航天器健康管理技术研究综述

The paper discusses the development and challenges of spacecraft health management technology. It highlights the advancements in fault diagnosis techniques, including IVHM (Integral Vehicle Health Management) and PHM (Predictive Health Management), which are critical for ensuring reliable operation and reducing mission costs. The study also addresses the limitations of current technologies, such as managing multiple spacecraft systems, handling uncertain knowledge, and dealing with limited information sources. The paper concludes by emphasizing the need for future research in areas like天地一体化故障诊断技术 (天地一体化故障诊断 technology) and comprehensive diagnostic methods to improve spacecraft maintenance capabilities.

航天器健康管理技术研究

摘要

1 引言

该航天任务因其具有重大的政治意义、较高的风险特性及投入规模大等特点，在实施过程中确保其顺利进行既是任务要求也是国家科技发展的重要支撑。在设计上采用了高度可靠的方案以实现有效载荷的安全运行。然而，作为典型的复杂系统之一，航天器系统的特殊性使得其故障分析难度显著增加。受空间环境复杂性和地面测试条件限制，在运行过程中各类设备仍面临较高的故障可能性，并且部分故障可能引发连锁反应导致整体任务流程中断或系统瘫痪。

航天器健康管理技术是对航天器及其重要载荷实施故障预测、诊断分析、故障定位与排除决策制定、部件性能监测以及趋势预测等自主保障的关键技术手段。该技术对于有效控制航天器及其重要载荷运行风险、降低保障成本及优化维护规模具有重要的现实意义。在故障诊断技术的基础上发展起来的航天器健康管理技术（Complicated System Intergrated Health Management, CSIHM）是一项集测试技术和人工智能算法于一体的综合应用系统，在故障监测与诊断阶段实现了故障检测与隔离功能（Fault Detection and Isolation, FD/ID），并逐步发展到包含重构功能（Reconfiguration, FAIR）的应用阶段。该系统通过扩展管理功能至自主重构与资源重组领域，确保任务目标的安全性和有效性得以实现。

2研究状况

近年来各个航天大国都在积极推进航天器健康管理相关技术的研发工作。

---

2.1 IVHM

IVHM是NASA在其Reusable Launcher Vehicle（RLV）项目中首次提出的一项先进技术方案。该方案整合并应用了包括智能诊断系统在内的一系列先进技术。其核心在于实现从系统级到个体部件的全面智能化状态监测与自主调控。通过该方案的应用，不仅可顺利完成各项飞行任务，还能有效降低潜在风险。

IVHM是一种基于运载器健康管理（Vehicle Health Management, VHM）技术的产品。最初用于NSL-1和NSL-2火箭项目的VHM技术后来被应用于另一个重要领域——X-33航天器。该系统通过整合至两个LRU单元中的故障监测与功能管理模块实现了对飞行器各个子系统的集成封装，并形成了独立的功能计算机体系结构。具体来说，在X-34任务中实现了对硬件组件的重大升级；F/A218任务则引入了Livingstone软硬件工具；而在X-37任务中将其应用于复杂场景下的情况保障工作中获得了显著成效。这些成果展示了从概念设计到实际应用层面的技术完善程度

伴随IVHM的发展, 也出现了众多用于VHM的诊断推理工具. 其中, Ames研究机构研发出 Livingstone 诊断推理系统, 并已广泛应用于DS-1,X-34,X-37等项目; 此外,JPL实验室开发的SHINE推理系统与BEAM诊断辅助系统也得到了成功的应用,特别是在X-33等工程中发挥重要作用; 同时,基于模型的方法还衍生出TEAMS推理平台以及FACT智能分析系统等技术方案

新型传感器技术、精密的推理分析系统以及整体集成方案等的运用标志着IVHM技术的发展与进步。

总体而言, IVHM已取得一定进展, 但尚未完成全部开发工作。目前仍主要在原理、部分功能及概念验证方面进行研究, 并未完成具备完整IVHM功能的系统设计。

2.2 PHM

在20世纪90年代末期,F-35联合攻击机(JSF)项目的启动为预测与健康管理(PHM)技术的诞生铺平了道路.作为JSF项目的关键技术之一,PHM致力于实现飞机运营中的经济负担得起性、可靠性以及生存能力. JSF系统的PHM部分基于当前飞机内部测试(BIT)和状态监控系统的持续优化.这一演变的核心在于从单纯的设备健康监测向全面系统管理的战略转变.这一转变赋予了系统对潜在故障的预警能力，并通过整合各子系统的能力来预防和控制故障的发生.最终目标包括降低维护人员数量、提高飞行架次利用率以及建立自主保障体系.

