王亞坤，楊凱飛，張婕，郭莉芳，韓笑冬，邢川，王睿

中國空間技術(shù)研究院 通信與導(dǎo)航衛(wèi)星總體部，北京 100094

1 引言

21世紀以來，全球范圍衛(wèi)星及應(yīng)用產(chǎn)業(yè)發(fā)展迅速，呈現(xiàn)快速增長的態(tài)勢。統(tǒng)計數(shù)據(jù)顯示，2020年全球發(fā)射衛(wèi)星總量高達1 212顆[1]。截止到2020年12月31日，在軌衛(wèi)星數(shù)量達到3 372顆，其中美國1 897顆，中國緊隨其后，擁有在軌衛(wèi)星412顆，再次是俄羅斯176顆[2]。

現(xiàn)代社會對衛(wèi)星的需求和依賴日益增長，因此，衛(wèi)星系統(tǒng)的安全性和可靠性就變得極其重要。衛(wèi)星發(fā)射后能否順利完成任務(wù)主要取決于兩個因素：一是衛(wèi)星是否運行在預(yù)期的軌道上；二是衛(wèi)星是否正常工作。而這兩方面又取決于各分系統(tǒng)的在軌運行情況。在軌衛(wèi)星一旦發(fā)生故障，其損失是不可低估的[3]。例如2016年1月27日發(fā)射的波音Intelsat-29E通信衛(wèi)星，在發(fā)射3個月后由于推進劑泄露直接導(dǎo)致衛(wèi)星發(fā)生爆炸而解體。又如，2017年11月28日俄羅斯發(fā)射的Meteor-M氣象衛(wèi)星由于坐標(biāo)輸入錯誤，導(dǎo)致衛(wèi)星沒有進入預(yù)定軌道墜落大西洋。由于主觀或客觀原因所導(dǎo)致的衛(wèi)星故障或失敗會造成巨大的經(jīng)濟損失,因此，對航天器各分系統(tǒng)的在軌故障分析與研究已經(jīng)成為航天器總體設(shè)計人員最關(guān)注的重點之一[4]。

通過統(tǒng)計分析航天器的在軌故障，可以進一步了解故障的發(fā)生原因和規(guī)律，從而采取一定的措施，以減少或避免衛(wèi)星出現(xiàn)重大損失[5-7]。當(dāng)前航天器的故障診斷通常是基于預(yù)先設(shè)定閾值的方法，然而，現(xiàn)代航天器正變得越來越復(fù)雜，傳感器的數(shù)量越來越多[8-10]，傳統(tǒng)基于閾值的方法需要對各種可能出現(xiàn)的異常設(shè)定閾值，這就需要大量的專家經(jīng)驗，且對每一種可能出現(xiàn)的故障都要通過編程實現(xiàn)。此外，基于閾值的方法無法檢測未知故障模式，對不可預(yù)見的故障沒有檢測能力[12]。這就需要更加智能的方法對衛(wèi)星故障進行檢測。因此，本文最后對航天領(lǐng)域基于人工智能方法的故障診斷系統(tǒng)、故障診斷方法進行了綜述，同時介紹了針對時間序列數(shù)據(jù)的故障診斷方法。

2 衛(wèi)星典型故障案例

本章對2003～2021年公開的衛(wèi)星典型故障案例進行研究，所有故障的信息如表1所示。

表1 故障衛(wèi)星信息匯總Table 1 Information summary of satellite failures

續(xù)表1Table 1 Continued

續(xù)表1Table 1 Continued

續(xù)表1Table 1 Continued

下面對部分典型故障案例進行介紹。

1)Spaceway-1。2019年12月，波音公司的Spaceway-1衛(wèi)星發(fā)生了一次重大故障，導(dǎo)致其電池產(chǎn)生不可逆轉(zhuǎn)的熱損壞。Spaceway-1進入地影期后，不得不使用電池進行供電。地影期于2020年2月25日開始時，出現(xiàn)故障的電池可能會在供電時爆炸，從而摧毀衛(wèi)星并使附近的其他衛(wèi)星處于危險之中。由于衛(wèi)星的軌道位置較高，使衛(wèi)星向地球方向飛行以使其最終在大氣中燃燒的方案并不可行，因為衛(wèi)星會經(jīng)過其他衛(wèi)星所在的軌道并有可能產(chǎn)生碰撞。2020年1月19日，Spaceway-1被轉(zhuǎn)移到墓地軌道，該軌道比其當(dāng)前路徑高約300 km。

