基于領域知識圖譜的衛星故障輔助診斷與處置方法

張鑫鑫，王 沖，徐 曄，周曉寧，沈亦純，周 捷

（1.上海衛星工程研究所，上海 201109；2.上海航天技術研究院，上海 201109）

0 引言

近年來，隨著航天技術的蓬勃發展和國家戰略部署需要，愈來愈多的衛星進入太空執行各式各樣的飛行任務。考慮到近年來大氣環境變化，急需開拓大氣環境監測新手段，我國首顆“大氣環境監測衛星（DQ-1 衛星）”于2022 年4 月成功發射升空。DQ-1 衛星設計使用壽命8 a，運行于太陽同步軌道，配置8 個平臺分系統以及5 個有效載荷，其設計壽命之長、有效載荷之多，對衛星的可靠性提出了更高的要求，對衛星故障的診斷處置也提出了更高的要求。

衛星系統的無故障運行是保障衛星飛行任務成功的前提。基于決策樹［1］、基于小波變換［2］、基于關聯規則模型［3］、基于閾值等傳統衛星故障診斷方法存在一定的局限性。針對依賴閾值檢測的傳統衛星故障診斷方法，其故障檢測靈敏度與定位準確性往往不足，會延誤衛星故障處置時機。隨著人工智能技術的發展，學者們開始研究基于機器學習的故障識別方法，包括基于量子神經網絡［4］、基于BP神經網絡［5］、基于循環神經網絡［6］等方法。但這些方法普遍存在可解釋性差的問題，且診斷過程的不透明和決策依據的缺失導致用戶難以理解與相信智能模型的生成結果。而基于機理知識的專家系統技術［7-8］具有機理清晰、結論明確的優點，在衛星故障診斷與處置中發揮重要作用。但隨著衛星系統越來越復雜，故障間存在著耦合擴散，因此通過人工方式把專家經驗歸納總結成準確而完備的故障診斷規則具有相當大的難度，并且預置的專家規則往往趨向于較為簡單的故障模式。衛星作為高可靠產品，一般情況下，簡單的預置專家規則難以發揮預期效用。一旦衛星發生故障，往往是多學科耦合的、表征現象繁雜錯亂而難以定位的，常常需要專家依據相關背景知識、產品設計進行多維度的知識推理，進而確定可能導致故障的原因。因此，如何高效準確地進行衛星故障診斷仍是一個亟須解決的難題。

知識圖譜起源于語義網絡，可以作為一種顛覆傳統意義的表達形式，將知識以更形象化的方式進行表達［9-10］。知識圖譜技術由于其能將復雜知識簡單化、形象化，同時具備一定的知識推理能力，近年來逐漸成為學者研究的熱點，在航天領域表現出強力的應用潛力優勢。趙明等［11］建立了航天控制軟件領域知識圖譜，解決航天控制軟件知識管理問題。謝榕等［12］基于構建的標準化衛星數據集成元數據模型，形成遙感衛星特定領域知識圖譜，服務應用于海量衛星數據的語義集成和信息整合。隨著在軌衛星種類和數量的不斷增長，衛星知識不斷復雜化，傳統的故障診斷方法和專家系統已無法滿足衛星故障信息的快速獲取和定位。王子奇等［13］將知識圖譜快速檢索優勢應用于衛星自主導航領域，能夠從海量遙感圖像庫中精準定位所需圖像資源。因此，建立衛星故障領域知識圖譜，并將其應用于衛星故障輔助診斷與處置，具有重大意義。

為了提升復雜故障場景下的衛星故障診斷效率與處置能力，本文研究基于領域知識圖譜的衛星故障輔助診斷與處置方法，將衛星的產品設計知識、工作場景知識通過知識圖譜的形式表達刻畫，利用知識圖譜優良的知識引導與推理分析能力，輔助故障數據分析，提供故障的背景知識信息、關聯知識信息及推理信息，提升故障的診斷效率，并具備一定的故障處置能力，為大氣環境監測衛星在軌故障診斷與處置提供了一種輔助診斷方法。

1 衛星故障領域知識圖譜

1.1 衛星故障領域知識圖譜概述

知識圖譜是人工智能與知識的有機結合，通過點、邊的關系對知識進行描述。通過知識表示、抽取、融合、存儲、推理等多方面技術構建的知識圖譜，可以應用到語義搜索、智能問答、決策分析等領域［14］。

不同于語義網應用范例（DBPedia）、維基百科（Wikidata）、百度、谷歌等搜索引擎使用的通用知識圖譜，領域知識圖譜（Domain Knowledge Graph）是面向某一特定領域的高質量的知識圖譜，其具有廣泛的領域知識來源、復雜的領域知識結構、多樣的領域知識應用形式［15］。

