航天器故障诊断技术的研究现状与进展

王嘉轶+闻新

摘要： 航天器故障诊断技术的发展对于航天任务的顺利完成起着至关重要的作用， 本文对航天器故障诊断技术进行了简要的综述。 在对航天器故障类型和故障发生概率收集归纳的基础上， 阐述了故障诊断所面临的挑战以及国内外航天器故障检测与隔离技术的发展现状， 分析了航天器故障诊断方法的研究进展并指出了各自的主要特点， 总结了航天器故障诊断技术现状并对未来的发展方向进行了展望。

关键词： 故障诊断； 故障检测； 发展现状； 航天器

中图分类号： V467文献标识码： A文章编号： 1673-5048（2016）05-0071-06

Abstract： The development of fault diagnosis technology for spacecraft plays an important role in the successful completion of the flying mission. This paper briefly reviews the fault diagnosis technology for spacecrcoft， and it describes the challenges of fault diagnosis and development status of fault detection and isolation technology for spacecraft in China and abroad based on collecting and summarizing the types of spacecraft fault and the probability of fault occurrence. The progress of research and the main characteristics of the fault diagnosis methods are analyzed. The present situation of spacecraft fault diagnosis technology is summarized and the future development direction is prospected.

Key words： fault diagnosis； fault detection； development status； spacecraft

0引言

随着航天领域的不断扩展以及航天技术的不断进步， 航天器系统的复杂度不断提升。 这虽然有利于航天器完成难度更大的太空任务， 但是由于太空环境的复杂性以及航天器地面测试系统的局限性， 航天器的可靠性将会相应降低。 航天器发生微小的故障都有可能引起系统性的故障问题，影响整个航天器的正常工作， 甚至导致太空飞行任务的失败。 所以， 航天器的故障诊断技术对于其飞行任务的成败起到至关重要的作用。 另一方面， 故障诊断技术的发展也可以让航天器更加自主化、 智能化， 脱离繁琐的人工监控模式， 不仅拥有了更高的容错性， 也大大降低了航天器的开发成本和飞行任务的风险。

国外航天领域的科研人员对航天器的故障诊断技术进行了多方面的研究， 国内也同样致力于这方面的发展， 但主要还停留在对航天器的故障分析和状态监测阶段。1航天器故障分析

针对航天器系统发生的故障， 收集并整理了近50年来公开发布的国内外航天器发射与在轨等各阶段的故障及其发生的原因， 对总体的故障方式进行了总结和研究。

按故障类型对航天器发生故障的比率进行统计， 如图1所示[1-6]。 从图中可以看出， 电源分系统、 控制分系统以及推进分系统发生故障的概率最高， 并且这三个分系统一旦发生故障， 对航天器的正常运行可能造成非常严重的伤害。

另外， 按航天器发生故障的严重性将航天器故障分为四个等级， 如表1所示[7]。

在国内外航天器发生的故障中， 灾难性故障和轻微性故障所占比率较少， 分别为22%和20%。 而严重性和一般性的故障发生概率较大[8]， 分别为27%和31%。

所以， 航天器一般以发生在控制系统、 推进系统或者电源系统上的严重性或一般性故障为主。 而只要能够及时开展对航天器的故障诊断技术研究， 其中大多数故障可以提前进行诊断并且避免灾难的发生， 特别是针对控制分系统、 电源分系统和推进分系统方面的探索， 不仅可以保障航天员的安全， 也可以提高航天器在轨运行的可靠性， 减轻地面工作人员的工作负荷以及航天器的发射和制造成本[9]。 所以航天器故障诊断技术的发展对于航天领域的进一步开拓具有非常重要的意义。

航空兵器2016年第5期王嘉轶等： 航天器故障诊断技术的研究现状与进展2国内外故障诊断技术发展现状分析

航天器故障诊断技术是随航天技术的不断进步而逐步发展起来的。 以欧美为主的国家在航天器的故障诊断技术上的发展较早， 领先于国内。 但随着国内航天事业的巨大发展以及中国航天大国地位的崛起， 中国在航天器故障诊断技术上的进步也是不容小觑的。

