國際空間站健康管理系統對我國空間站建設的啟示

李瑞雪，張澤旭

1 引言

隨著航天技術的發展，航天器的設計變得復雜，航天器的故障種類也迅速增加[1]。航天器本身應具有一定的監測、判斷和診斷能力，即健康管理能力，以減少航天員和地面工作人員的工作量，降低他們開展故障診斷、處置工作的難度和復雜度。

目前，我國航天器健康管理技術較落后，航天器狀態監測可實現自動閾值判斷，但監測數據缺乏分析處理，導致出現故障多為突發性故障，處理較為被動；有基于規則的故障診斷工具，但是只能覆蓋一小部分故障，且誤報率較高，還要靠人工來分析。這些都極大地增加了操控人員的工作量和工作難度，需要操控人員具有豐富的知識和經驗，且存在漏判、誤判的隱患，影響了航天器的安全性和可靠性，長期占用大量測控資源，大大增加了任務成本。

像空間站這樣的載人航天器，結構復雜，狀態特征參數類型多，可靠性要求高，在軌運行時間長，對航天器健康管理能力提出了更為迫切的需求[1]。隨著天宮二號實驗室于2019年7月19日受控離軌，我國空間站工程全面展開，正式邁進空間站時代。急需學習國外先進的理論和技術，提高我國航天器健康管理的水平，為未來空間站運行做好準備。

自1998年國際空間站(International Space Station，ISS)首個組件——曙光號功能貨艙發射成功，國際空間站已經成功在軌運行二十多年，開發了許多針對航天器健康管理的工具，為航天器健康管理積累了豐富的經驗，對未來我國空間站的建設具有極高的借鑒意義。因此，本文對應用于國際空間站的健康管理工具進行介紹，并簡述從中獲得的啟示。

2 發展歷程和內涵

航天器集成式系統健康管理(Integrated System Health Management，ISHM)技術是在美國國防部和NASA的大力推動下不斷發展、成熟起來的，起源要追溯到20世紀50年代和60年代可靠性理論、環境試驗和系統試驗以及質量方法的誕生[2]。60年代只進行簡單的狀態監測；70年代出現了基于算法的診斷故障源和故障原因技術[2]；隨著人工智能研究的重大突破，80年代專家系統開始用于故障診斷[3]；隨后NASA于90年代初期適時提出了飛行器健康管理(Vehicle Health Management，VHM)的概念[2]；20世紀末到 21世紀初，NASA引入了航天器集成式系統健康管理的概念[2]，從系統級考慮航天器的健康管理。

航天器集成式系統健康管理是指航天器能夠對自身狀態進行監控和感應，對出現的故障能夠自主進行檢測、隔離和恢復。這是一個綜合的框架，涉及到的功能主要包括：①異常檢測/狀態監測；②診斷；③預測；④操作員的綜合意識[4]。典型的航天器集成式系統健康管理功能流程[5-6]如圖1所示。

圖1 集成式系統健康管理功能[5-6]Fig.1 Functions of integrated system health management[5-6]

首先航天器系統必須提供相關數據以便進行實時監測，判斷系統行為是否異常(異常檢測/狀態監測)。如果異常，需要采取有效措施去確定故障部件的位置(故障隔離)和與該故障最有關聯的變量(故障識別)。確定故障位置和根源后，選擇緩解故障的措施(故障響應)。此外，預測方法可以在故障發生前對其進行預測，并提示操作人員在部件失效前對其進行替換或維修，預防故障發生，并優化系統性能。

下面針對該框架涉及到的主要功能-狀態監測和診斷，介紹ISS上應用的狀態監測和故障診斷工具。沒有對預測工具的介紹是因為目前為止ISS還沒有專門的故障預測工具。

3 狀態監測工具

NASA航天器狀態監測/異常檢測主要是通過歸納式監測系統(Inductive Monitoring System，IMS)實現的[7-9]。2007年，基于IMS的工具開始用于實時監視ISS控制力矩陀螺系統，后不斷擴展，截至2012年基于IMS的狀態監測工具已用于25個ISS子系統的實時監測[10]。此外IMS應用于多個其他航空航天項目：混合燃燒設施、先進的火箭燃料測試設施、RASCAL UH-60黑鷹直升機等。

