人工智能結合自動化測試技術在衛星測試系統中的應用探索

王爽 王頎玥 田畇 張斯明 張靜

摘要：人工智能技術在當今許多領域都有廣泛的應用，如何將人工智能技術與自動化測試技術相結合并應用于衛星測試系統，目前還是測試領域中的藍海。該文從人工智能領域中的應用方法入手，討論在衛星測試領域中應用人工智能技術的實踐方式和應用研究。

關鍵詞：人工智能;自動化測試技術;衛星測試

中圖分類號：TP18? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）08-0165-04

1 引言

人工智能作為最具顛覆性和變革性的技術，正不斷滲透進社會生產生活的各個方面，對國家政治、經濟、文化等方面帶來極為深遠的影響，持續引發全球政界、產業界和學術界的高度關注。人工智能通過將解決智能問題的方法轉化為某種模型或算法，從而讓機器模擬人的智能行為，在不同領域中的方法和實現方式千差萬別。在航天活動中，人工智能有多方面的應用，如各種專家系統、實時故障診斷、智能機器人、智能化管理系統等。將人工智能應用于衛星綜合測試領域，是一種具象化的新嘗試。

本文針對人工智能在衛星測試領域的應用現狀、前景及挑戰進行了分析并對未來應用進行了研究探索。

2 人工智能與衛星測試

2.1 人工智能簡述

人工智能是一門正在發展中的綜合性前沿學科，它是研究人類智能活動的規律，并用于模擬、延伸和擴展人類智能的一門新的技術科學，是在計算機、控制論、信息論、數學、心理學等多種學科相互綜合、相互滲透的基礎上發展起來的一門新興邊緣學科。人工智能的研究方法、學術流派、理論知識非常豐富，應用領域十分廣泛。目前，人工智能在機器學習、模式識別、機器視覺、機器人學、航空航天、自然語言理解、Web 知識發現等領域取得了突破性進展，并可以出色地完成各種復雜的單一任務[1-6]。

2.2 衛星測試簡述

衛星綜合測試是指對電氣性能或功能的測試，定性或定量地對衛星的功能和性能進行評定，證明其功能、性能指標滿足總體設計要求，并具備衛星發射的條件[7]。衛星綜合測試是系統級的電性能測試，是集測量、電子、通信、計算機、工程管理等多學科于一體、科學性與工程性相結合的綜合技術。是在衛星發射前，對衛星性能分析、功能驗證的最終審查，是航天器質量保證的關鍵步驟。衛星綜合測試工作包括測試設計，測試實施，測試總結等方面。其中測試設計需要結合被測對象性能特點進行設計，其中人為參與因素繁多，在測試實施和測試總結方面，基于事件本身的規律性，更適合結合算法操作處理，使該過程智能化。

衛星測試領域已越來越多增加自動化手段及獨立的算法實現測試實施和測試數據管理，但仍需要人工操作和監管，而對于衛星測試領域中的設備、文件信息統籌管理、測試實施中的故障診斷和衛星實測數據的系統性判讀等方面可通過人工智能幫助其更好地實現自動化、智能化。

3 人工智能應用方法

3.1專家系統

專家系統用于收藏領域內一個或數個專家的寶貴知識和經驗，使之不因專家離退休、故去而失傳，具有永久性。經拷貝代替專家到多個崗位上工作，使專家知識和經驗得到更廣泛的推廣和應用。能產生更為一致的可重復結果，提高工作實時性、一致性，避免人為因素造成的影響。可在惡劣或危險環境中代替專家工作，可給初學者傳授知識和技巧。

國內外已發展多種專家系統用于衛星測試的不同領域，當前應用最廣泛，使用效果最明顯的有故障診斷專家系統、智能指揮專家系統、應急救生輔助決策專家系統等。在衛星測試領域，可以將一種知識自動獲取的方式即機器學習[8]，運用于專家系統的建造階段，由于每個衛星測試過程中均有測試人員與計算機進行交互，專家系統可以從以往經驗中抽取知識，對知識庫進行自動更新和擴展。

3.2神經網絡

神經網絡是模擬的生物激勵系統，將一系列輸入通過神經網絡產生輸出。輸出、輸入都是標準化的量，輸出是輸入的非線性函數，其值可由連接各神經網元的權重改變，以獲得期望的輸出值。由于神經網絡具有快速并行處理能力和良好的分類能力，被廣泛用多種測試系統中。

