航天器故障診斷技術綜述及發展趨勢

謝敏+樓鑫+羅芊

摘要：對國內外航天器故障診斷技術的發展進行了回顧，總結了航天器故障診斷技術的基本方法，指出基于數據挖掘的航天器故障診斷方法是今后的發展趨勢。

關鍵詞：航天器；故障診斷技術；數據挖掘

引言

故障診斷技術是指不進行設備拆卸的情況下，通過相應的方法和技術手段，在設備運行過程中掌握其運行狀態，確定是否發生故障并分析出發生故障的原因，預報故障未來的發展趨勢。故障診斷技術在各個工業領域都得到了國內外的充分關注，并取得了豐厚的研究成果。

自1957年第一顆人造地球衛星上天以來，全世界發射的航天器已經多達5000多顆。據統計，從1957年至1988年的30年間各國發生災難性事故的衛星約140顆，造成了重大的經濟損失。近十幾年來，隨著我國發射的衛星越來越多，也出現了很多故障，針對航天器的故障診斷技術已經引起航天領域專家學者的重點關注。

1航天器故障診斷技術的研究現狀

航天器作為光機電一體化儀器的設備，由于其規模大、復雜度高、航天器的資源和人工干預能力有限，且太空環境日趨惡劣并存在著大量的不確定性因素等，這些都對航天器的故障診斷技術提出了挑戰難以進行有效維護，經常會出現系統異常運行甚至出現故障的情況。因此，航天器故障診斷技術對提高航天器的可靠性、安全性和有效性具有十分重要的作用，已經成為航天領域主要研究方向。

美國和俄羅斯（前蘇聯）為代表的國家，在航天器故障診斷技術方面做了大量且深入的研究工作。美國國家航空航天局（NASA）從上個世紀七十年代以來便開始研究航天器的在軌故障診斷技術。經過幾十年的發展，NASA利用建立的航天器故障診斷平臺，對大量故障航天器進行了成功的診斷與維修，保證了航天器的可靠穩定運行，延長了航天器的使用壽命，除了保障航天器可靠穩定的運行外，故障診斷技術對于減少地面工作人員的工作量、航天員的培訓時間以及發射與運行成本都具有重要意義。近幾年美國投入大量的資金用于航天器系統故障診斷技術研究。尤其是在航天飛機方面，將飛行風險降低了50%，同時運行預算降低了1/3，而且還可能進一步降低。

自上世紀70年代我國成功發射第一顆衛星以來，我國航天領域的技術人員便開始研究航天器故障診斷技術。但是一直以來，相關的研究所和日常管理部門沒有建立專業的航天器故障診斷平臺，主要依托某衛星測控中心組織實施，在技術上還局限于依靠人工手段對航天器進行在軌管理。航天器發生嚴重的故障后，需要組織航天領域相關專家和航天器研制人員到故障處置的現場一起進行分析，制定相應的維修方案，并對維修方案進行仿真驗證確認后才能根據制定的維修方案對故障航天器進行維修，無法形成一個通用化的航天器故障診斷平臺。直到2014年我國首個航天器在軌故障診斷與維修實驗室才在西安某衛星測控基地宣告成立。

目前，航天器在軌故障診斷與維修問題，已經成為國際航天領域的熱點之一。建立航天器在軌故障診斷與維修通用化平臺已經成為各個國家進行航天器在軌管理發展的實際需要和必然趨勢。

2航天器故障診斷的基本方法

故障診斷技術最早起源于美國。作為一門學科進行系統研究從上世紀60年代的美國宇航局（NASA）開始，1961年美國開始實施阿波羅計劃后出現了一系列的設備故障，促使美國海軍研究室主持美國機械故障預防小組開始把故障診斷作為一種技術進行研究開發。1971年，麻省理工學院的Beard發表的博士論文和Mehra和Peschon發表在Automatica上的論文，創新性的提出了運用軟件冗余代替硬件冗余的新思想，開啟了故障診斷技術研究的開端。

根據系統采用的特征描述和決策方法的差異，形成了不同的故障診斷方法，應用于航天器故障診斷的方法有很多種，其中應用較多的有：基于模型的方法、基于信號處理的方法和基于人工智能的方法。

2.1基于模型的故障診斷方法

基于模型的故障診斷方法是提出最早、研究最為系統的一種方法。基本思想是運用軟件冗余代替硬件冗余。基于模型的故障診斷方法分為基于參數估計的故障診斷方法和基于狀態估計的故障診斷方法。