该系统通过集成多组先进的传感器数据，并结合智能算法与智能模型（如模糊逻辑模型等），实现飞机状态的精确预测、监控与管理功能；其主要功能包括以下几个方面: 首先, 实现飞机运行状态下的故障诊断; 其次, 完成故障定位与诊断; 其三, 实现设备状态的前瞻性预测; 其四, 完成剩余飞行寿命估算; 其五, 实施设备健康评估; 其六, 监测设备运行性能退化趋势; 其七, 通过智能分析及时向乘务人员提供关键信息提示; 其八, 为飞行决策提供支持并优化资源分配; 最后, 实现飞机运行数据的信息综合处理系统（IPS）构建

该技术已成为国外新一代装备研制与实现自主式保障的关键技术，在21世纪已成为提高复杂系统可靠性、维修性和测试性等"五性"水平以及降低系统寿命周期成本方面具有巨大潜力的前沿技术，并被广泛应用于军事与民用领域。

2.3 健康管理关键技术

健康管理技术以故障诊断技术为基础，并具体包括故障特征提取、故障预测以及状态评估等内容。

2.3.1 故障特征提取

故障特征提取是实现故障诊断的基础性工作。通常通过传感器对设备运行状态进行持续监测与数据采集，在时域对信号进行采集与预处理；然后是在频域和相位域利用信号频谱特性提取故障特征。通过数据分析技术识别数据中的异常模式，并对数据变化趋势进行深入分析以识别潜在的运行状态异常。现有的理论和技术主要包括：基于模型的状态分析方法以及基于信号特性的状态观察技术；同时还有小波变换在信号处理中的应用以及时间序列分析法等。

2.3.2 故障预报

故障预报承担着实现故障预防、提升故障诊断实时性的重任。该技术通过对致命或损耗性故障关键参数的趋势变化进行深入分析,从而预判航天器未来可能的状态,进而采取有效的防范措施以避免设备失效或降低失效带来的负面影响。在这一领域的研究中,其核心内容主要包括缓变故障的早期特征提取技术和预测模型的构建两大部分。

2.3.3 故障诊断

基于对国际上故障诊断技术发展历史的深入分析及其演变历程的探讨,可以看出当前的技术主要包含以下三种类型:

l 基于信号处理的诊断。

l 基于模型的诊断。

l 基于人工智能的诊断。

（1） 基于信号处理的故障诊断方法

基于信号处理的技术在故障诊断中具有重要地位，在故障诊断技术发展的初期阶段就得到了广泛应用。通常采用信号模型进行分析研究，在工程实践中主要通过以下几种途径：包括相关函数计算结果作为特征参数，在频域中进行频谱分析得到振幅信息，并结合自回归滑动平均模型提取系统的动态特性数据；此外还有包络分析法用于识别非平稳信号中的调制信息，在最大熵谱估计方法下获得较为准确的频谱分布特性；同时分形理论也被用来评估复杂系统的行为模式，并采用同步信号法对噪声干扰下的有用信息进行有效分离与提取。这些计算手段能够有效提取出时间序列数据中的关键特征参数：如方差值、振幅值以及频率参数等，并在此基础上实现对设备或系统状态运行状况的有效判断

（2） 基于模型的诊断

基于模型的方法也被称为深度知识驱动型诊断法。这类方法需要深入了解设备系统的数学表达方式，并通过特定数学手段实现故障识别。关于这一技术已取得诸多深入研究成果。然而，在获取精确且完整设备数学模型方面仍面临诸多挑战。因此导致无法建立有效的系统化分析框架。从而严重影响了该类诊断技术的实际应用效果与适用范围。目前采用的多信号融合与定性分析等替代方案能够有效规避定量分析中的局限性，并成为当前研究的重点方向之一

（3） 基于人工智能的故障诊断

近年来以来，在人工智能技术的进步推动下，智能系统逐步成为现代工业应用的重要组成部分。基于人工智能的方法在故障诊断领域展现出独特的优势：它无需依赖精确构建的设备数学模型，并且能够实现智能推理与判断功能；因此被视为当前故障诊断技术发展的重要研究方向之一。

