海量航天器在轨安全智能管控技术研究与展望

2021-05-18王晓晨陈琦刘鹏李鸿飞

空间碎片研究 2021年1期

王晓晨，陈琦，刘鹏，李鸿飞

（中国空间技术研究院总体设计部，北京100094）

1 引言

近年来，随着以星链（Starlink）、一网（One-Web）为代表的多个巨型低轨星座方案的逐步提出、设计和部署，数量庞大的巨型低轨星座因其低成本、高效益、快速部署能力等优势成为卫星设计发展的重要趋势和未来在轨航天器的主要组成部分［1，2］。巨星星座迅猛部署，使在轨航天器数量呈现爆发式增长，如图1所示。这些对航天器传统在轨管理工作带来了巨大的压力与挑战。

图1 全球2013－2020年发射航天器数量Fig.1 Number of spacecraft launched during 2013-2020

虽然目前在轨航天器的监视、诊断、处置均不同程度地实现了自动化和部分智能化，但各环节间尚未完全实现联动，许多环节需要人工参与。未来，在轨航天器规模将数以万计，轨道维持、碰撞规避等操作将更加频繁，策略也将更加复杂，在人员资源有限的情况下，亟需提升海量航天器在轨安全的智能管控能力，实现对在轨航天器从问题发现、策略制定、策略验证到处置实施全流程的智能管理。随着空间交通管理相关政策、法律法规的深入研究，航天器在轨安全智能管理技术也需要面向“海量”、面向 “空间交通管理”提升。本文提出了航天器在轨安全智能管控技术体系，介绍了研究现状，分析了面向海量航天器在轨管理的问题与挑战，提出了未来发展建议。

2 航天器在轨安全智能管控技术体系及现状

面向航天器在轨安全的智能管控技术主要包括对航天器运行状态的智能监视、智能诊断、异常问题的智能处置、仿真验证等方面，技术体系如图2所示。其中航天器数据融合与管理技术作为支撑性技术，主要解决航天器在轨管理相关数据、信息的融合管理、挖掘应用问题；航天器在轨智能诊断技术、航天器在轨智能处置技术、航天器在轨仿真与验证技术作为核心技术，主要解决在轨航天器状态可知道、问题可处置、策略可验证等问题。

图2 航天器在轨安全智能管控技术体系Fig.2 Intelligent management and control technology system for spacecraft in-orbit safety

2.1 航天器在轨数据融合与管理技术

海量航天器的在轨数据呈现数据量大、数据类型多等特点，数据融合与管理技术的发展目标就是实现多源数据融合、高效存储、快速查询和分析挖掘等。

航天器在轨运行产生的相关数据种类丰富，包括遥测数据、遥控指令、测控事件、异常信息、轨道根数等，这些数据的特点和结构不一样，存储方式也有差异。对于遥测数据这种数据规模大、实时性高、属性少的数据，采用了非关系型分布式数据库存储，而对于其他的测控事件、异常信息等非遥测数据，由于数据量较小、属性较多、关联关系复杂，则采用了甲骨文等关系型数据库存储。现有的多源数据集成技术大致分为仓库法和虚拟法2种实现方式：

（1）仓库法：该方法要建立数据仓库，将分散在各数据源中的数据副本统一集中存储在数据仓库中，其缺点是数据迁移和维护麻烦，成本较高。

（2）虚拟法：该方法是在不改变数据存储位置的前提下，在用户与数据源间建立虚拟层，屏蔽底层数据源差异，为用户提供统一的全局视图，实际应用更为广泛。

但是对于数据挖掘而言，上述两种方法均不适合直接在原始数据上进行挖掘分析，而是首先要进行清洗、去重、补全、合并、剔除与挖掘主题明显无关的数据等预处理操作，其处理效果将影响到数据挖掘的效率、准确率以及最终模式的有效性。

2.2 航天器智能诊断技术

在轨航天器智能诊断技术从规则来源上可划分为基于先验知识与基于机器学习两大类。

基于先验知识的智能诊断技术主要包括基于阈值的故障诊断；基于模型的故障诊断（基于定量模型、基于故障树、基于神经网络等）；基于信号分析（小波变换法、S变换法、希尔伯特－黄变换法等）等［3，4］。基于先验知识的智能诊断其优点是诊断的结果比较准确，缺点是对先验知识依赖比较大，受限于人的知识水平和知识积累。

企业生存发展的基础性资源，就是施工技术管理，在公路工程施工技术管理中占有不可替代的重要作用。但是，因为我国国内工程竞争的激烈性，通常都是处于一哄而上的尴尬局面，使得我国市场竞争模式没有秩序性，而施工企业之间的竞争最为激烈，只有强化我国公路工程施工技术管理的工作，才能够让企业处于不败的地位。