2)GOES-17。2019年8月1日，美國國家海洋和大氣管理局的GOES-17氣象衛(wèi)星高級基線成像儀出現(xiàn)故障，原因是儀器冷卻系統(tǒng)中發(fā)生堵塞。GOES-17衛(wèi)星上的高級基線成像儀的散熱器和環(huán)路熱管系統(tǒng)出現(xiàn)故障，導(dǎo)致其無法對儀器進行冷卻。環(huán)路熱管系統(tǒng)原本可以承受390W的熱負荷，但衛(wèi)星發(fā)射之初僅剩60 W，后來降至10～20 W。由于儀器的數(shù)據(jù)有限，無法確定回路熱管性能下降的根本原因。從可用數(shù)據(jù)來看，GOES-17儀器冷卻系統(tǒng)失效的最可能的技術(shù)原因是工作流體中所含的微粒阻塞了環(huán)路熱管組件。

3)Meteor-M No.2-1。2017年11月，Meteor-M氣象衛(wèi)星發(fā)射失敗，原因是坐標(biāo)輸入錯誤。Meteor-M本來計劃從哈薩克斯坦的拜科努爾發(fā)射，但最后選擇的是俄羅斯東方港基地。后者是俄羅斯首個民用火箭發(fā)射場，2017年4月才第一次啟用，且第一次發(fā)射任務(wù)也失敗了。負責(zé)運載的聯(lián)盟火箭卻依然輸入的是拜科努爾的發(fā)射坐標(biāo)命令，導(dǎo)致衛(wèi)星沒有進入預(yù)定軌道，墜落大西洋。這次發(fā)射失敗的不僅是Meteor-M一顆衛(wèi)星，還有18顆其他衛(wèi)星，分別用于科學(xué)研究、商業(yè)活動等，來自挪威、瑞典、美國、日本、加拿大和德國。

4)Galileo Navigation Satellites。2014年7月3日，歐洲空間局的Galileo衛(wèi)星導(dǎo)航系統(tǒng)部分星上原子鐘失效。原因是星上的銣鐘有一個部件存在缺陷，會造成短路。Galileo系統(tǒng)迄今已有18顆衛(wèi)星在軌，但部分衛(wèi)星原子鐘出現(xiàn)了故障。每顆Galileo衛(wèi)星上設(shè)有4臺超高精度的原子鐘，其中2臺為銣鐘，另2臺為氫脈澤鐘。每顆衛(wèi)星只需有1臺時鐘工作即可，另3臺作為備份。目前該系統(tǒng)已有3臺銣鐘和6臺氫脈澤鐘不能工作，有1顆衛(wèi)星已有2臺時鐘失效。

5)Intelsat-29E。2016年4月18日，國際通信衛(wèi)星公司Intelsat-29E通信衛(wèi)星發(fā)生在軌故障并解體。故障原因是衛(wèi)星推進器貯箱外壁出現(xiàn)破損，衛(wèi)星推進劑發(fā)生了泄漏，推進劑隨即噴出。這樣的反作用力直接導(dǎo)致衛(wèi)星加速旋轉(zhuǎn)，而衛(wèi)星中的很多構(gòu)件也由于離心力的作用被甩入太空當(dāng)中。更為嚴重的是，這些泄漏的推進劑在遇到電火花時發(fā)生爆炸，直接導(dǎo)致衛(wèi)星解體。至于Intelsat 29E衛(wèi)星外壁破損的原因，美國專家給出的解釋是，該衛(wèi)星位于微隕石較為繁多的區(qū)域，極有可能是由微隕石撞擊了該衛(wèi)星，導(dǎo)致衛(wèi)星推進劑貯箱被擊穿。

6)Hitomi。2016年3月26日，日本的Hitomi(也稱為Astro-H)衛(wèi)星的姿軌控分系統(tǒng)出現(xiàn)問題導(dǎo)致衛(wèi)星失去控制，并導(dǎo)致太陽能電池板發(fā)生脫落。Hitomi衛(wèi)星的姿態(tài)控制系統(tǒng)利用反作用輪通過快速旋轉(zhuǎn)來控制衛(wèi)星的指向，以抵消旋轉(zhuǎn)。反作用輪系統(tǒng)內(nèi)部積聚了動量，衛(wèi)星上的磁力矩器無法卸載這些動量，該動量已接近反作用輪的設(shè)計極限。Hitomi衛(wèi)星的計算機識別出危險情況，并在數(shù)小時后將衛(wèi)星置于安全模式。