3.1 基本思想

IMS使用基于距離的聚類算法，其基本思想如下：假設某系統健康狀態由一系列特征參數的值來表述，這些參數值(一般先經過歸一化處理)映射為多維空間中的一個向量(點)，不同時刻向量間距離大小可以表示狀態差異的程度，這是聚類學習算法的基礎。聚類算法使用系統正常狀態的運行數據作為訓練庫，經聚類后獲得簇集的信息，簇集的信息構成系統健康狀態模型。

IMS工作流程如圖2所示。在進行健康狀態監視時，將被監控系統實時數據與系統健康狀態模型進行比較，通過與系統健康狀態行為的差異大小來判斷系統是否處于健康狀態；如果數據向量位于健康區域之內，則判斷系統處于健康狀態；如果數據向量到健康區域的距離為一個較小的非0值，則系統發送一個低等級的警報信息，表示當前狀態暫時偏離正常工作狀態，但系統仍處于健康狀態。如果數據向量連續處于健康區域之外，且到健康區域的距離較大，則認為系統此時處于異常狀態，根據距離值的大小發送中等級或高等級的警報。

與系統健康狀態模型的顯著偏差可以用來提供警報，以提醒注意潛在的系統故障或重大故障的前兆。IMS還提供與每個監測參數對檢測到的偏差的相對貢獻量有關的信息，報告相應的最有可能導致系統異常狀態的遙測參數，這有助于隔離異常的原因。

3.2 優點

IMS采用了數據驅動的思想，與其他監測復雜空間飛行器的方法相比具有如下優點：

圖2 使用IMS進行狀態監測工作流程Fig.2 Workflow of State monitoring using IMS

1)自學習功能。開發人員不需要為系統建立詳細模型，監視系統所需的知識來自于收集的歸檔數據，通過對正常數據進行處理和訓練，自動生成健康監測知識庫[8，11]，且其形成的知識庫也很容易更新。

2)定量判讀功能。通過與健康狀態的差異大小來定量描述系統的健康狀態，區分系統異常狀態的等級，IMS還提供與每個監測參數對檢測到的偏差的相對貢獻量有關的信息，這有助于隔離異常的原因[8]。

3)多維判讀功能。通過對描述某一分系統或單機設備狀態的多個參數進行組合處理，全面反映系統某一分系統或單機設備的狀態，提高判讀準確性[12]。

4)不需要異常(故障)行為的數據。IMS自動分析系統健康狀態數據，可以直接從實際操作期間要監控的系統傳感器收集，也可以從系統模擬中收集，或者兩者兼而有之，不需要故障數據作為訓練數據[7，13]。

5)具有較好的通用性。不同參數的組合均可以映射到多維空間中的向量[8]，適用于不同類型的健康狀態評估任務。

6)不需要過多的計算機資源。IMS可以快速計算來監控系統性能和檢測異常行為，而不需要過多的計算機資源[7]，非常適合在計算資源有限的環境中使用。

IMS具備許多優點，同時也存在虛警率較高的問題。IMS虛警率較高是因為它比較敏感，而且在安全性和可靠性要求很高的航天領域，監測系統敏感要遠比漏報好得多。

4 故障診斷工具

NASA已經開發了一些較為成熟的故障建模分析工具和平臺，大部分已在國際空間站中得到了應用。

所有需要計算機控制的國際空間站系統都依賴于指揮和數據處理系統(Command and Data Handling System，C&DH)。該系統是由多臺計算機、總線、多路復用器(Multiplexor/Dimultiplexors，MDMs)等組成的網絡。用于故障診斷的軟件(主要 有 TEAMS-RT[14-16]、 Livingstone[17-19]和HyDE[20-21])運行在相應的機載計算機上。提醒和警告系統(Caution and Warning System，C&W)是由一組運行在MDMs上的軟件和電子設備構成，負責檢測、分類和報告包括C&DH在內的所有ISS子系統中的錯誤并作出相應提示[22]。輸入通過MDMs從機載計算機進入C&W邏輯電路，以激活C&W警報。