隨著衛星系統的不斷發展，故障特征數據之間的關系和規則往往被海量數據淹沒，使得傳統的專家知識無法及時挖掘。通過面向衛星故障輔助診斷與處置的衛星故障領域知識圖譜技術，可以將復雜模糊的衛星領域專家知識可視化，并對衛星故障信息進行挖掘推理，輔助診斷與處置衛星故障，提升了衛星故障診斷與處置的智能化水平。

1.2 衛星故障領域知識圖譜架構

衛星系統在設計、研制、地面電測試以及在軌飛行階段中，積累了大量衛星系統知識，包括地面設備狀態監測數據、衛星遙測數據、衛星遙控數據等結構化數據、地面設備軟件運行日志文件等半結構化數據和設計文檔、單機確認照片、大型試驗過程記錄視頻等非結構化數據。基于結構化、半結構化和非結構化衛星系統知識，通過自然語言處理、數據挖掘等技術方法和原理，構建高質量的衛星故障領域知識庫［16］。

衛星故障領域知識圖譜的體系架構如圖1 所示。在該體系架構中，首先對多源異構衛星系統知識進行清洗、轉換和存儲，輸出規范化基礎數據，然后通過語義處理技術對規范化基礎數據進行實體、關系、屬性抽取，并綜合運用本體建模、實體消岐、知識合并、知識推理等技術完成衛星故障領域知識圖譜構建，服務于衛星故障的可視化、檢索、分析、輔助處置等應用。

圖1 衛星故障領域知識圖譜體系架構Fig.1 Architecture of the domain knowledge graph for satellite faults

2 衛星故障領域知識圖譜構建

2.1 衛星故障知識抽取

衛星故障領域知識圖譜由多種信息處理技術共同構建而成，其構建總體流程如圖2 所示。衛星故障知識抽取是實現自動化構建衛星故障領域知識圖譜的重要環節，其目的在于將知識從不同來源、不同結構的數據中自動抽取并存入衛星故障領域知識圖譜中。

圖2 衛星故障領域知識圖譜構建總體流程Fig.2 Flow chart of the domain knowledge graph construction for satellite faults

衛星故障知識抽取的數據源可以是結構化、半結構化或者非結構化數據。針對不同的數據類型，衛星故障知識抽取所用到的關鍵技術有所不同。對于衛星系統的結構化數據，應用一些成熟的方法將關系數據提取并轉換為RDF 格式（一種用于描述Web 資源的標記語言），例如DM（Direct Mapping）和R2RML（RDB to RDF Mapping Language）；對于衛星故障半結構化數據，采用基于映射的信息框提取方法將故障診斷信息轉化為RDF 三元組。針對衛星系統的非結構化數據，考慮其數據的多樣性和復雜性，借鑒LSTM-CRF 模型［17］、APCNNs 模型［18］、Bootstrapping 方法［19］和聯合事件提取模型［20］等深度學習方法來提取衛星故障診斷的實體、關系和事件知識。

2.2 衛星故障知識融合

衛星故障知識抽取的結果不一定完全準確，其抽取結果中含有不少的冗余信息和錯誤信息。衛星故障知識融合的目的是將新獲得的知識融入衛星故障領域知識圖譜中，包括共指消解、實體消岐、知識合并等。共指消解解決異名同物問題，采用平均準確率較高的奇異值分解和多分類器方法［21］；實體消岐解決同名異物問題，可用方法包括空間向量模型、語義模型和百科知識模型［22］等；知識合并則是解決知識整合問題，把符合框架規范的知識或第三方知識庫的知識整合到知識圖譜中。

衛星故障知識融合的關鍵是在保證知識圖譜知識準確率的前提下高效地引入新知識，實現在同一框架下的規范表示。

2.3 衛星故障知識推理

知識推理能用于知識圖譜補全。衛星故障知識推理基于衛星故障領域知識圖譜中已有的事實、關系，推理出關于衛星故障的新事實、新關系、新公理以及新規則，是衛星故障領域知識圖譜補全的重要手段。同時，衛星故障知識推理是衛星故障領域知識圖譜能力輸出的主要方式，為相關的衛星故障知識查詢返回正確的知識信息，可用于衛星故障早期發現、快速定位，是衛星故障知識輔助故障診斷和處置的主要實現方式。衛星故障知識推理主要有基于演繹的和基于歸納的兩類知識推理技術手段，如基于描述邏輯［23］和基于圖推理［24］。

2.4 衛星故障知識可視化

隨著衛星系統不斷復雜化，衛星故障知識規模不斷增長。如何將衛星故障知識更直觀、更形象地呈現，對衛星設計人員具有非常重要的意義。衛星故障知識可視化通過可視化布局與視覺編碼的方式，將故障知識庫中抽象的知識以圖形元素的形式呈現出來，使衛星設計人員在進行故障診斷時能清晰地梳理故障脈絡，輔助衛星設計人員更加有效地分析故障信息。知識圖譜可視化按照可視化布局與視覺編碼方式可以分為6 類，包括空間填充、節點鏈接圖、熱圖、鄰接矩陣、縮進列表、歐拉圖，用的最多的是節點鏈接圖［25］。衛星故障領域知識圖譜節點鏈接如圖3 所示。