基于神經網絡專家系統的測試設備故障診斷方法，將神經網絡與專家系統相結合可以彌補傳統專家系統構造中知識獲取的“瓶頸”和推理的“組合爆炸”等問題。測試設備工作時，診斷系統通過信號采集模塊對測試設備的工作電壓進行實時采集，當發現監測信號異常時，系統報警，經神經網絡推理機找出故障原因并定位故障、給出維修建議[9]。

3.3圖像識別

圖像識別是指利用計算機對圖像進行處理、分析、理解，以識別各種不同模式的目標和對象的技術。視覺圖像經過采樣和量化后輸入計算機，變成數字圖像，其基本信息儲存在數組中。通過數字圖像處理技術，進行一定處理后就進行圖像識別，這既是圖像識別的核心部分圖像識別分類器。它的作用主要在根據模式識別中的各種技術，如統計模式識別、模糊模式識別、人工神經網絡模式識別等，對輸入的圖像特征參量進行一定的運算后，判斷輸出圖像的分類。利用已知類別的圖像樣本訓練某個算法，得到所涉及的分類方案，使得這個方案對原有已知類別的圖像正確分類 [10-11]。

在測試系統中，圖像識別多用于故障診斷中，與專家系統結合，訓練算法以通過圖像識別的方式正確分類故障，利用專家系統解決故障。

3.3遺傳算法

遺傳算法通過隨機產生新的解并保留其中較好的結果，并避免陷入局部最小，以求得全局最優解或近似最優解。作為一種高效的全局概率搜索方法，在解決決策空間大、目標函數具有多峰和非線性特性等高復雜度的優化問題時，顯示了其獨特的優勢和高效性[12]。

在衛星測試中，對于測試數據生成、分析問題往往需要花費大量的時間，自動求解該問題，將有效減輕測試人員的勞動強度，并提高測試時的效率和質量，從而節省測試成本。測試數據生成、分析的過程實際上是依據一定的規則對被測程序的輸入空間進行抽樣的過程。實際復雜測試的數據類型各異，輸入空間龐大，采用遺傳算法解決測試數據自動生成、分析問題成為目前解決衛星測試數據生成、分析問題研究的前沿之一[13]。

3.4大數據模型

大數據模型主要從大規模數據集或數據庫發現知識或模式。知識發現方法有統計方法、粗集和模糊集、機器學習、智能計算等方法。知識發現的任務分為數據總結、概念描述、分類、聚類及相關性分析等。機器感知涉及圖像、聲音、文字等信息的識別問題。模式識別的主要目標是用計算機模擬人的識別能力，運用知識表達和推理方法，主要從圖形、圖像和語音抽取出模式，表征或刻畫被識別對象類屬特有的信息模型[14]。

將大數據模型與測試相結合可以分為以下幾步完成：第一步，將所有數據分成訓練組和檢驗組;第二步，數組中包括待預測的目標信息以及可能影響該目標的各種信息;第三步，選擇有可能影響目標的信息;第四步，選擇一種機器學習算法“決策樹”;第五步，把目標和可能影響目標的信息作為數組變量輸入算法，訓練得到一個預測模型;第六步，把預測模型用于檢驗數據，檢測該模型的精確度。

4 人工智能在衛星測試系統中的應用領域

4.1測試設備

衛星測試設備包括：低頻設備、高頻設備、網絡連接設備、大型試驗設備、測試電纜等，其中包含供配電分系統、遙測遙控分系統、數管熱控分系統、控制分系統、電推進分系統、載荷分系統、跟蹤分系統、數據管理分系統等，是一個高度集成化的測試系統，其中涉及了多個不同的專業學科。如果能在測試設備中運用人工智能技術，提高設備的智能化，提升測試系統的整體協作性，在解決衛星測試系統問題時，基于計算機理論，運用人工智能技術來合理編寫計算機控制程序，將從基層設備方面達到智能化和自動化控制。

4.2測試工作

衛星測試工作主要包括：測試用例設計、測試實施、測試數據總結三方面。

測試設計需要結合被測對象性能特點進行設計，需要人為參與因素比較多。人工智能可以應用于測試用例設計中。通過計算機龐大的計算能力以及精確性的特質，減少以人為主導所編寫的測試用例的失誤與不精確性。例如運用專家系統，來使AI具備大量的航天領域專家水平的知識與經驗，從而使AI模擬專家來進行測試用例的編寫。避免因為測試人員專業知識不熟練所導致的各種問題。

在測試實施和測試總結方面，由于事件自身有一定的規律性，適合機器操作處理。目前的測試現狀是，測試過程中產生的大量的試驗數據以電子文檔的方式分散保存在各個測試計算機中。可以通過運用機器學習的理論，由測試人員提供大量的輸入和輸出數據來訓練AI，最終由AI學會根據特定需求去自動生成測試用例、執行測試，并對測試結果進行分析。這將大大減少人工測試工作量，大幅提高工作效率。