2.1.1基于參數估計的故障診斷方法

基于參數估計的故障診斷方法的基本思想是不需計算殘差序列，而是根據模型參數及相應物理參數的變化量序列的統計特性來進行故障診斷，更利于故障的分離。因為被診斷對象的故障可以視為其過程參數的變化，而過程參數的變化又往往導致系統參數的變化。1984年Iserman對基于參數估計的故障診斷方法作出了完整的描述。目前研究得較為廣泛的有強跟蹤濾波器方法和最小二乘法。

2.1.2基于狀態估計的故障診斷方法

基于狀態估計的故障診斷方法的基本思想是由于系統被控過程的狀態直接反映出的是系統的狀態，因此只需估計出系統的狀態并結合適當的模型即可對被控對象進行故障診斷。這種方法首先利用系統的解析模型和可測信息，重構系統的被控過程，構造殘差序列，殘差序列中包含豐富的故障信息，再對殘差進行分析處理，從而實現故障的檢測與診斷。主要有三種基本方法：Beard首先提出故障診斷檢測濾波器的方法；Mehra和Peschon提出了基于Kalman濾波的方法；Massoumnia提出的廣義一致空間法。在實際應用中，由于系統越來越復雜，很難建立十分精確的數學模型。目前研究較為廣泛的是將模型參考自適應的思想引入狀態估計中，從而提高系統魯棒性。

2.2基于信號處理的故障診斷方法

基于信號處理的故障診斷方法，通常是利用信號模型，如相關函數、頻譜、自回歸滑動平均、小波變換等，直接分析可測信號，提取諸如方差、幅值、頻率等特征值，從而檢測出故障，不需要精確的解析模型，有很強的適應性。

2.2.1基于輸出信號處理的故障診斷法

基于輸出信號處理的故障診斷法的基本思路是系統的輸出（幅值、相位、頻率等）和故障存在著一定的聯系，可以通過數學的方法（頻譜分析）進行描述。當發生故障時，可以通過系統的輸出分析出故障發生的位置及其嚴重程度。常用的有：將時域信號變換至頻域加以分析的方法稱為頻譜分析的頻譜分析法；研究現象之間是否存在某種依存關系，并對具體有依存關系的現象探討其相關方向以及相關程度的先關分析法等。

2.2.2基于小波變換的故障診斷法

小波變換屬于時頻分析的一種，是一種新型信號處理方法，是一種信號的時間-尺度（時間-頻率）分析方法，具有多分辨率分析的特點，而且在時頻兩域都具有表征信號局部特征的能力，是一種窗口大小固定不變，但其形狀可改變，時間窗和頻率窗都可以改變的時頻局部化分析方法。基本思路是首先對一系統的輸入輸出信號進行小波變換，利用該變換求出輸入輸出信號的奇異點。然后去除由于輸入突變引起的極值點，則其余的極值點對應于系統的故障。

目前國內已經有所研究應用的基于小波變換的故障診斷方法主要有三種：利用觀測信號的奇異性進行故障診斷；利用觀測信號頻率結構的變化進行故障診斷；利用脈沖響應函數的小波變換進行故障診斷。基于小波變換的故障診斷方法對輸入信號的要求低，對噪聲的抑制能力強，靈敏度高，運算量適中，可以進行在線實時檢測，在機械系統的故障診斷中取得了不少研究成果。

2.2.3基于時間序列分析的故障診斷法

基于時間序列分析的故障診斷法的基本思想是選取與故障直接相關的狀態變量，建立時間序列過程模型，以模型參數作為特征矢量來判別故障的類型。過程模型參數與系統（設備）的內在特性和輸入輸出隱含著復雜的聯系，在長期的設備運行實踐中可以用統計的方法得出模型參數與系統典型故障之間的關系，作為故障識別的依據。這種方法可以在缺乏先驗診斷知識的情況下，通過對機組運行過程數據序列的統計認識，逐步積累識別故障的能力，建立有效的診斷體系。

2.3基于人工智能的故障診斷方法

基于人工智能的故障診斷方法是故障診斷領域的發展的重點，是現階段應用最廣泛，研究的最多的方向，不需要精確的模型，適用于不確定性的問題。下面介紹幾種航天器故障診斷方面比較常用的方法。

2.3.1基于定性模型的故障診斷方法

基于定性模型的診斷方法是由人工智能領域學者提出的一類診斷方法。基于定性模型的故障診斷方法的不需要系統精確的數學模型。基本思想是根據系統組成元件與元件之間的連接（或參數間的依賴關系）建立診斷系統的模型；將過程特性的外部表現和人類專家對故障判斷和處理的經驗，通過抽象化方法直接建立各種過程變量與故障模式之間的定性模型，對系統進行推理，預測系統的定性行為，通過觀測的系統實際行為與預期行為的差異，檢測系統是否存在故障，并診斷故障的原因。