2.1国外航天器故障诊断技术的发展

美国在航天领域的发展早期就已经非常重视故障诊断技术的研究， 是最先将故障诊断技术运用于航天器飞行任务中的国家。 自20世纪70年代起， 美国在很多航天工程中都采用了以状态监测为主的故障诊断方法。 当时的“双子星座”飞船就是以故障监测系统为基础的载人飞船， 将地面数据监测系统以及宇航员舱内手动操作相结合来完成包括姿态控制系统、 燃料推进系统以及三轴转动速率的数据状态检测。 通过对这些状态参数的监测可以对飞船发生的故障采取相应的措施， 保证飞行任务的顺利完成。 而后的“阿波罗”飞船在“双子星座”飞船故障诊断系统的基础上， 建立了一套自身的安全保障系统。 该系统包括了对故障状态的监测和处理， 并由航天领域专家进行参与分析。 这也使得“阿波罗”系列飞船能圆满完成各项任务。 近年来， NASA在航天器故障诊断方面进行了全方位的探索并且已经形成了完整的故障诊断体系， 后来将其归类为集成健康管理系统的范围中[10]， 各分工如表2所示[11]。

俄罗斯和西欧等多个国家也在故障诊断技术方面进展卓越。 俄罗斯借助前苏联开展的航天器故障诊断仿真工作中得到的经验技术对航天器的故障诊断与状态进行监测和分析， 并通过地面模拟的方法来保证航天器飞行任务的顺利完成。 而西欧， 以德国和法国为主的国家也进行了研究并开发了很多实用的故障诊断系统。 法国的Delange等人研究开发了用于火箭发动机的故障监测系统， 能够高效准确地判断出故障发生的时间并及时采取措施； Dellner等人针对“尤里卡”平台开发的基于知识的故障诊断系统， 可以对该平台的冷闭合系统进行全方位的故障监测与保护措施[12]。

2.2国内航天器故障诊断技术的发展

相对于欧美等航天大国来说， 国内在航天器故障诊断方面的发展起步较晚， 技术不成熟， 但也逐渐意识到故障诊断对于航天器的重要性， 并开展了一系列理论与实践研究。 自20世纪80年代以来， 在国内各航天院所的带领下进行包括航天器设备的故障诊断系统研究， 研制出了针对不同故障类型的故障诊断系统， 但实验效果并不理想。 2014年成立了国内首个航天器在轨故障诊断与维修实验室， 进行在轨故障早期辨识与定位、 在轨故障仿真与维修、 在轨可靠性增长与延寿等技术研究， 标志着中国的航天器故障诊断技术正迈向一个崭新的阶段， 将更加有效地提升国内航天器自主故障诊断的能力。

3航天器故障诊断的方法

通过对国内外航天器故障诊断技术的发展分析， 归纳出了三种近年来主要运用的方法， 分别是基于信号处理的方法、 基于数学模型的方法和基于知识的方法。

3.1基于信号处理的方法

基于信号处理的方法是最早使用的故障诊断技术， 是其他方法进行故障诊断的基础。 该方法不需要以系统的数学模型为基础， 只需对时域、 幅值、 频域等可测信号特性进行分析， 就能识别和检测系统故障。

基于信号处理的方法较多， 一般有小波变换法、 信息融合法等。 以下主要对信息融合法和小波变换法进行分析。

3.1.1信息融合诊断法

故障诊断是通过一些检测量来判断系统是否发生故障， 所以对单个检测量的故障诊断方法选择至关重要。 为了避免某一种诊断方法的误报或漏报， 可以采取多种方法对单个检测量进行诊断， 即对系统各部分的一个局部故障进行诊断， 然后将各种诊断方法获得的结果融合成最终故障诊断方案， 即全局故障诊断。

基于信息融合的诊断技术可以通过局部故障和全局故障诊断相融合的方法来实现对航天器整体系统的故障检测与隔离。 信息融合法可对故障进行多方面的分析， 比以往单一的信息处理方法更具有可信度和准确性， 提高了航天器系统的信息利用率， 为系统的故障诊断提供更有效的帮助。