7)DMSP-F13。2015年2月3日，美國空軍氣象衛(wèi)星DMSP-F13在太空中解體，原因是電池充電器內(nèi)部的線束損壞，且在軌的其他6顆DMSP衛(wèi)星也可能發(fā)生相同的故障。專家稱，電池線束退化導(dǎo)致的電氣短路，其中的一個線束由于長時間的壓縮而失去功能。線束受損，裸露的電線可能會導(dǎo)致電池電量不足，從而導(dǎo)致過度充電，并最終導(dǎo)致電池破裂。衛(wèi)星解體產(chǎn)生了超過50 000片大于1 mm的碎片，其中許多碎片將在軌道上保留數(shù)十年。

3 故障統(tǒng)計與分析

3.1 故障衛(wèi)星平臺統(tǒng)計

衛(wèi)星平臺故障數(shù)統(tǒng)計如圖1所示。其中美國休斯公司(Hughes)的HS-601系列存在推進系統(tǒng)故障，其發(fā)射的Galaxy 10R，JCSat 1b，Optus B1，Satmex 5衛(wèi)星均出現(xiàn)推進系統(tǒng)故障。洛克希德·馬丁空間系統(tǒng)公司(Lockheed Martin)的TIROS-N平臺存在電池故障，其發(fā)射的NOAA 16，DMSP系列衛(wèi)星均存在電池設(shè)計缺陷。

圖1 故障衛(wèi)星平臺統(tǒng)計Fig.1 Statistics of satellite platforms

3.2 分系統(tǒng)故障統(tǒng)計

表2展示了衛(wèi)星分系統(tǒng)故障數(shù)的統(tǒng)計結(jié)果。可以看到供配電分系統(tǒng)出現(xiàn)的故障在所有分系統(tǒng)中最高，達到了44%。其次是推進分系統(tǒng)和控制分系統(tǒng)，分別達到了26%和16%。在推進分系統(tǒng)中，LEROS系列、S400推進器多次發(fā)生故障。

表2 分系統(tǒng)故障統(tǒng)計Table 2 Statistics of sub-system failure

3.3 衛(wèi)星故障時已在軌時長統(tǒng)計

圖2展示了衛(wèi)星故障時間的統(tǒng)計?？梢钥吹?，在衛(wèi)星剛發(fā)射后就出現(xiàn)故障的案例最多，達到了26個。同時，衛(wèi)星在軌前5年的故障率也明顯高于5年之后的故障率。例如，第3年和第5年發(fā)生故障的衛(wèi)星數(shù)量分別是7和8，而在5年后出現(xiàn)衛(wèi)星故障最多的一年(第8年)也只有6顆衛(wèi)星。由此可知，發(fā)射初期的衛(wèi)星故障率最高，應(yīng)對發(fā)射初期的衛(wèi)星進行重點檢查和監(jiān)視。

圖2 衛(wèi)星故障時已在軌時長Fig.2 Duration in orbit when a failure occurs

3.4 分系統(tǒng)與衛(wèi)星故障發(fā)生時間的相關(guān)性分析

表3～表6對不同分系統(tǒng)故障發(fā)生時間進行了統(tǒng)計分析。從表中可以得出以下結(jié)論：

表3 衛(wèi)星在軌1年內(nèi)的分系統(tǒng)故障統(tǒng)計Table 3 Sub-system failure statistics of satellite within 1 year in orbit

表4 衛(wèi)星發(fā)射1～5年分系統(tǒng)故障統(tǒng)計Table 4 Sub-system failure statistics of satellite within 1 to 5 years in orbit

表5 衛(wèi)星發(fā)射5～10年分系統(tǒng)故障統(tǒng)計Table 5 Sub-system failure statistics of satellite within 5 to 10 years in orbit

表6 衛(wèi)星在軌超過10年分系統(tǒng)故障統(tǒng)計Table 6 Sub-system failure statistics of satellite for more than 10 years in orbit