4.1 TEAMS-RT

TEAMS-RT(TEAMS-Testability Engineering and Maintenance System)是美國Qualtech公司開發的實時診斷和在線健康監測的工具[14]，已用于ISS指揮和數據處理系統、X-33飛行器的健康管理項目、深空棲息地(Deep Space Habitat，DSH)項目等[23]。

TEAMS-RT是基于圖模型的故障診斷和健康監測工具。在此工具集內，故障源、部件冗余和系統模式的信息以不同顏色的圖模型(亦稱作多信號模型)來標注。

圖3展示了利用TEAMS-RT進行實時監控和故障診斷流程。TEAMS-RT通過觀察不同監測點(測試點)實時監視系統的健康狀態[15]。測試是通過觀察不同測試點確定故障原因的過程。結合來自數據獲取單元、濾波單元和特征提取單元的信息判斷監視點狀態，這一過程稱為“測試”[24]。故障或異常的判斷準則主要有：①閾值判斷，通過周期性的測試設備各個輸出參數是否與超過正常范圍來檢測是否發生異常；②一致性判斷，對設備在同一工作模式和環境下，釆用相同的測試方法，對當前測試結果與正常工作情況下的數值是否一致，來判斷是否發生異常；③趨勢值判斷，對設備相同的輸出參數，當前數值與一段時期內數值進行比較，判斷趨勢是否正常，來判斷是否發生異常；④預期值判斷，通過對觀測值與模型給出的預測值進行比較來檢測是否發生異常。通過測試，確定各個測試點的狀態，然后利用多信號模型包含的故障傳播邏輯確定系統的狀態。

圖3 使用TEAMA-RT進行實時監視和故障診斷Fig.3 Real time monitoring and fault diagnosis using TEAMS-RT

Teams-RT具有以下特點：

1)高效實時處理。0.1 s就可以處理1000多個傳感器結果[14]。

2)響應系統模式變化。不斷更新組件冗余等信息。

4.2 Livingstone

Livingstone是NASA所屬的Ames研究中心開發的基于定性(離散)模型的故障診斷通用軟件[24]，現在用的 Livingstone 2(L2)版本已用于ISS熱控等系統、深空探測器Deep Space-1、地球觀測1號衛星(Earth Observe-1)等[17]。

Livingstone軟件是基于定性模型的故障診斷系統，即通過預報行為和觀測行為的比較和分析，確定其中的故障[24-25]，圖4顯示了Livingstone的工作流程。L2模型以基于組件的方式被創建，首先定義組件，然后進行連接來創建整個系統模型[18，21]。L2模型是離散的，系統變量可取有限數目的值，L2組件連接模型描述組件的正常模式和故障模式[18]。

圖4 Livingstone系統工作流程Fig.4 Workflow of Livingstone System

系統的觀測行為通過系統的傳感器實測給出。系統定性模型則用來預測在正常情況下系統應有的觀測結果，即預測行為。L2通用推理機(General Diagnostic Engine，GDE)是固定的，不會因為被診斷對象的不同而改變。它包括模型辨識(Mode Identification，MI)和模型重構(Mode Reconfiguration，MR)兩部分。MI負責模式確定，通過預測行為和觀測行為的比較和分析，確定其中的不一致性，預測和實際觀測值之間的差異就表征了一個故障，根據模型確定引起故障的元件。

如航天器運行正常，則系統僅保持實時觀測而不作干預。如果出現故障，航天器的結構狀態不能滿足當前的預期目標時，L2啟用MR來確定一系列控制過程，使航天器達到一個新的狀態結構以滿足預期目標。如果無法完全恢復，那么MR就將航天器恢復到一個安全狀態，等待地面運行團隊的援助。