3.1.2小波变换诊断法

小波变换法首先对系统的输入信号进行小波变换， 然后求出输入输出信号的奇异点。 通过对其奇异点的分析， 判断出对应故障的发生情况[13]。

这种方法的主要优点是不需要系统的数学模型， 只需通过简单的小波变换特性来分析检测故障。 由于小波变换法的高灵敏度和强抗干扰能力， 近年来很多学者都针对其进行了航天器故障诊断的理论与仿真研究工作。 文献[14]将小波分析方法应用于航天器姿态控制系统中采用的红外地球敏感器、 陀螺和姿控发动机的典型故障模式中， 并达到了预期的效果； 文献[15]提出了利用小波变换的时-频局部化特性作为新的信号处理方法， 提出了基于小波分析的航天器结构故障诊断方法。 但由于小波变换的方法大多只用于理论验证和仿真实验中， 所以还需在实践中验证。

早期的基于信号处理方法的航天器故障诊断技术由于实时性和自主性差， 远达不到预期效果。 但通过小波变换、 信息融合等多种新技术的加入， 使得基于信号处理的方法更加得到青睐， 在航天器的故障诊断方面起到非常重要的作用， 也将会逐渐从工程仿真实验向航天器故障诊断实践上发展。

3.2基于数学模型的方法

基于数学模型的故障诊断是现代故障诊断技术发展的基础， 也是发展最成熟、 应用最广泛的一种方法。 其核心是以分析系统数学模型为基础， 通过参数估计、 状态估计等多种方法来产生残差， 然后通过阈值或其他限定准则对该残差进行分析和下一步的故障处理[16]。 该方法进展迅速且易于理解和研究， 所以应用较为广泛， 主要分为参数估计法和状态估计法两类。

3.2.1参数估计诊断法

参数估计法是指当航天器系统故障的参数可由参数变化的数据来表示时， 就可以利用参数的估计值与实际值之间的偏差来判断出系统的具体故障方式和故障情况[17]。 基于参数估计的故障诊断方法见图2， 其中u和y分别为输入和输出参数值， N为模型参考状态。

在众多的参数估计方法中， 强跟踪器滤波法和最小二乘法因其强鲁棒性而被广泛应用。

3.2.2状态估计诊断法

状态估计诊断法是通过对被控系统的重新建模， 利用模型的估计状态与原系统中可反映自身的状态量相对比， 构成残差量。 从残差量中得出反映系统各个状态的运行情况和故障信息， 从中诊断出故障， 并作进一步的故障隔离和故障容错。 该方法需要具备系统的过程数学模型以及局部可观测部分。 该方法是在能够获得系统精确模型的基础上最为有效的一种方法。

一般观测器和滤波器方法都是运用状态估计的诊断原理来进行的。 若系统是确定且可观测的， 则一般采用观测器的方法， 如自适应非线性观测器； 若系统需要加入噪声等干扰因素， 则一般会使用滤波器的方法， 如Kalman滤波器等。

从以上方法可以看出， 虽然基于数学模型的方法能够较为精确、 高效地完成航天器系统的故障诊断， 但是对于系统结构较为复杂的航天器以及无法预测的太空环境而言， 精确数学模型的建立是非常困难的， 即使建立出数学模型也很难保证不受不确定因素的干扰。 所以， 基于数学模型的航天器故障诊断方法需要与其他方法相结合， 才能更有效地推进航天器故障诊断技术的发展。

3.3基于知识的方法

基于知识的故障诊断方法是通过直接或间接的方法来获取故障诊断的发生征兆或判定原则， 较为直观地了解系统的故障发生情况， 及时做出准确的判断来完成系统的故障诊断。 但由于知识的覆盖有限， 航天器系统的不确定因素较多， 加之经验技术的缺乏， 使得该方法具有一定的局限性。 一般基于知识的方法有专家系统法、 神经网络法、 组合智能诊断法等。