4.3故障診斷

故障診斷是根據衛星測試系統中的故障特征，對已發生故障的時間、位置和程度進行預測，對設備運行狀態處于正常或異常做出判斷，根據歷史檔案、運行狀態等等級和已出現的故障特征或征兆，判斷故障的性質和程度，以此制定相應的解決方案。

由于衛星測試設備的多樣性，其故障診斷不僅指單臺設備，也包括由設備組成的分系統。一臺設備或組成系統的某個節點（包括軟件、硬件、通信等）在運行中的故障，可能造成大部分設備或整個分系統癱瘓。在衛星測試系統中，測試設備及星上設備通常在關鍵點都留有備份或冗余，但在測試過程中，當故障發生時，需要在第一時間發現和排查，并對衛星的安全保障有非常高的要求。這就對衛星測試過程中的故障診斷提出了較高的要求。如果能夠引入人工智能的技術提高故障報警的及時性，加快故障的排查速度，將對衛星測試的安全性大大提升。

4.4測試環境

衛星在不同研制階段需要進行大量的地面驗證試驗，如桌面聯試、整星電測試、熱試驗、振動噪聲試驗、EMC 試驗、發射場試驗、外協試驗以及臨時增加的補充測試試驗等。試驗關聯因素多，試驗場地多樣化。

對于一些大型試驗，如熱試驗要求衛星連續加電數百小時，對于測試人員是一個考驗;如發射場試驗，由于發射當日的試驗場地有一定危險性，對于測試人員的人身安全有威脅。如果能在這些試驗中使用人工智能的技術實現測試的無人化，全自動化，將大大緩解對人員自身的限制。

5 人工智能結合自動化測試技術應用現狀

5.1衛星自動化測試模式

當前衛星測試普遍利用自動化模式控制測試實施過程如圖1，自動化測試理念將所有的測試細則數字化，測試實施過程全部由計算機來執行，即使計算機無法自動完成，需要人工操作、記錄或判讀的步驟，也必須編排在數字化細則中，執行到該步操作時，由計算機給出操作提示并將人工操作結果記錄到計算機系統中。

目前的自動化測試信息系統可以將測試實施與設計的一致性進行同步，相較于傳統的測試模式全部由人工實施測試的過程已經大有進步，但是僅能實現簡單的數據測試靠電腦自動生成來完成，復雜測試用例的編寫仍舊由人作為主導。自動化信息系統只能實現自動地將人所編寫的測試用例輸出來執行程序并得出執行結果，屬于半智能化信息系統。

5.2衛星自動測試診斷系統

目前衛星測試所使用的系統是通過數據服務器、數據管理中心、衛星監測系統、集成診斷推理系統共同組成的分布式故障診斷系統，可協作運行完成對衛星的測試、監測和診斷。在每個單元程序編碼完成后，根據程序編碼及實現的功能進行了測試用例的設計，即主要采用白盒測試與黑盒測試相結合的測試策略對各個模塊進行了單元測試，記錄了錯誤發現的時間，并及時對發現的錯誤進行了修正。

該系統負責對衛星數據庫進行管理、維護、數據查詢、數據入庫等基本任務，同時嵌入了數據分析模塊，便于專家對歷史數據的深入分析和挖掘。衛星監測系統對衛星全波道數據狀態監測，將監測狀態實時顯示并傳送給故障診斷系統。集成故障推理系統運用專家系統、模糊推理以及基于多信號模型推理技術，可以有效地對遙測數據進行自動化地實時診斷推理。其中，專家系統推理系統集成了衛星用戶單位給出的幾十種故障模式，通過對歷史數據的學習形成測試模型，具有給出故障解釋與故障對策的能力。模糊推理系統解決了衛星外界環境的不確定性導致診斷知識的模糊不確定性。基于多信號模型的實時診斷算法可以解決衛星在軌時可能出現多種元件同時發生故障的情況。

衛星測試平臺接收轉化過的衛星下傳的數據，實時監測衛星遙測狀態，進行有針對性的自動化測試實施，發現異常或故障及時報警并將診斷所需的各部件的正常狀態及異常記錄寫入衛星遙測數據庫，在整個診斷系統起著非常重要的作用。