1)衛(wèi)星在發(fā)射初期，供配電和推進分系統(tǒng)故障最多，均達到了36%。

2)供配電分系統(tǒng)的故障貫穿于衛(wèi)星壽命的整個階段。

3)推進分系統(tǒng)故障貫穿于衛(wèi)星壽命的整個階段，特別的，推進分系統(tǒng)故障在衛(wèi)星發(fā)射的初期和壽命末期尤為嚴重。在衛(wèi)星發(fā)射的初期，一些衛(wèi)星由于推進分系統(tǒng)故障，導(dǎo)致在星箭分離后無法到達預(yù)定軌道。例如2016年美國發(fā)射的MUOS 5衛(wèi)星和2010年美國發(fā)射的AEHF-1衛(wèi)星，均因推進系統(tǒng)故障未到達預(yù)定軌道。

4)熱控、載荷和綜合電子分系統(tǒng)故障總體較少，且衛(wèi)星在工作5年以上出現(xiàn)這4個分系統(tǒng)故障的概率小于前5年。

3.5 人為因素、空間環(huán)境因素和衛(wèi)星設(shè)備故障統(tǒng)計

表7按照故障發(fā)生的原因進行了分類，其中由于設(shè)備引發(fā)的故障占了絕大多數(shù)，有86%；人為操作失誤，比如誤發(fā)指令等占到了3%；由于空間環(huán)境因素等影響引發(fā)的故障占到了11%，其中空間因素包括隕石或空間碎片撞擊、太陽活動(太陽耀斑、太陽粒子等)，如表8所示?？臻g環(huán)境因素中，太陽活動占到67%，隕石或空間碎片撞擊占到33%。

表7 人為因素、空間環(huán)境因素和衛(wèi)星設(shè)備故障統(tǒng)計Table 7 Statistics of failures caused by space environment, human and equipment

表8 不同空間因素在衛(wèi)星故障中的占比Table 8 Proportion of different space environmental factors for satellite failures

3.6 機械、電子、軟件和其他故障類型統(tǒng)計

衛(wèi)星故障類型可分為機械、電子、軟件和未知類別。電路短路、電池陣損耗等均視為電子類故障，將推進劑貯箱泄漏、翼板驅(qū)動機構(gòu)堵轉(zhuǎn)等視為機械類故障，將星載計算機軟件設(shè)計缺陷、錯誤的遙控指令等視為軟件類故障，其它一些不易分類的故障視為“其他”。表9對衛(wèi)星故障類型進行了統(tǒng)計?？梢钥吹?，機械類的故障最多，占到40%，其次是電子類的故障，占到32%。

表9 機械、電子、軟件和其他故障類型統(tǒng)計Table 9 Statistics of mechanical, electronic, software and other failure types

3.7 小結(jié)

通過上述統(tǒng)計分析，得出如下結(jié)論：

1)衛(wèi)星平臺的設(shè)計缺陷，會導(dǎo)致相關(guān)衛(wèi)星出現(xiàn)相同的故障；

2)供配電分系統(tǒng)出現(xiàn)的故障在所有分系統(tǒng)中最高；

3)衛(wèi)星在發(fā)射初期的故障率最高，也就是說衛(wèi)星的故障隱患在發(fā)射初期就會暴露；

4)衛(wèi)星在發(fā)射初期，供配電和推進分系統(tǒng)故障最多，且供配電和推進分系統(tǒng)的故障會貫穿衛(wèi)星壽命的整個階段；

5)衛(wèi)星設(shè)備本身的故障、機械類的故障出現(xiàn)幾率最高。

衛(wèi)星在設(shè)計階段可參考上述統(tǒng)計結(jié)論，對易發(fā)生故障的分系統(tǒng)和故障類型進行重點排查，在衛(wèi)星發(fā)射初期進行重點跟蹤監(jiān)視，盡早排查故障隱患。當(dāng)前的衛(wèi)星系統(tǒng)已經(jīng)建立了故障診斷、隔離與恢復(fù)系統(tǒng)(fault detection, isolation and recovery, FDIR)，該系統(tǒng)針對關(guān)鍵參數(shù)，利用設(shè)置上下限閾值的方法來檢測故障。該方法的不足在于，一方面僅檢測部分參數(shù)的部分故障，另一方面只能檢測已知的故障類型，對未知的故障類型沒有檢測能力。而人工智能的方法為解決這些不足提供了可能，下一節(jié)將對航天器的故障診斷方法，特別是基于人工智能的故障診斷方法進行詳細介紹。