3.3.1专家系统诊断法

早期的专家系统是通过在航天器系统工程方面拥有丰富经验的专家总结出的规则来描述系统故障和故障征兆。 这种方式可以充分利用专家的经验知识来进行系统的故障诊断， 从而快速准确诊断出故障。 但面对未知问题时， 容易出现错判或漏判的现象， 因此， 一旦出现与专家系统不匹配的故障问题时， 就会出现诊断失败的情况[18]。

通常是将专家系统与其他智能方法相结合来完善整个故障诊断技术。 文献[19]设计开发了分布式故障诊断专家系统， 通过各个子故障诊断专家系统间的任务分配、 协作以及诊断决策并结合智能控制方法来满足航天器复杂大系统的故障诊断需要； 文献[20]提出了一种分布式实时故障检测诊断专家系统， 将基于知识诊断技术与自动检测技术有效结合起来， 为航天器故障诊断技术的发展提供了新的思路。

3.3.2神经网络诊断法

由于神经网络具有自组织、 自适应的能力， 并且对于复杂的非线性系统不需要完整的数学模型， 因此在航天器故障诊断技术中得到了应用。 神经网络可将系统知识方法通过网络进行训练和学习， 具有更好的实时更新与推理能力。 常用于航天器故障诊断的神经网络模型如图3所示。

该方法也存在不足之处， 其未能充分利用专家系统的经验知识且只能通过已有的样本进行训练学习， 一定程度上影响了诊断技术的可靠性。 另一方面， 神经网络的训练知识基于输入输出值的检测， 对与过程有关的状态量和发生的故障不能够做出足够准确的解释。 这些都对基于神经网络的故障诊断技术的发展提出挑战。

3.3.3组合智能诊断法

人工智能在各个方面都已经有了广泛的应用， 并且已经展示出其足够的优势所在。 但是， 包括神经网络、 模糊数学、 粒子群算法等智能方法都有其局限性， 如何克服困难充分发挥其优势才是航天器故障诊断技术需要探索的。

文献[21]提出了一种基于专家系统、 案例推理以及故障树的混合智能诊断技术来解决航天器的测控管理问题， 并且文献中所提及的故障树双向混合推理机制被用于实现航天器故障定位和预测功能； 文献[22]在TS模糊模型的基础上， 结合H∞最优故障观测器来构建残差信号， 研究姿态控制系统陀螺的故障诊断问题； 文献[23]提出了将几何学与神经网络相结合， 并通过自适应估计滤波器来对残差进行判断， 从而完成对卫星姿态控制系统中反作用飞轮的故障检测、 隔离和估计； 文献[24]采用了一种基于分层神经网络的卫星系统故障诊断模型， 通过自组织特征映射网络和广义回归神经网络相结合来实现整星各分系统故障的精确定位和判断故障发生的原因。

混合智能方法能够让各自算法的结构特点体现出来， 弥补了单个智能方法的不足之处。 通过智能方法的组合应用以及与其他诊断方法的融合， 可以使航天器故障诊断系统通过经验性思维、 逻辑性思维和创造性思维的互相转化与配合， 来完成复杂的诊断技术的发展， 是巧妙组合的有机整体[25-27]， 如图4所示。

4航天器故障诊断技术面临的挑战

从上述的航天器故障类型和统计数据可以看出， 航天器发生故障的方式都有其自身的特点和规律。 只要能有效地开展故障诊断技术， 就可以对其故障进行及时的修复， 并且可以防范一些可能发生的故障问题， 对航天器飞行任务的可靠性和故障诊断技术开展的有效性都有一定帮助， 对航天器系统的容错技术起到一定的促进作用。

目前航天器故障诊断技术面临的主要挑战有[28]：

（1） 空间环境复杂， 拥有很多不确定因素。 航天器在发射升空及空间轨道运行阶段， 都会受到来自空间中大气摄动、 引力摄动、 三体摄动等很多摄动力的影响， 除此之外， 太阳高能粒子辐射、 氧原子腐蚀、 单粒子翻转效应等很多太空环境原因产生的不利因素， 也都会对航天器的自主运行和器件的完好性造成一定的影响。 因此， 如何克服恶劣的太空环境来完成航天器的故障诊断， 并避免因环境因素导致的故障误报和漏报现象是现代航天领域的一个重要方向。

