卫星智能化健康管理#卫星工程系列

伴随我国航天业飞速发展，积累了大量的卫星试验数据，如何从海量、多源、多模态的卫星试验数据中挖掘分析出内部规律和潜在价值，构建卫星装备系统的全生命周期试验数据知识体系显得尤为迫切。卫星故障传统的诊断方法局限在门限层面，且大多面向单遥测，难以预见缓变类故障、关联性故障。目前，人工智能高速发展，给卫星智能化诊断与管理带来了巨大优势。传统复杂的故障诊断依托专家知识经验，对值班人员的综合要求过高，结合人工智能如何让知识进行赋能决策。如何结合智能化手段促进诊断高效化。

基于机理及传统算法的诊断-先验机理、门限规则、故障树、传统算法【专家知识规则、状态有效性判断】。

知识图谱构建-基于故障预案和长管要求，通过自然语言处理构建知识图谱、基于翻译模型将文字性的自然语义判据转化为机器可识别的表达式判据，形成知识聚合排放，为后续异常检测提供知识支撑。

知识图谱建设、故障预案文档、图谱构建、链路检索。

知识图谱构建流程：

词库构建：常用词+航天领域相关实体词。

自然语言处理：nlp分词、语义解析、多义词消歧，实体抽取、属性抽取、关系抽取。

机器翻译：基于transformer模型将文档性的自然语形式构建三元组，以三元组构建“分系统-器部件-故障-故障原因-遥测量”五级知识图谱。

知识图谱故障诊断-数据溯源-原因分析-关联遥测影响域分析-处置预案推送。

智能诊断模型训练-总体提供设计等文档，机理类知识非常有限，从纯数据角度出发，针对时序、非时序模型进行自定义拟合训练，探索验证遥测量间的强相关性，解决卫星机理知识匮乏情况下的知识补充。

时序模型自定义训练（关注时间维度）：长短时记忆网络lstm、循环神经网络rnn、卷积神经网络cnn、多头注意力机制mha_net。

非时序模型自定义训练（打散，关注数据本身特征）：随机森林rf、全连接神经网络、梯度增强树xgboost。

卫星内置模型：定姿模型、控制算法模型、姿态机动/调整模型。

智能模型故障诊断-模型评价指标-解释回归模型方差、平均绝对值误差（MAE）、平均绝对百分比误差（MAPE）、均方误差（MSE）、均方根误差（RMSE）、判定系数（R2）-定姿模型输入输出。

智能模型故障诊断-模型训练参数及指标展示、预测值和真实值拟合曲线、基于模型的异常检测。

多参关联故障诊断-特征提取，聚类识别故障特征、模型挖掘分析、多参数聚合关联、基于异常检测算法测试验证、多参关联时序标注、异常标注。

智能化故障预测-蓄电池组寿命预测、多参数关联预测、神经网络预测。

诊断知识赋能-基于长管信息综合管理系统中的数据（主要是异常相关数据，包括故障处置，异常情况记录，故障预案，异常上报记录、常驻故障等），通过倒排索引，并在每个字段上添加中文分词器。一种是提供类百度的知识查询形式，根据用户输入进行关键词切分，计算关键词分属目标域及问题域，提取相关知识构建结果文本。