4 航天器故障診斷

故障診斷方法可以分為知識驅(qū)動的方法和數(shù)據(jù)驅(qū)動的方法[37]。常見的知識驅(qū)動的方法如專家系統(tǒng)，該方法利用豐富的領(lǐng)域知識，形成一系列準(zhǔn)確的規(guī)則，如定義參數(shù)的正常上限和下限閾值來檢測故障。該方法計算效率高，易于理解，因此是當(dāng)前航天器常用的故障診斷方法。不同于知識驅(qū)動的方法，數(shù)據(jù)驅(qū)動的故障診斷方法利用各種機器學(xué)習(xí)模型從數(shù)據(jù)中學(xué)習(xí)知識，如利用概率模型學(xué)習(xí)以往數(shù)據(jù)所服從的分布，然后利用學(xué)習(xí)到的模型分析新生成的數(shù)據(jù)。相比于知識驅(qū)動的方法，數(shù)據(jù)驅(qū)動的方法不需要專家知識，且可以同時檢測已知和未知的故障，因此，具有更廣闊的應(yīng)用前景[43]。但數(shù)據(jù)驅(qū)動的方法也存在計算復(fù)雜、可解釋性差等問題，因此需要進一步的研究。下面對航天器常用的知識驅(qū)動的故障診斷方法和基于人工智能的故障診斷方法進行介紹。

4.1 傳統(tǒng)的航天器故障診斷方法

故障診斷、隔離與恢復(fù)技術(shù)(FDIR)是在各國航天器中廣泛應(yīng)用的健康狀態(tài)管理方法，其目的是將飛行器的健康狀態(tài)通過衛(wèi)星自主管理，實現(xiàn)故障檢測、隔離和恢復(fù)的自動化與智能化，從而提高飛行器的安全性、可靠性、經(jīng)濟性、可測試性和可維修性，提高地面支持任務(wù)的準(zhǔn)備和完成效率，降低飛行器的后勤保障和維護成本。常用的方法是專家系統(tǒng)。專家系統(tǒng)是基于規(guī)則的，這些規(guī)則是從專家的經(jīng)驗中總結(jié)出來，用來描述故障和征兆的關(guān)系。該方法的優(yōu)點是知識表示簡單、直觀、形象、方便，使用直接的知識表示和相對簡單的啟發(fā)式知識，診斷推理速度快；要求數(shù)據(jù)的存儲空間相對較??；易于編程和易于開發(fā)出快速原型系統(tǒng)。缺點是知識庫覆蓋的故障模式有限，對未出現(xiàn)過的和經(jīng)驗不足的故障診斷就顯得無能為力；當(dāng)知識庫中沒有相應(yīng)的與征兆匹配的規(guī)則時，易造成誤診或診斷失敗[12]。

人工智能的方法從數(shù)據(jù)中獲取知識，無需預(yù)設(shè)故障類型，可以檢測任意遙測參數(shù)，可有效解決專家系統(tǒng)在航天器故障診斷方面的不足。下面對基于人工智能的航天器故障診斷進行綜述。

4.2 基于人工智能的航天器故障診斷系統(tǒng)

感應(yīng)監(jiān)視系統(tǒng)(inductive monitoring system, IMS)是由NASA-Ames研究中心開發(fā)的基于聚類的故障診斷系統(tǒng)，該系統(tǒng)通過對正常遙測數(shù)據(jù)進行聚類生成數(shù)據(jù)模型。對于每個時間片，將d個遙測參數(shù)值組合在一起來創(chuàng)建d維向量，然后通過聚類算法將不同的向量聚類到不同的空間。當(dāng)新的遙測數(shù)據(jù)到達時，計算其與最近的類之間的距離。該距離提供了相對于正常區(qū)域的“異常值”點的度量。自從IMS系統(tǒng)建立以來，其異常檢測軟件已經(jīng)改進了多次，例如異常監(jiān)視感應(yīng)軟件系統(tǒng)(AMISS)，該版本軟件是由約翰遜航天中心(隸屬于NASA)和Ames共同合作開發(fā)的，用于國際空間站的運行[13]。

此外，NASA還實現(xiàn)了其他異常檢測系統(tǒng)[14-15]，包括基于距離算法的Orca系統(tǒng)[16]、Ames研究中心開發(fā)的基于支持向量機的Mariana系統(tǒng)[17]、噴氣推進實驗室提出的動態(tài)不變異常檢測系統(tǒng)[18]。