在實際應用中，NASA開發的基于定性模型的診斷推理軟件先后在深空一號、對地觀測衛星EO-1、x-37飛船等實際型號中進行了科學驗證或應用。國內在航天領域基于定性模型的診斷技術主要在液體火箭發動機的故障診斷領域取得了一些研究成果。

2.3.2基于專家系統的故障診斷方法

專家系統是人工智能的一個重要分支，能夠在一些特定的領域內模仿人類專家的推理能力，來解決復雜的實際問題。基于專家系統的故障診斷方法的基本思路是將某一領域長期的實踐經驗和大量的故障信息知識，模仿人類專家的推理方式，總結歸納成規則知識庫使計算機能夠識別，然后將需要診斷的實時的數據輸入計算機的數據庫中，專家系統利用已經歸納生成的知識庫對實時數據進行分析和推理，從而推算出可能的故障，如圖1所示。

使用專家系統進行故障診斷的方法在日常的工程應用中已經有了大量的實踐，也較廣泛的應用于航天器故障診斷領域，如：CLIPS、EXSYS、G2等。

2.3.3基于數據挖掘的故障診斷方法

基于數據挖掘的故障診斷方法的核心思想是利用海量的歷史數據進行處理從而獲取系統的行為模型，通過結合先驗知識可及時發現系統出現或者即將出現的故障，如圖2所示。

人工神經網絡（Artificial Neural Networks，ANN）能夠有效地實現輸入到輸出的非線性映射，是數據挖掘最常用的技術之一。當系統為非線性系統，這類系統一般難以有效建立模型，因而用本身就是非線性映射的ANN來模擬難以建模的非線性系統恰好解決了這一難題。

模糊技術：即利用模糊集理論對實際問題進行評判、決策、模式識別和聚類分析。適用于系統狀態及故障狀態具有不確定性，并可采用模糊集描述的情況。其主要方法有四種：基于模糊模型的故障診斷方法，基于自適應模糊閾值的殘差評價方法，基于模糊聚類的殘差評價方法和基于模糊邏輯的殘差評價方法。

在航天器故障診斷應用中，利用數據挖掘技術對歷史測控數據進行規則挖掘，從海量的樣本數據中獲取故障診斷的規則，及時發現故障征兆并采取有效措施就可能避免航天器出現重大的故障。NASA領導下的Ames Research Center（ARC）的Inductive Monitoring System（IMS）主要采用聚類的方式對數據進行自動狀態分類。通過對哥倫比亞航天飛機失事前數據的分析，發現IMS能比航天飛機控制中心更早發現故障，并于09年用于國際空間站控制中心的ISS管理。

3航天器故障診斷技術的發展趨勢

近年來，基于人工智能的航天器故障診斷方法已經成為主要的研究方向，尤其是基于數據挖掘的航天器故障診斷方法不需要建立對象的模型，依靠分析已經積累的海量歷史數據，提取出其中的關聯關系和趨勢特征作為識別故障的依據。

航天器遙測數據包括了航天器運行和控制過程中的各種性能參數數據、狀態分析數據、二次計算結果等多種狀態數據，這些數據反應了航天器的運行狀態。由于航天器系統復雜，參數眾多，大多包括成千上萬的傳感器測量參數，這些參數在設備發生故障之前的一段時間可能就會有一定變化，如溫度、壓力等參數的異常變化，其也會導致測控過程中的一些其他數據發生異常變化。基于數據挖掘的航天器故障診斷的方法，通過以航天器的遙測數據為研究對象，構建航天器遙測數據的訓練庫和測試庫，利用數據挖掘分類方法訓練故障分類器，經測試庫數據驗證分類器的有效性后，生成對應的故障診斷規則，并利用歷史數據對規則進行測試和優化。在故障診斷中，將設備實時的數據與的診斷規則和診斷知識一起代入診斷運算過程，得到故障是否存在、產生的原因和處理的方法。這種方法可從海量的數據中及時發現異常情況，并對異常情況進行預警、診斷并發現一些深層次的故障原因，并將故障重新輸入訓練庫中，提高后續故障診斷的準確度和精度，是今后研究的一個重點。

4結束語

本文對故障診斷技術的現狀進行了綜述。重點介紹了泛應用于航天器的故障檢測的基于模型、基于信號處理、基于人工智能的診斷方法。由于航天器系統的復雜性及其運行環境的特殊性，還有很多故障診斷的問題亟待解決，可以將各種方法進行融合，發揮各自的優點，不斷用新的方法來探究。