基于机器学习的在轨航天器智能诊断技术重点解决如何在已积累的、大量高维高密度的在轨数据中，提取知识和规则。机器学习中的无监督学习算法主要应用了聚类算法，有监督学习算法研究较多，主要有贝叶斯网络，支持向量机、人工神经网络、深度学习等算法［5，6］。面向航天器在轨遥测数据的学习中，一般根据不同的目标采用不同的机器学习方法，实现对诊断规则的学习挖掘，如采用绝对灰度关联分析和相关性分析方法对数据进行关联规则挖掘，发现不同参数的隐含关系；采用基于支持向量回归时间序列（SVR）预测技术对航天器关键参数的变化趋势进行分析；采用基于概念漂移的在轨故障分析技术，实现点异常知识、故障模式异常和系统异常知识的获取等。

工程实践上，国内外主要航天器在轨管理机构，主要采用多方法融合的故障诊断系统，以基于先验知识的诊断规则为主、基于机器学习的诊断规则为补充，图3所示为已应用于200余颗航天器并行管理的多星智能诊断系统的信息流图。

图3 多星智能诊断系统信息流Fig.3 Information flow of multi-satellite intelligent diagnosis system

2.3 航天器在轨智能处置技术

航天器在轨智能处置技术主要从星上智能自主处置、地面系统智能处置等方面开展研究，关键是处置策略制定的及时性、正确性，策略执行的准确性、可靠性。

星上智能自主处置技术的目标是让卫星能够自主识别在轨故障，自主制定处置并执行策略。典型自主健康管理体系结构如图4所示，由美国国家航空航天局（NASA）开发，通过系统重构完成故障处置［7］。目前，我国在轨航天器对故障的自主处置能力距离智能化仍有差距，主要面向稳态或既定流程具有一定的自主健康管理和处置能力，如自主复位、自主切机、转安全模式等。

图4 基于Livingstone的自主健康管理系统体系结构Fig.4 Architecture of autonomous health management system based on Livingstone

地面系统智能处置技术的目标是通过地面系统实现处置策略的自主制定、自主发令。目前多数的多星智能诊断系统均提供策略制定的接口，但策略与诊断规则的捆绑性很强，即针对某一确定性异常自主制定处置策略并自主执行，综合考虑故障定位的准确性和自主发令的风险性等因素，目前自主处置重点面向重复性、风险性较低的异常或有极其明确判据的异常。除制定策略外，地面系统还需要解决测控资源自主规划、调度的问题，常用算法有确定型算法、启发式算法、人工智能算法等几类，各类算法各有优缺点，随着计算机处理能力的大幅提高，人工智能算法被广泛研究，如遗传算法、免疫算法、粒子群算法、蚁群算法等。

2.4 航天器在轨仿真与验证技术

航天器在轨仿真与验证技术主要是通过研究全数字或半物理的航天器仿真系统，能够模拟不同平台航天器的飞行过程、测控事件、工作模式、故障现象等，实现对航天器处置策略的仿真验证，以确保处置策略的正确性和有效性。主要实现航天器的逻辑仿真（如控制测量部件、执行部件、模式切换、电源能源平衡、蓄电池充放电控制、母线电压变化等逻辑关系）、遥测遥控仿真、故障仿真等，仿真的精度主要取决于模型的准确性。

为了面向多航天器并行仿真的需要，在传统的单星仿真技术基础上，采用基于微服务的多星并行控制仿真系统架构，软件主体保证基本功能，型号配置文件来规定卫星间特殊设计属性。仿真模型采用标准化的模型组件接口规范开发和组装，封装为微服务容器模式，实现仿真模型的模块化、标准化和组件化。

3 海量航天器在轨安全管控技术挑战与思考

（1）航天器在轨数据融合与管理方面

海量航天器的数据量更大，仅以遥测数据测算要从目前PB级向EB级存储能力提升，并且数据间的关联关系更加复杂，数据快速检索与挖掘应用的难度更大。同时，随着商业航天的兴起，卫星的运营商越来越多，数据的多源化特点也更加显著。

应对海量数据融合和管理应充分利用云技术，通过云部署实现硬件资源虚拟化和动态管控，达到资源的最大化统筹；通过云存储实现多源数据灵活接入和快速融合，便于跨领域、跨部门的数据整合；通过云服务为航天器运营商、政府部门等用户提供一站式的信息服务。

（2）航天器在轨智能诊断方面

目前的航天器智能诊断技术更多地关注航天器本身的健康情况和具体故障，对国际上空间运行准则要求等方面鲜有考虑。如果将航天器类比为汽车，目前主要关注汽车本身的性能指标是否正常，而没有关注它是否违反交通规则或行驶的路面上有何危险点。目前一些国际标准，如空间碎片减缓要求等，尚未成为责任追究的刚性要求，但未来面向 “海量”航天器的管理，这些标准的执行将更加严格。

航天器在轨智能诊断技术一方面要面向航天器本体健康，持续深入研究基于机器学习的智能化诊断方法，提高诊断的准确性、预测性；另一方面，也要研究空间环境风险要素和空间管理法律法规等外部因素的规则化描述，并引入航天器故障诊断系统，提升诊断的全面性。