歐洲航天局(ESA)開發(fā)了新穎性檢測系統(tǒng)[19]。在該系統(tǒng)中，遙測數(shù)據(jù)首先被分解為連續(xù)的時間間隔。對于每個時間間隔，將計算一個4維特征向量，并將其與預(yù)先標(biāo)記的一組正常數(shù)據(jù)點進行比較。通過基于密度的局部離群值概率(local outlier probability，LoOP)算法[20]與正常數(shù)據(jù)簇進行比較，得到每個數(shù)據(jù)點在不同時間間隔的新穎度概率。作為這項技術(shù)的應(yīng)用，位于GSOC-DLR的哥倫布控制中心團隊實現(xiàn)了一個名為Sibyl[21]的框架，該框架使用DBSCAN[22]算法對每個時間片的4維特征向量進行處理。在得到正常數(shù)據(jù)類之后，將其輸入到新穎性檢測系統(tǒng)并對新生成的數(shù)據(jù)進行新穎度檢測。

ATHMoS[23]與上述系統(tǒng)類似，它對每個時間片的遙測數(shù)據(jù)算一個特征向量(維度大于4)，并使用基于密度的譜聚類算法[24]過濾沒有異常值的訓(xùn)練數(shù)據(jù)，并建立3類分類數(shù)據(jù)庫：歷史標(biāo)注數(shù)據(jù)、近期標(biāo)注數(shù)據(jù)和異常數(shù)據(jù)，利用三類數(shù)據(jù)和新數(shù)據(jù)進行對比來檢測異常。對比算法為德國太空作戰(zhàn)中心(GSOC)提出的基于本征維度的異常概率算法(outlier probability via intrinsic dimension)[25]。對于每個時間片的數(shù)據(jù)向量，OPVID通過本征維的統(tǒng)計量，得到一個概率值以表征其異常程度。此外，它允許同時分析多個遙測參數(shù)，類似于IMS和AMISS系統(tǒng)，而不會顯著降低準(zhǔn)確性。

目前，中國尚未有已在軌運行的基于人工智能的航天器故障診斷系統(tǒng)研究報告。相比于美國、歐洲的航天器故障診斷技術(shù)應(yīng)用，中國的航天器故障診斷技術(shù)研究還有一定的差距。原因在于：一方面真實的航天器故障數(shù)據(jù)不容易獲取，導(dǎo)致理論研究與型號需求不匹配；另一方面，實際應(yīng)用的技術(shù)相對比較保守，人工智能方法在可靠性方面還需要進一步的驗證。

4.3 基于人工智能的航天器故障診斷方法

基于知識的方法最早用于航天器故障診斷，如專家系統(tǒng)。專家系統(tǒng)通常利用專家知識，對重要的衛(wèi)星參數(shù)設(shè)置上下限閾值，當(dāng)某個參數(shù)的遙測值超限時，則會觸發(fā)報警[26-28]?？紤]到航天器遙測數(shù)據(jù)具有高維特征，降維方法[29-30]被用于航天器故障診斷，如文獻[31]利用概率主成分分析混合模型(mixtures of probabilistic PCA)[32]同時對正常的衛(wèi)星遙測數(shù)據(jù)進行降維和聚類，然后利用重建誤差進行故障診斷?；诰垲惙椒╗33]的故障診斷的原理是，將正常遙測數(shù)據(jù)中的每一種系統(tǒng)狀態(tài)模式聚為一個類，若新的遙測數(shù)據(jù)不屬于任何一個系統(tǒng)狀態(tài)或類時(通常與一個閾值進行比較)，則可以認為該數(shù)據(jù)是故障數(shù)據(jù)。文獻[34]提出動態(tài)故障樹的方法，采用馬爾可夫鏈和二元決策圖相結(jié)合的分析方法，建立了衛(wèi)星的電源、姿軌控和推進3個分系統(tǒng)的動態(tài)故障樹模型。文獻[35]利用基于距離的方法，如最近鄰方法[36]，進行航天器故障診斷。此外，還有支持向量機方法(OC-SVM)[37-38]。