人工智能技术在故障诊断领域的应用涵盖了多个创新性解决方案。具体而言,该领域主要包含以下几种核心技术:专家系统的智能化改造,神经网络辅助下的故障检测方案,模糊逻辑驱动的技术方案,系统运行状态分析框架以及智能Agent的应用等。

l 基于专家系统的故障诊断

在故障诊断领域中,专家系统的研发始终是基于知识的核心方向,已取得显著进展。其核心思想是通过推理模型进行问题求解时的逻辑推理,依靠计算机构建一个支持问题求解时的推理机制,利用已建立的知识库和数据库来进行故障分析与判断。具体而言,在基于 expert system 的故障诊断中主要包括以下几个支撑结构:其中包含了多个关键组成部分:这些支撑结构主要分布在两个主要模块中:

专家系统运行模块主要负责基于知识进行故障诊断，而知识管理模块则主要负责建立和维护推理规则，并对录入、存储和校验的数据进行处理，最终实现数据格式间的转换。

该专家系统的故障诊断系统具有以下特点：其特点在于对故障的知识表示直观形象；相比传统系统而言，推理速度显著快于其他方法；相比传统系统而言，知识存储空间更为节省；该系统易于编程实现并能快速生成原型系统模型；其优势在于能够高效地将复杂问题分解为简单模块进行处理。然而，在实际应用中存在以下不足之处：...仅能覆盖已知的有效故障模式；对于超出知识库范围的故障模式，则难以进行准确诊断...

l 基于神经网络的故障诊断

神经网络模拟了生物神经系统并构成了一种具备学习能力和并行计算能力的自适应非线性系统。其特点包括高度复杂的数学模型特征以及强大的容错性能，并支持高效的非线性优化过程和联想与记忆功能。此外它能够进行自我组织同时具备分类与处理的能力以实现多种智能功能。

基于神经网络的技术被应用于故障诊断领域，并能够有效突破数据驱动的知识获取障碍。该技术不仅能够通过机器学习不断积累和更新自身的专业知识体系，在趋势预测与故障定位等关键环节上也展现出显著优势；同时它还能实现系统的智能推断能力。然而该方法存在两个主要缺陷：第一，在无法向用户提供关于推理过程的详细解释的情况下；第二，在未能充分揭示系统内部存在的潜在关联性的情况下；此外它还存在一个致命缺陷：即对于未曾包含在训练数据范围内的异常情况难以有效识别。

l 基于模糊理论的故障诊断

由于

聚焦

Ø 基于模糊关系及合成算法的诊断；

Ø 基于模糊知识处理技术的诊断；

Ø 基于模糊聚类算法的诊断。

基于模糊理论的诊断局限性主要体现在以下几个方面：首先，在确定隶属函数的过程中不可避免地存在人的主观偏见，这导致其客观性难以得到充分保证；其次，在对特征元素的标准和要求上有着较高的严格度，在实际应用中若选用的特征元素不合适，则可能造成诊断失效甚至完全失败。

l 基于故障树的故障诊断

采用基于故障树的方法进行系统诊断是一种能够表征系统故障传播逻辑关系的有向图模型。该方法将最不希望发生的事件设为顶层节点，并根据系统的结构关联和功能关系逐步展开分析直至无法进一步分解为止。其优点在于能够实现高效诊断且便于维护更新；然而该方法在构建时依赖于元器件间的联系及其有效载荷下的故障模式假设因此在面对不可预见的问题时存在一定局限性且最终诊断结果的高度依赖于所建立故障树的质量与完整性。

l 基于智能Angent的故障诊断

Agnet技术是一种基于硬件或软件的分布式计算技术,其特点包括自主性、反应性和主动性等特性以及社会特性。通过利用其分布式计算特性,多个独立的Agnet系统协同工作,从而提升系统的诊断能力并增强其适应性。这一过程促使系统在运行中自主学习和提取知识,进而实现自我优化和持续改进。目前,Agnet技术支持的应用已较为广泛,其中NASA团队开发了用于深空探测一号航天器远程诊断系统的Agnet方案,这标志着Agnet技术首次成功应用于航天器自主控制与故障诊断领域。