（2） 地面人工干预能力有限。 大多数航天器都不仅仅是在本国上方进行太空飞行任务， 所以在航天器的星下点轨迹处都覆盖有地面测控站是不现实的， 导致航天器的可监测性能下降。 当卫星失去控制或者是不在监测范围内时出现故障， 不能及时进行人工干预会对航天器的轨道运行造成恶劣的影响甚至是整个飞行任务的失败。 运用自主故障诊断技术就可以在减少故障发生频率的同时减少地面站的参与度， 有效地节约地面监测成本， 是提高航天器可靠性的主要方法。

（3） 星上可利用资源有限。 要使得航天器的故障诊断技术有很强的自主控制能力， 就需要航天器具有更加复杂的结构。 但是航天器的星上资源有限， 包括星上计算机的资源储备以及有效载荷都具有一定的限制。 过于复杂的系统虽然可以使得航天器的自主故障诊断技术有所提升， 但是会降低航天器运行过程的可靠性， 影响航天飞行任务的顺利完成。 所以如何利用航天器星上的有限资源开展有效的故障诊断也是航天器故障诊断的重要阶段。

（4） 故障诊断技术与航天器结合能力不成熟。 在现代工业发展中故障诊断已经十分成熟， 可以为工业操作系统提供非常精准的故障检测与容错技术。 航天器的自主故障诊断能力在这些方面还有待提高， 所以如何将成熟的地面故障诊断技术运用到轨道运行过程中来提高航天器的智能化， 是故障诊断技术极具挑战性的一个环节。

5总结与展望

航天器故障诊断技术的发展对于提高系统的可靠性和准确性， 保障飞行任务的顺利进行具有重要作用。 但航天器故障检测系统较为复杂， 不能只采用单一的技术来解决故障诊断的问题。 因此通过多种方法结合的优势弥补单个技术方法的劣势， 例如将智能算法与数学模型相结合就是非常重要的发展方向。

另外， 国内对于航天器故障诊断技术的研究尚处于初步阶段， 与欧美等其他航天大国相比， 国内还仅停留在理论研究的初步阶段， 对于航天器这种在特殊环境中运行的系统， 不仅需要扎实的理论研究， 更需将理论与工程实践相结合， 研究开发出高可靠性、 长寿命并且高精度的航天器， 同时降低维修费用和生产成本， 便于航天工程实践的需要。

参考文献：

[1] Zhang Yanduo， Jiang Xingwei， Huang Wenhu. Fusion of Data Association and Expert Knowledge for Fault Diagnosis[J]. Journal of Harbin Institute of Technology， 2002， 34（1）： 1-3.

[2] Sakthivel R， Selvi S， Mathiyalagan K. FaultTolerant SampledData Control of Flexible Spacecraft with Probabilistic Time Delays[J]. Nonlinear Dynamics， 2014， 79（3）： 1835-1846.

[3] 林来兴. 最近十年航天器制导、 导航与控制（GNC）系统故障分析研究[J].控制工程， 2004（1）： 1-8.

[4] Shen Yi， Zhang Xiaolei， Wang Zhenhua. Spacecraft Fault Diagnosis Based on Empirical Mode Decomposition and Directed Factor Graph[J]. Journal of Harbin Institute of Technology， 2013， 45（1）： 19-24.

[5] Kato H， Ota J. RealTime Spacecraft Actuator Fault Diagnosis with StateSegmented Particle Filtering[J]. Advanced Robotics， 2014， 28（19）： 1265-1276.

[6] 闻新， 张兴旺， 秦钰琦， 等. 国外航天器在轨故障模式统计与分析[J]. 质量与可靠性， 2014（6）： 13-18.

[7] 周前祥， 郭华岭. 载人航天器故障特点及其诊断技术的研究展望[J]. 中国航天， 1999（9）： 30-32.