（3）航天器在轨智能处置方面

海量航天器除现有的常规操作控制、故障处置外，碰撞规避必将更加频繁。据统计，近年来，我国的黄色预警每年达100余次，近5年实施规避操作达50余次，而2020年呈显著增长态势。一些主要的航天机构建立了碎片演化模型对空间碎片未来的分布情况进行了仿真，结果表明即使在不再发射的前提下，未来空间碎片还会继续增长。文献［8］中预测，如果在1100km轨道部署4320颗卫星规模的星座，200年后碰撞次数将增加849.1%。因此，随着近地空间日趋拥挤，海量航天器在轨运行的碰撞风险进一步增大，航天器的智能规避处置能力亟待提升。

航天器在轨智能处置技术一方面要继续深化航天器智能处置技术研究，使航天器不仅能够对本体的健康情况进行报警、预警和处置，也能够根据所处空间环境情况，进行自主判别、自主处置。另一方面，为确保处置的可靠性和安全性，应加强天地一体化的设计，天地联合、自主运行。

（4）航天器在轨仿真与验证方面

未来，随着空间交通管理相关法律法规研究的不断深化，责任体系将进一步健全。仿真验证技术不仅要实现对航天器本身运行逻辑和故障的仿真，更要面向整个空间交通情况进行仿真。

航天器在轨仿真与验证技术一方面要持续深化数字孪生技术的研究应用，不断提升仿真精度；另一方面，面向空间整体运行情况，要强化空间体系和态势的仿真，通过平行系统的仿真，验证空间交通管制策略，确保处置策略的正确性和最优性。

4 未来发展建议

综合上述形势发展与挑战，未来面向海量航天器在轨安全智能管控应充分运用云技术、人工智能等前沿技术，实现对在轨航天器从体系到局部、从分散到整合、从天地分治到天地一体的智能化管控。

（1）面向海量航天器在轨并行管理，构建航天器在轨安全管控云平台

海量航天器在轨并行重点要解决 “海量”的问题，要提升数据的处理、存储和融合能力，提升对新增航天器实施智能监视、诊断、处置等业务部署效率。为此，要构建在轨安全智能管控云平台，实现 “云化支撑、模型为核、知识驱动、数据融合”。平台架构如图5所示，共分为四个层次。

图5 海量航天器在轨安全智能管控云平台架构Fig.5 Architecture of cloud platform for in-orbit safety intelligent management and control of massive spacecraft

一是资源层，主要是采用云技术将各种分散的计算资源、网络资源和存储资源等基础硬件设施虚拟化后进行池化管理，统一调配使用，具备弹性伸缩机制，实现系统的高可用性、硬件资源的高利用率、管理的自动化及便捷性。

二是数据层，主要是面向在轨安全管理，建立高效的模型化描述标准、数字线索，构建统一、规范、可共享的全域数据体系，将跨部门、跨领域的多源异构数据经采集汇聚、清洗处理后进行规范有序的分类组织和存储，避免重复建设和数据不一致性，并对外提供高效便捷的访问接口。

三是中台层，主要是将数据处理、故障诊断、模型计算等通用功能模块采用微服务架构封装成标准化、高内聚低耦合的共享服务，利用Docker容器进行独立部署、独立维护、独立扩展，作为基础服务供其他业务应用调用，有利于业务层各系统的快速重构、持续升级和迭代改进。

四是业务层，主要面向在轨管理的实际业务，通过组合调用中台层的各项服务，实现对航天器的状态监视、故障诊断、态势预测、碰撞规避、任务规划、测控资源调度等。

（2）面向海量航天器碰撞规避实施，构建天地一体化的自主处置模式

目前的空间碎片规避还处于一事一议阶段，主要依赖人进行策略制定和执行。但随着在轨航天器达到 “海量”后，频繁的操作不仅会增加地面监管人员的负担，也会由于人的失误导致航天器碰撞的灾难性风险。因此，在未来航天器设计上应采用天地一体化的自主碰撞规避处置模式，如图6所示。航天器设计上要具备空间碎片的感知能力，紧急情况下由星上自主控制执行；非紧急情况下，执行策略自动下传至地面仿真系统进行仿真验证，如果验证正确则反馈星上执行，如仿真验证不正确，则由航天器地面在轨管理专家对策略进行完善，经验证后执行。

图6 天地一体化自主规避流程Fig.6 The flow of the space-ground integrated autonomous collision avoidance

（3）面向空间交通管理，构建空间交通管理系统

未来海量航天器在轨碰撞规避、频率干扰等空间事件将显著增加，必然推动空间交通管理相关法律法规的研究、发布和刚性执行。为确保空间安全，应在航天器在轨安全智能管控平台的基础上建设空间交通管理系统，如图7所示。空间交通管理系统实时接收航天器在轨安全智能管控平台提供的与空间交通管理相关的预警信息，根据法律法规要求，判断责任归属，对可控航天器提出处置要求，对不可控航天器用户提出管制要求或威胁预警信息，对政府和监管机构提供信息服务，确保项目和处置策略符合要求。