3航天器健康管理面临的问题

尽管故障诊断技术发展迅速并且已经形成了一套较为完善的理论和技术体系但面对日益复杂的航天任务需求该技术仍显不足.这种不足主要体现在航天器特别是空间站这一复杂非线性大系统中包含平台结构热控电源电液伺服系统等多个子系统都可能遭遇故障.现有技术在处理此类复杂情况以及有效载荷的健康监测方面仍存在明显局限

l 如何管理多种载荷

航天器上除公共部分如平台和电源外还配备多种功能模块其中在空间站上其搭载的有效载体数量可能多达数百个这些载体均具有显著差异它们的工作模式功能布局各具特色可以说几乎每个载体都是独一无二的如何实现对其 platform power structure thermal control software 等基础系统的健康管理同时也能对其 hundreds of 载体的有效状态进行实时监控这是一项极具挑战性的任务

l 如何实现对不确定知识的处理

故障诊断技术涉及诸多不确定因素,这些因素可能随机出现,具有模糊性或信息不完整性等特性.尽管在处理不确定性方面已有多种理论和技术,但现有方法仍显不足.航天器在轨运行中遇到的故障可能在地面试验中尚未出现,这也使得人工智能训练样本和知识库专家规则的应用面临诸多挑战.知识库中的专家规则存在不完整性,受制于客观条件难以实现自主更新与学习.系统运行过程中如何及时发现新知识、提炼核心知识并动态补充至知识库,从而增强对不确定性因素的处理能力,是航天器健康管理面临的重要难题.

l 信息来源有限

现有航天测控系统的传输参数无法满足所有故障诊断需求。其中, 航天器健康管理所能获取到的故障特征信息数量是有限的, 因此, 在现有条件下进行航天器健康管理必须依赖于这些基础数据。然而, 如何在此限制条件下实现有效的航天器健康管理则面临另一道难题.

3 发展趋势

有效载荷健康管理的核心重点在于故障诊断技术的应用。该技术的主要目标是迅速且精确地识别出出现的问题设备，并预判可能出现的趋势。基于这一核心目标的研究领域正蓬勃发展。就其理论体系构建与解决实际航天器故障诊断问题而言，在现有基础上仍需进一步探索与完善。未来研究工作的重点应着重于以下几点：1. 基于数据驱动的方法改进与应用；2. 系统化建模与分析框架的建立；3. 多维度信息融合与优化算法研究；4. 故障预警系统的关键技术突破；5. 故障定位方案的实际应用研究。

l 天地一体化故障诊断技术

所谓天地一体化故障诊断技术即为通过整合航天器在轨故障诊断与地面维护保障功能科学划分任务职责范围实现两者的协同运作以完成航天器的全面维护与保障目标

航天器在轨维护系统承担实时性故障及灾难性故障的诊断与处理任务，并完成关键故障状态下的在轨支持工作；地面系统则承担非实时性及综合性的故障诊断任务，并对故障演变趋势进行预判以及执行全生命周期状态监测与健康管理。

l 综合性的诊断技术

所谓综合性诊断技术是指将 diagnosed content 和 diagnosed techniques 两个维度相结合的一项系统工程。在 diagnosed content方面,它不再局限于单一系统的故障 diagnosis,而是发展成为集状态监测、故障预警、原因分析、恢复处理以及趋势预测于一体的航天器整体健康管理方案；在 diagnosed techniques方面,也已突破传统的 single-method limit,形成了由状态监测、故障预警、原因分析等基础 diag techniques 组合而成的多层次 diag system.为了适应复杂大型空间站等航天器的需求,通常采用层次化 diag approaches:首先进行定性 diag 分析,解决系统级 diag 问题;随后采用基于模型的因果关系 diag 方法,确定具体故障原因;最后根据不同对象选择专家系统、神经网络等混合 diag models 进行细节 diag工作.

l 知识的表示方法的创新

因航天器具有高度复杂性

l 变结构系统的故障诊断技术

变构系统特指如空间站这类复杂工程，在不同运行阶段及任务模式下均展现出显著的构型特征。值得注意的是，在空间站在轨组装阶段尤其呈现高度动态性。经统计分析可知，在轨组装期间自由号国际空间站出现了多达20种构型转换情况。连接关系随之出现显著复杂化程度提高对故障诊断工作产生重大影响。为实现有效管理必须突破两大核心技术：首先是建立完善的知识体系构建其次是推动智能化重构技术研究。

4结论

全球领先国家已在航天器与有效载荷健康管理方面取得了显著进展。我们应学习借鉴国际先进的故障诊断经验，并从中吸取成功的可复制性以及失败教训的经验教训，在结合国内实际情况的基础上将其应用于我们的航天任务型号之中，在保障任务顺利实施的同时也将进一步推动这项探索不仅有助于提高技术水平更可为我国航天事业的发展提供有力支撑。