L2系統具有以下特點：

1)能夠同時診斷多個故障；

2)能夠從診斷出的故障中恢復；

3)只能支持定性(離散)模型，不能診斷漸變、緩慢故障。

4.3 HyDE

NASA于2005年推出了混合診斷推理機(Hybrid Diagnostic Engine，HyDE)，應用于 ISS 電力系統、火星自動鉆探原型機DAME(Drilling Automation for Mars Environment)項目、先進的診斷和預測試驗臺ADAPT(The Advanced Diagnostic and Prognostic Test-bed)等[20]。

同Livingstone系統一樣，HyDE也是基于模型的診斷系統，不過它可以使用定性(離散)和定量(連續)混合的模型[21]，利用系統模型預測與系統傳感器觀測輸出之間的差異來診斷。HyDE所用診斷模型可采用分層和模塊化形式來創建[26]：首先，建立每個部件的模型，部件間的相互作用以連接權的形式被建模，部件組合在一起就構成了分系統以及系統模型。每個部件模型捕捉相關聯部件的故障轉變和傳播行為。轉變模型描述該組件的所有操作模式和這些模式間的轉變條件，故障作為特殊的轉變被建模，其中轉變條件必須能夠由推理機推斷而出。

由于在混合模型中引入了定量信息，診斷結果更為準確和全面[22]。在診斷推理的各個步驟中，有數種可供選擇的算法。HyDE是可擴展的，支持添加新的建模范式以及診斷推理算法[20]。

HyDE系統具有以下特點：

1)可建立定性+定量的混合模型；

2)計算量大，給出的推理結果可能比較多；

3)可擴展，支持添加新的建模范式和推理方法。

5 集成式故障管理工具

2010年NASA開發了下一代載人航天器故障管理系統——高級提醒和警告系統(Advanced Caution and Warning System，ACAWS)[23，27-28]。 雖然現在還沒有在ISS等載人航天器上使用，已使用HDU(Deep Space Habitat)對ACAWS系統進行了3次評估：2011年9月，作為沙漠研究和技術研究(Desert Research and Technology Studies，DRATS)的一部分；2012年6月，作為自主任務運行(Autonomous Mission Operations，AMO)測試的一部分；以及2012年9月，作為任務運行測試(Mission Operations Test，MOT)[23]。 該系統結合了航天器系統的動態和交互式圖形表示、自動診斷分析、系統和任務影響評估等，以幫助航天器操作人員(包括飛行控制員和機組人員)更有效地理解和應對異常情況。

圖5顯示了ACAWS系統的構架。其中ACAWS的4個主要組成部分是：①異常檢測(A-nomaly Detection)；②故障檢測和診斷(Fault Detection+Fault Diagnosis)；③系統影響分析(SysEffects)；④圖形用戶界面(Graphics User Interface，GUI)[23]。

異常檢測模塊采用了歸納式監測工具IMS，監測系統狀態并在系統行為異常時通知操作員；故障檢測和診斷模塊使用了TEAMS-RT工具，用于確定故障類型及發生故障的組件；系統影響分析模塊確定在特定組件故障的情況下，哪些組件將受到影響，從對應于需要確定影響的故障的節點開始遍歷，確定下游組件是否受故障影響；圖形用戶界面以適當的靈活格式向操作員顯示系統視圖和診斷信息，并接受操作員的輸入。這些模塊通過面向中間對象的Internet通信引擎(Internet Communications Engine，ICE)相互通信，并與 HDU模塊通信[23]。當確定一個明確的故障時，ACAWS建議一個程序來恢復功能(如果可能)或解決損失。ACAWS推薦程序發布在ICE上，并由程序顯示工具WebPD接收(WebPD由NASA約翰遜航天中心(JSC)開發，操作人員使用它來完成程序說明)[23]。遙測值、診斷和推薦程序均顯示在圖形用戶界面(Graphics User Interface，GUI)上。

圖5 ACAWS的系統構架[23]Fig.5 System architecture of ACAWS[23]