6 人工智能在衛星測試系統的應用探索

在衛星測試領域中應用人工智能技術，可以在很大程度上解決因技術點廣泛、關聯緊密復雜、創新及拓展性強、信息量巨大等問題帶來的隱患，從技術和管理角度有效控制關鍵薄弱環節。本文通過分析尋找人工智能技術與衛星測試領域結合點，對其在衛星測試領域的未來應用做出了以下應用探索。

核心模塊包括：

1） 用戶管理：收集信息，并對管理崗位人員、技術崗位人員及不同分系統專業參與測試的人員進行分類信息錄入，建立大數據模型并通過專家系統進行智能化的權限劃分、任務分配和人員調配。

2） 測試設備：遺傳算法滲透測試設備管理，在設備大數據庫中跟蹤每臺設備的具體情況，并在測試過程中運用神經網絡技術實現虛擬設備管理，統一設備指令類型，實現智能監控、智能管理、智能統籌。

3） 測試流程管理：針對測試流程復雜多變、試驗方案多樣化等難題，通過對以往測試任務信息的數據收集，結合專家系統和神經網絡，不斷迭代優化，保障計劃節點與技術要素的共同實現。

4） 測試數據管理：測試數據是衛星測試中體量最大的數據來源，基于遺傳算法、神經網絡和專家系統整合大數據可在很大程度上實現衛星測試數據的智能解讀與分析，保障可靠性的同時提高智能化。

5） 故障診斷：通過神經網絡計算與甄別，專家系統處理和評估等多項智能技術，實現對測試數據的自動診斷與推理，能夠準確及時地給出故障診斷說明和解決對策。

圖2是人工智能相關技術應用于衛星測試領域的框架圖，針對五種人工智能技術圖解了其在衛星測試系統的應用方式。

7 挑戰

伴隨人工智能在衛星測試應用上研究的深入，研究人員們也面臨著諸多挑戰。

1） 智能技術的挑戰：

要做到用人工智能完全替代人來進行測試，就需要人工智能具備強人工智能的基礎。而這一點在人工智能領域尚未解決。

2） 應用范圍的局限：

由于現階段人工智能在測試領域的應用較為單一，因此無法將人工智能大范圍應用于衛星測試的各個領域。

3） 測試安全的限制：

與其他測試領域相比，由于衛星測試對安全性的要求非常高，人工智能技術的嘗試難度更高，代價更大。

綜上所述，我們發現純智能測試在測試效率、測試數據分析以及測試安全等方面，相較于人工測試和混合測試在衛星測試領域的優勢還有一定限制。但是，不可否認的是人工智能技術是未來的發展趨勢，其在衛星測試領域方面的應用與發展空間還很大，還有很多的可能性。隨著測試技術的不斷發展，隨著人工智能技術的不斷完善 ，我們相信人工智能將成為衛星綜合測試的主流測試模式。

參考文獻：

[1] 張國英，何元嬌.人工智能知識體系及學科綜述[J].計算機教育，2010（8）：25-28.

[2] 蒲慕明，徐波，譚鐵牛.腦科學與類腦研究概述[J].中國科學院院刊，2016，31（7）：725-736，714.

[3] 曾毅，劉成林，譚鐵牛.類腦智能研究的回顧與展望[J].計算機學報，2016，39（1）：212-222.

[4] 徐波，劉成林，曾毅.類腦智能研究現狀與發展思考[J].中國科學院院刊，2016，31（7）：793-802.

[5] 賁可榮，張彥鐸.人工智能[M].2版.北京：清華大學出版社，2013.

[6] 馮健翔.人工智能及其航天應用概論[M].北京：宇航出版社，1999.

[7] 周志成.通信衛星工程[M].北京：中國宇航出版社，2014.

[8] Hester T，Stone P.TEXPLORE：real-time sample-efficient reinforcement learning for robots[J].Machine Learning，2013，90（3）：385-429.

[9] Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[10] 井金劍，翟春艷，李書臣，等.基于紅外圖像識別的電氣設備故障診斷[J].電子設計工程，2014，22（12）：171-173.

[11] 郭健，王勇.人工智能結合自動化測試在智能電網系統中的未來應用[J].軟件，2018，39（11）：224-229.

[12] 陳騁，馬曉巖，楊瑞娟，等.基于遺傳算法的多功能電子系統任務調度[J].現代防御技術，2013，41（4）：68-73.

[13] 姬秀荔，李愛玲，孫玉強.一種新的軟件測試數據的進化生成方法[J].微計算機信息，2007，23（21）：249-251.

[14] 程顯毅，胡海濤，曲平，等.大數據時代的人工智能范式[J].江蘇大學學報（自然科學版），2017，38（4）：455-460.

【通聯編輯：朱寶貴】