作為概率的參考。因為對于單臺望遠鏡的故障往往具有重復性，所以權重與概率的分布也具有較高的參考價值。

故障樹的定性與定量分析能有效找出系統(tǒng)的薄弱環(huán)節(jié)，工程師在維護時可以針對這些部位重點排查，從而降低望遠鏡在運行時的故障率，使用布爾代數(shù)化簡法進行定性分析，過程如下：

T=A1+A2+A3

A1=B1+B2+X1+X2;A2=X3+X4+X5;A3=B3+B4;

B1=X6+X7+X8+X9+X10;B2=X11+X12;B3=X13+X14;B4=C1+C2+X15+X16;

C1=X17+X18;C2=D1+X19+X20+X21;

D1=X22+X23+X24.

(1)

可以得出：

T=X1+X2+X3+X4+X5+X6+X7+X8+X9+X10+X11+X12+X13+X14+X15+X16+

X17+X18+X19+X20+X21+X22+X23+X24.

(2)

即最小割集為

{X1} {X2} {X3} {X4} {X5} {X6} {X7} {X8} {X9} {X10} {X11} {X12} {X13} {X14} {X15} {X16} {X17} {X18} {X19} {X20} {X21} {X22} {X23} {X24}

共24個最小割集，均為一階割集。即故障樹中所包含的每個底事件均直接影響望遠鏡的成像質量，薄弱部位和各底事件的故障概率直接相關。下面根據(jù)所統(tǒng)計的望遠鏡故障記錄計算各底事件的發(fā)生概率。

興隆觀測基地的望遠鏡在發(fā)生故障時，工程師會在解決故障的同時填寫故障報表并存檔，分析統(tǒng)計這些存檔可以獲取望遠鏡故障樹底事件的發(fā)生概率。統(tǒng)計興隆觀測基地2016～2018年8臺望遠鏡故障報表并計算平均每臺每年的底事件發(fā)生概率，結果如表2。

表2 故障樹底事件發(fā)生概率Table 2 Probability of fault tree bottom event

根據(jù)故障樹分析，系統(tǒng)的最小割集均為一階割集，即任意底事件的失效均導致頂事件失效。根據(jù)表2的結果計算平均每年頂事件至少失效一次的概率：

P(T)=1-[1-P(X1)][1-P(X2)][1-P(X3)][1-P(X4)]……[1-P(X24)]≈0.929 575，

其中，發(fā)生概率較大的故障有相機快門閉合失效、觸發(fā)望遠鏡限位保護、CCD通訊系統(tǒng)故障和鏡蓋的通訊系統(tǒng)故障，平均每臺望遠鏡一年有20.83%的概率發(fā)生一次此類故障。望遠鏡維護人員在日常維護檢修時，應重點注意上述薄弱部位的故障，及時發(fā)現(xiàn)問題并更換故障配件，可以提高望遠鏡系統(tǒng)運行的可靠性，減少觀測時因故障造成的損失。

1.3 故障訓練集的建立

卷積神經(jīng)網(wǎng)絡的圖像識別模塊需要故障訓練集進行重訓練。在系統(tǒng)中，要求模塊能夠識別星像拉長、星像滑躍、星像消失與正常圖像。故障訓練集的圖片來源主要有3種：觀測圖像中篩選、望遠鏡實地拍攝與人工繪制。從觀測中獲得的圖像主要為興隆觀測基地80 cm望遠鏡2017～2018年的圖像與85 cm望遠鏡在2019年的圖像，其中篩選了星像滑躍23幅，星像拉長50幅，正常觀測圖像1 037幅。望遠鏡實地拍攝使用興隆觀測基地60 cm望遠鏡，人為拍攝故障的星像圖像，其中拍攝星像拉長626幅，星像消失1 104幅，鑒于保護望遠鏡的目的無法拍攝星像滑躍的圖像。人工繪制是為了補充難以從常規(guī)渠道獲得的故障圖像，共補充星像滑躍44幅，星像拉長73幅。標記上述圖片并將其中90%作為訓練集，10%作為測試集使用。

重訓練參數(shù)中，訓練步數(shù)設置為9 000，學習率設置為0.01，無隨機裁剪、縮放、翻轉，經(jīng)過重訓練成功獲得所需模型。測試準確率為97.63%，其中，特征明顯的圖像均分類正確，拉長較短、滑躍較長的圖像有小概率出現(xiàn)混淆。