[8] 谭春林， 胡太彬， 王大鹏， 等.国外航天器在轨故障统计与分析[J]. 航天器工程， 2011， 20（4）： 130-136.

[9] 龙兵， 宋立辉， 荆武兴， 等. 航天器故障诊断技术回顾与展望[J]. 导弹与航天运载技术， 2003（3）： 31-37.

[10] 张森， 于登云， 王九龙. 国外航天器故障诊断研究进展[C]∥第二十届全国测试与故障诊断技术研讨会， 2011.

[11] Zolghadri A. An Algorithm for RealTime FailureDetection in Kalman Filters [J]. IEEE Transactions on Automatic Control， 1996， 41（10）： 1537-1539.

[12] 王婉秋， 杨松. 航天器动力学环境试验故障诊断专家系统[J]. 航天器环境工程， 2008， 25（1）： 36-40.

[13] 张洪钺， 闻新， 周露. 国内控制系统故障诊断技术的现状与展望[J]. 火力与指挥控制， 1997， 22（3）： 1-6.

[14] 郝慧， 王南华. 基于小波分析的航天器姿态控制系统故障诊断方法研究[J]. 航天控制， 2005， 23（5）： 73-78.

[15] 王婉秋， 杨松. 基于小波分析的航天器结构故障诊断方法研究[C]∥中国宇航学会结构强度与环境工程专委会航天空间环境工程信息网学术研讨会， 2006.

[16] 苏林， 尚朝轩， 刘文静. 航天器姿态控制系统故障诊断方法概述[J]. 长春理工大学学报： 自然科学版， 2010， 33（4）： 23-27.

[17] 闻新. 控制系统的故障诊断和容错控制[M]. 北京： 机械工业出版社， 1998.

[18] Chen Wei， Hu Guangrui， Wang Yaping. Knowledge Acquisition in an Expert System for Fault Diagnosis of Certain Spacecraft[J]. Journal of Shanghai Jiaotong University， 2000.

[19] 李清东， 张庆振， 任章，等. 航天器分布式智能故障诊断专家系统设计[J]. 战术导弹控制技术， 2006（4）： 107-110.

[20] 丁彩红， 黄文虎， 姜兴谓. 一种实时监测与故障诊断专家系统方案[J]. 自动化技术与应用， 1999， 18（3）： 19-21.

[21] 解仑， 刘帆， 巩潇，等. 基于混合智能的航天器故障诊断系统[J]. 信息与控制， 2010， 39（1）： 106-113.

[22] 王宇雷， 李传江， 马广富. TS模型和H∞观测器在卫星故障诊断中的应用[J]. 哈尔滨工业大学学报， 2010， 42（9）： 1345-1350.

[23] Baldi P， Blanke M， Castaldi P， et al. Combined Geometric and Neural Network Approach to Generic Fault Diagnosis in Satellite Reaction Wheels[J]. Ifac Papersonline， 2015， 48（21）： 194-199.

[24] 安若铭， 高阳. 基于分层神经网络的航天器故障诊断技术[J]. 航天器环境工程， 2013， 30（2）： 203-208.

[25] Yan Fei， Li Mingjian. A New Approach to Fault Diagnosis for Satellite Control Systems Based on Machine Learning[J]. Advanced Materials Research， 2012， 457-458： 1070-1076.

[26] Song Fei， Qin Shiyin. A Novel Fault Diagnosis Method for Satellite Systems Based on Multivalue Logic Inference with SemiTensor Product of Matrices[C]∥IEEE Conference on Prognostics and System Health Management， 2012： 1-5.

[27] Cui Ziqian， Xu Minqiang， Wang Rixin. Study on Intelligence Fault Diagnosis Approach Based on Digraph Model and Application to Satellite Battery[J]. Advanced Materials Research， 2014， 889-890： 929-932.

[28] 邢琰， 吴宏鑫， 王晓磊， 等. 航天器故障诊断与容错控制技术综述[J]. 宇航学报， 2003， 24（3）： 221-226.