圖3 衛星故障領域知識圖譜節點鏈接Fig.3 Node link diagram of the domain knowledge graph for satellite faults

3 衛星故障領域知識圖譜應用場景

衛星故障領域知識圖譜表達刻畫了衛星系統復雜的產品設計、工作場景等海量異構數據，使異構數據之間產生普遍聯系，在衛星故障診斷領域有著廣泛的應用前景。

3.1 衛星遙測遙控異常診斷

基于衛星故障領域知識圖譜，實現衛星遙測測點信息、控制點信息與整星多學科設計知識的深度關聯。

在衛星遙測點或遙控點報送異常時，衛星故障領域知識圖譜提供故障測點所關聯的設計信息，為遙測或遙控的異常排查提供知識指導，并進行一定的邏輯分析推理，輔助衛星遙測遙控異常的診斷。基于衛星故障領域知識圖譜的衛星遙測遙控異常診斷場景如圖4 所示。

圖4 衛星遙測遙控異常診斷場景Fig.4 Scenario of the diagnosis for satellite telemetry and telecontrol abnormities

3.2 飛輪故障診斷與處置

針對衛星姿軌控分系統故障診斷與處置問題，衛星故障領域知識圖譜通過抽取衛星姿軌控分系統內光纖陀螺組合、半球諧振陀螺、星敏感器、磁力矩器、推力器、飛輪、控制力矩陀螺等單機的相關遙測信息，結合衛星姿軌控分系統相關設計報告、研制總結、測試總結、測試過程中產生的照片及視頻等結構化和非結構化知識，不斷進行知識融合、知識加工產生新知識以更新衛星故障領域知識圖譜，實時推理、分析并診斷姿軌控分系統可能產生的故障，并對診斷出來的故障給出處置策略，從而實現衛星姿軌控分系統的故障診斷與處置，如圖5所示。

圖5 衛星姿軌控分系統故障診斷與處置場景Fig.5 Scenario of the diagnosis and disposal for satellite attitude and orbit control subsystem faults

為驗證基于領域知識圖譜的衛星故障輔助診斷與處置方法的有效性，下面以衛星姿態控制為例假設一種場景：某衛星姿態控制分系統中的“三正交一斜裝”反作用飛輪組合存在如圖6 所示的故障，具體表現為飛輪#1、飛輪#3、飛輪#4 存在部分失效故障，飛輪#2 存在常值誤差故障和完全失效故障。

圖6 反作用飛輪組合故障場景Fig.6 Fault scenario of the reaction wheel assembly

在衛星故障領域知識圖譜中若已知（姿態控制器，輸出，期望控制力矩）、（衛星姿態控制，執行機構，反作用飛輪組合）、（反作用飛輪組合，構型，三正交一斜裝）、（反作用飛輪，輸出，期望飛輪轉速）和（反作用飛輪，測量，實際飛輪轉速）等知識，則可以推理出反作用飛輪組合是否出現故障。

下面按照上述場景對某衛星姿態控制分系統的故障診斷與處置進行數值仿真，為保證衛星姿態控制精度，利用衛星故障領域知識圖譜，并結合實時數值仿真數據，對反作用飛輪組合存在的故障進行診斷。根據反作用飛輪組合故障診斷結果，衛星領域知識圖譜將自主切換姿態控制策略，并進行數值仿真，使姿態控制精度滿足控制要求。自主切換后的基于觀測器的類比例微分姿態控制器［26］的具體形式如下：

具體數值仿真參數見表1。數值仿真結果如圖7 和圖8 所示。由圖7 可以看出，衛星的姿態角和姿態角速度在進行故障處置后能夠收斂到很小的殘差集，穩態誤差不超過0.01°和0.000 01 rad/s。圖8給出的是自主切換姿態控制策略后的控制器控制力矩，以及實際飛輪組合控制力矩響應曲線。結果表明，衛星故障領域知識圖譜具備解決衛星姿軌控分系統故障診斷與處置問題的能力。

表1 數值仿真參數和初始狀態Tab.1 Parameters and initial states for the simulation

圖7 衛星姿態角和姿態角速度響應曲線Fig.7 Response curves of the Euler angle and angular velocity

圖8 控制器控制力矩和飛輪組合實際控制力矩響應曲線Fig.8 Response curves of controller and reaction wheel assembly actual torque

4 結束語

知識圖譜技術有助于提升衛星故障診斷和處置過程中的知識引導與推理能力。本文考慮大氣環境監測衛星有效載荷多、設計壽命長、可靠性要求高等特點，研究了基于領域知識圖譜的衛星故障輔助診斷與處置方法，有效利用了衛星系統中的多個維度的專家知識，能夠為復雜故障場景下的故障排查與定位提供有力的知識支撐，可有效提升衛星故障的排查效率與診斷能力，為大氣環境監測衛星故障輔助診斷與處置提供了一種新的可行途徑。