2 初步測試結果

根據(jù)上文所述的系統(tǒng)設計，使用Python編寫代碼，成功構建基于圖像的望遠鏡智能故障輔助診斷系統(tǒng)。為了測試系統(tǒng)是否能夠正常工作，嘗試人工模擬故障進行檢測。此外，還將實際觀測中的故障數(shù)據(jù)輸入虛擬望遠鏡中檢測，判斷系統(tǒng)給出的結果是否與故障記錄一致。

2.1 模擬故障虛擬環(huán)境測試結果

使用望遠鏡控制軟件 “興隆基地通用望遠鏡控制前沿機” 生成的虛擬望遠鏡來進行本系統(tǒng)的實驗測試。測試通過人為手動模擬望遠鏡的故障檢驗系統(tǒng)是否能夠正常工作。模擬的故障為 “用戶誤操作”，即用戶因為不慎停止跟蹤而產生望遠鏡的實測圖像拉長的現(xiàn)象。實驗過程中使用實測的星像拉長圖片對系統(tǒng)進行引導，系統(tǒng)診斷結果如圖3。結果顯示，系統(tǒng)成功地根據(jù)實測圖片及虛擬望遠鏡的狀態(tài)信息判斷，導致這幅圖片產生的故障原因，系統(tǒng)在虛擬環(huán)境下使用成功。

圖3 模擬測試結果Fig.3 The result of simulation test

2.2 基于實測數(shù)據(jù)的測試結果

興隆觀測基地的80 cm望遠鏡于2016年1月18日在觀測時發(fā)生故障，通過查詢篩選獲取了1月18日拍攝的故障圖像與望遠鏡當時的運行日志、系統(tǒng)與位置信息，調整虛擬望遠鏡的參數(shù)狀態(tài)還原故障場景。測試結果如圖4。系統(tǒng)成功判斷出圖像異常，且異常為 “星像消失”。根據(jù)故障樹的邏輯，在星像消失的分支下，系統(tǒng)先嘗試與CCD系統(tǒng)通訊，獲取了CCD狀態(tài)正常且CCD通訊系統(tǒng)正常的反饋，之后與鏡蓋系統(tǒng)通訊，確認鏡蓋開啟度小于閾值，通訊系統(tǒng)正常而鏡蓋很可能未打開，所以通過排除法尋找并給出了 “鏡蓋電機故障” 的底事件，與基地故障報表記述一致。這表明在望遠鏡的實際使用中，系統(tǒng)可以發(fā)揮應有的作用，幫助維護人員快速定位故障并參考對應的解決建議。

圖4 真實數(shù)據(jù)測試結果Fig.4 The result of real data test

如果系統(tǒng)因為條件所限無法精確判定至故障樹的底事件，系統(tǒng)會根據(jù)以往的故障記錄和工程師的反饋確定故障現(xiàn)象可能原因的權重。每一臺望遠鏡的故障通常會重復出現(xiàn)，所以故障原因的概率分布也具有一定的意義，故障解決后系統(tǒng)可以根據(jù)反饋對概率進行調整，系統(tǒng)對單個望遠鏡的模糊故障診斷的精確度，為維護人員提供一定的方向指導。

收集并統(tǒng)計判斷了興隆觀測基地望遠鏡2019年產生的48次故障，能夠直接判定底事件的故障31次；根據(jù)權重模糊判斷且參考項概率最高者為故障原因的故障10次；故障原因僅包含在參考項中5次；故障原因未包含在參考項中2次；綜合判定正確率為85.42%，錯誤率為14.58%。

3 結 論

本文介紹并利用Python構建了一種基于觀測圖像識別的望遠鏡智能故障輔助診斷系統(tǒng)，分析了系統(tǒng)的故障樹，根據(jù)分析結果得出興隆觀測基地望遠鏡易發(fā)生鏡蓋電機故障、快門閉合失效、限位保護、CCD通訊故障與鏡蓋通訊故障。在日后的維護中著重關注這些部位可以有效提高望遠鏡的日常穩(wěn)定性。本系統(tǒng)能夠監(jiān)視望遠鏡的運行狀態(tài)，創(chuàng)新之處在于望遠鏡系統(tǒng)故障時可以使用觀測時的故障圖像作為一條新的信息獲取渠道，通過智能圖像識別初步進行故障的分類，并針對發(fā)現(xiàn)的故障給出相應的維修建議，為故障診斷系統(tǒng)的智能化做好了預研與鋪墊。系統(tǒng)經(jīng)進一步完善也可以與其它故障診斷系統(tǒng)聯(lián)合使用，輔助進行故障診斷，提高診斷的準確率，為望遠鏡的穩(wěn)定運行提供保障。