將故障診斷等功能集成到ACAWS很簡單，包括將故障診斷等軟件連接到通信層(ICE)，并將另一個顯示窗格添加到 ACAWS GUI[23]。ACAWSGUI使用了多線程模型，它連接到通信中間件(ICE)以從ACAWS實時獲取數據：HDU傳感器讀數、IMS狀態監測、TEAMS診斷結果、推薦程序、維修程序[28]。以AMO測試任務為例，GUI顯示由AMO各組件(監視器組件、異常檢測組件等)生成的各種動態數據。這些組件與被監測系統生成的文件和數據進行交互，并進行地面數據更新(時間表或配置文件更改)[29]。AMO監視器組件查看新的被監視系統結果文件的共享文件空間。當檢測到新的文件時，AMO監視器調用異常檢測、故障檢測和JSON編寫器組件來處理新文件。生成的數據文件被動態寫入以填充GUI結果和數據選項卡[29]。當收到新數據文件時，AMO體系結構做如下處理：

1)新文件將傳遞到共享文件系統；

2)AMO監視器組件檢測到此文件，檢查確定它是新文件；

3)AMO監視器調用異常檢測組件中的IMS，異常檢測執行系統與通信中間件(ICE)的連接，以檢索實時遙測數據，為給定的操作階段選擇適當的知識庫(KB)，將數據編組到適當的向量中，發送到IMS，將IMS分析結果發布回ICE[28]；

4)一旦IMS完成，AMO監視器調用故障診斷組件中的HyDE，文件接收和診斷結果發布也是通過ICE；

5)一旦HyDE完成，AMO監視器調用JSON編寫器；

6)一旦JSON編寫器完成，動態創建的內容已準備好由Web服務器和用戶界面顯示[29]。

只要航天器上生成的適當JSON文件被移動到正確的位置，地面將看到機組人員看到的內容[29]。

6 啟示

通過對ISS健康管理工具的分析可以發現，美國已經對航天器健康管理技術進行了比較深入的研究和廣泛地應用。雖然集成式健康管理工具還沒有在載人航天任務中廣泛應用，但美國航天器ISHM技術已經發展到可以為實時故障檢測、診斷、引導式故障排除和故障后果評估提供重要的自動化幫助的程度[27]。

我國對ISHM技術的研究雖然也取得了一定成果，但整體技術能力還存在比較大的差距。綜合分析ISS健康管理工具，對我國空間站健康管理技術的啟示如下：

1)進行頂層的、全面的ISHM工作策劃。應該形成系統化、體系化的研究方法和工程可實施架構，彌補系統級診斷與故障預測技術理論。

2)開發通用的系統級狀態監測、故障診斷和故障預測工具。為各系統健康管理工具軟件的開發和重用建立一個標準化平臺。實用程序、數據庫、遙測訪問和其他必要組件將集成到一個標準工具集中，使操作人員能夠構建定制的用戶界面，降低軟件開發和測試的總成本。

3)功能集成。開發一個允許多個產品集成的平臺，并使用它們實時協作，同時提高態勢感知，減少解決故障所需的時間，使操作員能夠專注于完成任務，而不需要管理多個軟件工具。將ISHM信息集成到相關的信息顯示界面中，使操作員能夠快速、有效地處理和理解ISHM系統信息。

4)重視對數據的挖掘。據悉，我國空間站未來一個艙段就有三萬多個參數，整體參數可達十萬。單純的閾值判斷忽略了參數的變化趨勢以及參數間的關聯性，不能滿足航天任務的需要。通過歷史數據的縱向對比，關聯數據的橫向分析，尋找規律和趨勢進而進行異常檢測、故障診斷和故障預測。

5)分階段有序推進。根據實際工程需求和技術成熟度有序推進航天器集成式系統健康管理工作。借鑒NASA的IMS系統，我國已經實現了一種衛星健康狀態監測軟件，經測試，驗證了該軟件能降低數據判讀門檻，提高狀態判讀的全面性和準確性[13]。因此完全可以開發用于我國空間站的新的狀態監測軟件。在故障診斷方面，我國已經進行了大量的理論研究，且已經有基于規則的故障診斷工具，可以開始開發通用的系統級故障診斷工具和允許多個工具集成的平臺。國內外故障預測研究都開始相對較晚，我國在故障預測領域還有待進一步的理論研究，因此目前階段還應著重于故障預測技術的理論研究。