近些年，基于深度學(xué)習(xí)的航天器的故障診斷研究越來越多[39-40]?；谏疃葘W(xué)習(xí)的方法可分為兩類，基于預(yù)測的方法和基于重建的方法。基于預(yù)測的方法通常是時間序列模型，如長短期記憶網(wǎng)絡(luò)(long short-term memory networks, LSTM)[41]。此類模型假設(shè)如果新數(shù)據(jù)點距離預(yù)測值很遠，則認為該數(shù)據(jù)為異常數(shù)據(jù)。文獻[42]提出基于LSTM和動態(tài)閾值的故障診斷方法，該方法首先利用LSTM進行時間序列遙測參數(shù)預(yù)測，然后利用一種非參數(shù)無監(jiān)督的動態(tài)閾值方法進行遙測參數(shù)的故障診斷，并將上述方法應(yīng)用到NASA火星科學(xué)實驗室的火星探測器好奇號和NASA的SMAP衛(wèi)星。文獻[43]提出LSTM模型和混合概率主成分分析模型結(jié)合的方法，并將該方法應(yīng)用于韓國KOMPSAT-2衛(wèi)星?；谥亟ǖ姆椒ㄓ凶跃幋a器(autoencoder)[44]。該方法假設(shè)只有正常數(shù)據(jù)可以從壓縮后的低維空間中還原，因此，在模型訓(xùn)練中用正常數(shù)據(jù)來訓(xùn)練編碼器(encoder)和解碼器(decoder)。編碼器是一個降維過程，用于把數(shù)據(jù)壓縮到低維空間，解碼器則進行相反操作將壓縮后的數(shù)據(jù)還原。當(dāng)新數(shù)據(jù)壓縮后再還原時誤差較大，則認為該數(shù)據(jù)為異常數(shù)據(jù)[45]。相比于傳統(tǒng)機器學(xué)習(xí)方法，深度學(xué)習(xí)方法對復(fù)雜的非線性數(shù)據(jù)有更好的學(xué)習(xí)能力，能更好地發(fā)現(xiàn)數(shù)據(jù)中的規(guī)律。然而，深度學(xué)習(xí)也存在一些缺點，如深度學(xué)習(xí)的可解釋性較差，當(dāng)模型出現(xiàn)問題時很難給出合理的解釋。另外，深度學(xué)習(xí)方法訓(xùn)練耗時，部署也需要更多的軟硬件支持。

4.4 時間序列數(shù)據(jù)故障診斷方法

在眾多工業(yè)應(yīng)用中，時間序列數(shù)據(jù)是最常見的數(shù)據(jù)類型之一，如典型的航天器遙測數(shù)據(jù)。時間序列數(shù)據(jù)異?？煞譃辄c時間序列數(shù)據(jù)異常和時間子序列數(shù)據(jù)異常[46]。

點時間序列數(shù)據(jù)的常用故障診斷方法有基于統(tǒng)計的方法[47-48]，該方法通過對時間序列數(shù)據(jù)進行統(tǒng)計分析，如中值絕對偏差，再通過設(shè)定閾值來進行故障診斷[49]。基于估計的方法旨在識別正常數(shù)據(jù)擬合的模型或分布不可能生成的數(shù)據(jù)點，即異常點[50]，如移動平均值方法[51]、高斯混合模型[52]?；陬A(yù)測的方法通過對未來數(shù)據(jù)的預(yù)測值與真實值進行對比來發(fā)現(xiàn)故障。如文獻[53]通?；诰矸e神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法，文獻[54]提出多尺度長短期記憶網(wǎng)絡(luò)的深度學(xué)習(xí)方法，文獻[55]提出變分長短期記憶網(wǎng)絡(luò)的深度學(xué)習(xí)方法。此外，文獻[56]提出周期分解的統(tǒng)計學(xué)習(xí)方法，文獻[57]提出基于線性回歸的故障診斷方法，文獻[58]提出基于神經(jīng)網(wǎng)絡(luò)的方法。

時間子序列異常旨在檢測一組同時表現(xiàn)出異常的數(shù)據(jù)點。為此，子序列故障診斷方法需要考慮一些更關(guān)鍵的因素。此類問題中最典型的是檢測固定長度的異常序列[59-60]，這需要事先指定時間序列的長度(或叫步長)，通過指定長度的滑動窗口來獲取序列數(shù)據(jù)。相應(yīng)地，一些研究提出變長時間子序列故障診斷，這些方法可以檢測不同長度的異常子序列[61-62]。相比于點數(shù)據(jù)，序列數(shù)據(jù)間的比較，如計算相似度，時間復(fù)雜度較高。因此，一些研究提出使用表示方法(representation)而不是原始數(shù)據(jù)進行序列數(shù)據(jù)間的比較。離散化方法是最常用的表示方法，如等頻合并法[63]、等寬合并法等[64]。時間子序列異常的另一個問題是異常的周期性特征，異常的子序列重復(fù)地出現(xiàn)在數(shù)據(jù)中[65]。

5 啟發(fā)與建議

發(fā)展我國基于人工智能健康管理的自主航天器是未來的必然趨勢，但將人工智能方法應(yīng)用于在軌航天器仍有很多需要解決的問題，如當(dāng)前航天器存在的計算能力、存儲資源不足的問題，人工智能方法存在的不確定性及不可解釋性問題。本文給出如下幾點建議。

1)設(shè)計針對衛(wèi)星遙測數(shù)據(jù)特點的人工智能故障診斷算法。衛(wèi)星生成的數(shù)據(jù)及應(yīng)用場景具有鮮明的領(lǐng)域特征。首先，衛(wèi)星的遙測數(shù)據(jù)具有周期性、時間序列、存在野值和缺失值、異構(gòu)等特點。其次，衛(wèi)星在不同生命周期生成的遙測數(shù)據(jù)有所區(qū)別，特別的，由于衛(wèi)星在壽命末期各分系統(tǒng)性能下降或損壞，導(dǎo)致生成的遙測會明顯區(qū)別于衛(wèi)星早期生成的遙測數(shù)據(jù)。再次，衛(wèi)星遙測數(shù)據(jù)中的正常數(shù)據(jù)和故障數(shù)據(jù)非常不平衡，導(dǎo)致數(shù)據(jù)中的故障數(shù)據(jù)極其稀疏。此外，衛(wèi)星的狀態(tài)存在不確定性，由于空間環(huán)境變化或人工干預(yù)如發(fā)送指令，會導(dǎo)致衛(wèi)星狀態(tài)發(fā)生變化，這種非預(yù)期的變化會導(dǎo)致人工智能模型的虛警率。因此，需要設(shè)計針對衛(wèi)星遙測數(shù)據(jù)特點的智能故障診斷方法。

2)利用更多的衛(wèi)星系統(tǒng)數(shù)據(jù)進行人工智能模型的訓(xùn)練和故障診斷。受限于衛(wèi)星遙測參數(shù)的數(shù)量及采集頻率，衛(wèi)星遙測數(shù)據(jù)不能全面、實時地反應(yīng)衛(wèi)星的狀態(tài)。此外，衛(wèi)星各分系統(tǒng)、各部組件存在耦合關(guān)系。因此，需要采集更能反映衛(wèi)星健康狀態(tài)的遙測參數(shù)，并利用衛(wèi)星的實時數(shù)據(jù)進行人工智能的模型訓(xùn)練和故障診斷，充分利用海量的傳感器觀測信息，準(zhǔn)確地發(fā)現(xiàn)系統(tǒng)的異常，避免漏報和誤報，提高診斷結(jié)果的準(zhǔn)確性和實時性。

3)提升衛(wèi)星的計算能力。運行人工智能算法需要強大的計算能力，當(dāng)前人工智能的快速發(fā)展得益于地面處理能力的提升，而目前我國衛(wèi)星的處理能力較弱，不足以支撐人工智能應(yīng)用，無論和國外的衛(wèi)星系統(tǒng)還是地面計算機系統(tǒng)相比，都有很大的提升空間。因此，亟需提升我國衛(wèi)星的星上處理能力，一方面采用高性能的宇航級芯片，提升星上的計算能力，另一方面升級星上的信息系統(tǒng)架構(gòu)，提升星上的數(shù)據(jù)傳輸能力，為人工智能算法在衛(wèi)星上的應(yīng)用夯實基礎(chǔ)。

6 結(jié)論

首先對2003～2021年的衛(wèi)星在軌故障案例進行了研究總結(jié)，然后對在軌衛(wèi)星故障案例從不同維度進行統(tǒng)計分析，最后對基于人工智能的航天故障診斷系統(tǒng)、故障診斷方法以及時間序列數(shù)據(jù)故障診斷方法進行了介紹。綜合上述研究內(nèi)容，發(fā)展我國基于人工智能方法健康管理的自主航天器是未來的必然趨勢。將人工智能方法應(yīng)用于在軌航天器仍有很多需要解決的問題，如當(dāng)前航天器存在的計算能力、存儲資源不足的問題，人工智能方法存在的不確定性及不可解釋性問題。此外，當(dāng)前人工智能方法僅可以解決故障診斷問題，在檢測的基礎(chǔ)上如何進行故障恢復(fù)和故障隔離，也是未來需要解決的關(guān)鍵問題。